OpenAI与生物技术公司Ligo推出BioBasicsBench，用100项日常湿实验任务测试AI Agent解释原始实验数据的能力。与论文中经过挑选的漂亮图表不同，真实实验包含失败样本、模糊图像、批次差异和相互冲突的观察，这正是科研AI最容易给出过度自信结论的地方。
评测关注的不是背知识
模型需要阅读原始图像和测量结果，判断实验是否有效、识别对照问题、解释异常并建议下一步。正确答案往往不是一个确定结论，而是“证据不足，需要重做哪一步”。因此科研团队应奖励模型承认不确定性，而不是总能给出解释。
建立实验数据入口
原始文件、仪器元数据、样本编号、批次、试剂和操作记录应一起进入分析流程。图片压缩、单位丢失或只上传结果截图都会破坏判断。数据接入时生成只读副本和哈希，保留原始记录，AI不得覆盖实验数据。
标准分析流程
第一轮只让Agent描述观察，不解释原因；第二轮检查阳性和阴性对照；第三轮提出多个假设及支持、反对证据；第四轮给出最小验证实验；最后由研究人员选择是否执行。这样可以减少模型先入为主后不断为自己辩护。
涉及生命科学高能力模型时，还应参考站内GPT-6 Rosalind研究接入指南的可信访问和审计要求。AI发现候选分子也必须经过湿实验，相关流程见AI寻找抗菌肽实战。
如何在实验室落地
先选择已完成且结论明确的历史实验做盲测，包含成功、失败和边界样本。比较模型与不同经验研究人员的判断，统计对照识别率、错误原因、复现实验建议和危险建议比例。只有在低风险辅助任务稳定后，再扩展到新实验。
必须保留的人类责任
模型不能独立决定涉及病原体、临床样本或高风险生物材料的操作。实验设计、伦理、样本授权和安全等级由合格人员负责。模型输出标注版本和时间，论文或报告中披露AI参与范围，不能把生成解释当作实验事实。
结论
BioBasicsBench的意义是把科研AI从“会读论文”推进到“能面对脏数据”，同时提醒团队：日常实验可靠性来自对照、记录和复核。AI最有价值的角色是帮助发现异常和整理假设，而不是替代实验责任人。
