来源： Invited Talk 03 · Joy Jiao 播客： ICML 2026 · GenBio 分类： 科学 原文发表： 2026-07-10 纪要生成： 2026-07-13
介绍 OpenAI 专为生命科学打造的 GPT Rosalind 模型系列及其评测方式（重点是 750 题的 LifeSciBench），并用四个"把成果落到物理世界"的真实案例（罕见病诊断、Gibson assembly 优化、无细胞蛋白合成降本、Chan-Lam 反应发现）说明模型已能与科学家协作做真科学；最后指出 wet-lab 验证是"难生成也难验证"的慢环节，而 research taste 是 agentic science 的下一个前沿。
Jiao 说今天 AI 能真正成为科学家的"co-scientist"，主要由推理模型（reasoning models）的问世带来——两年多/不到两年前的 2024 年 9 月，OpenAI 发布 o1-preview 系列，首次实现 测试时（test-time）的空前缩放与自适应，能解此前无法解的更难问题；近期模型还能做纠错、回溯、应对更复杂问题并串联工具使用。从 o1 一路到 GPT-5.6（在韩国当地"隔夜"刚发布），模型能力大幅提升。
几年间范式从"AI 作为简单工具"（如 AlphaFold、蛋白结构预测），到领域专用语言模型与蛋白结构生成模型，再到"AI 作为用户（AI as users）"——早期给 ChatGPT 接浏览器与算力，到今天 AI 能作为功能性 co-scientist（近一年才广泛出现），能理解用户意图与直觉、承担更长时程更复杂任务。下一步是让模型端到端承担越来越多研究项目、成为更自主的研究者、减少人类干预——"还没完全到，但很接近"，且已能看到自主研究发生（通常带一层 scaffolding）。
本讲结构：GPT Rosalind 模型系列与评测 → 深入 LifeSciBench（静态离线 benchmark）→ 四个真实世界研究案例 → 下一步展望。
Rosalind 是不同于主线的独立模型系列，是基于主线 ChatGPT 的"混合体（amalgamation）"：首个 Rosalind 模型基于 5.4，做 RL fine-tune，并从 OpenAI 内部模型蒸馏。目的是为生命科学研究专门定制、面向科学家使用，体现"把科学推理前沿开放给公众造福世界"的承诺。两点直觉：
第二个理由是同时加速正当研究与生物防御（biodefense）。她认为无法仅从用户 prompt（乃至历史 prompt）判断意图——老练的生物用户很容易混淆 prompt，换个试剂/基因名/菌株字符串，就难辨是想造生物武器还是良性工程。因此不自行去猜，而是只接纳已知正当的用户（在真实药企/生物技术公司/研究机构任职），从而可解除大量生物安全限制。例如一个关于脂质纳米颗粒（lipid nanoparticle）研究的 prompt：主线模型常做"软拒绝（soft refusal）"——不真答、只给高层概览，这是科学家从不想要的；而 Rosalind 系列会完全响应（fully comply）所有研究问题，仍会拒绝的只有"真的要求造生物武器"这类。Rosalind 系列还关闭同步阻断（synchronous blocking）（使用时偶尔出现的红色文字框）。
以多种方式评测 Rosalind：
LifeSciBench 细节：相当大，750 个问题，其中 79% 需多步推理/决策（平均每任务 4 步）；关联的 artifact（图、PDF、序列、文件输入）超过 1000 个；按 rubric 评分，rubric 条目超过 19,000 个；由 173 位科学贡献者采集，出题者均有博士级训练与大量业界经验；再经多轮专家评审，评审者 97% 有博士或同等学历、平均 12 年从业、平均每人 14 篇同行评审论文。典型任务输入多样（测序数据、结构图/图像），要求模型多步推理、做分析、做决策、论证结果，经专家 rubric 评审并多轮至达成共识——平均任务经 6 轮自我导向的自动审阅循环、至少 2 轮专家评审（部分更多）。为贴近真实，prompt 尽量简短现实（如一段话，而非几十条要点）。团队还调研专家：任务是否反映真实科研、是否在评正确的科学推理与领域技能——各项都获广泛强共识（科学扎实度、总体有用性亦然）。
结果分布：Rosalind 相较 5.5 在各子板块普遍有提升，最大提升在 bench-to-bedside 转化（连接临床前证据与临床意义）和科学沟通（该类仅 9 题、误差棒很大，但 5.5→Rosalind 跳升明显）。模型仍吃力之处（不意外）是artifact 密集设置：从纯文本到含 artifact 的设置，性能下降；纯文本目前仍是模型表现最好的。细分析显示前沿模型仍在从复杂图/大序列文件提取信息并整合进最终答案上挣扎。
她强调静态 benchmark 必要（训练时要在其上 hill-climb、确保方向对），但真进展要在真实世界"instantiate"。生物/化学/材料这类应用科学与数学、理论物理、软件不同：后者是"hard-easy"问题（答案难生成、但易验证，可用单测或有唯一答案的数学题）；生物化学是"难生成也难验证"——最终结果需在物理实验中发生，需不同实验室独立复现才可信，耗时很长，故这些验证通常与真正的模型训练分开进行。
案例一（o3，罕见病诊断）：较早期，用 o3 帮医生重新分析约 300–400 份患者档案的遗传与临床数据（都是怪病、但一直未确诊）。模型新诊断出 18 例——数字看似低，但数据集是对抗性挑选的：所有患者都经多轮专家评审、辗转多家医院、遗传数据被反复审阅却仍未能定因。动人故事：患者 Kyra 9 岁患病，一直未找到遗传病因，直到 o3 重分析；如今 28 岁的她终于理解身体出了什么问题的遗传根源。工作流中仍有大量人类介入：模型（图中蓝框）从不做最终诊断，而是接收去标识的 case packet、经人类大量 prompt 迭代后，把表型、遗传变异与文献串联、提出候选假设；人类评审看输出、定后续目标、验证特定假设，最后把结果返回患者家庭。不同疾病组诊断产出率差异大，最高为早发精神病与神经发育，最低为儿科猝死（1%）。有趣的是 o3 有时会正确地偏离 prompt/输入：某早发精神病例中，它在一段低质量 call 区推断出原始输入 VCF 未 call 出的结构缺失事件，回到原始数据把它挖出、假设该缺失与 DiGeorge 综合征（讲者口述 George syndrome）相关，最终是正确诊断；也有几例问的是单基因病因，o3 却给出多基因组合机制解释更复杂的表型。
案例二（GPT-5，Gibson assembly 优化，联合 Red Queen Bio）：看模型能否改进 Gibson assembly protocol（主要基于 NEB HiFi assembly protocol）。GPT 建议加入两个蛋白——E. coli 的 RecA 与 GP32——把克隆效率提升到 79×（连同其他改进）。设置为固定 prompting：与上例不同、基本无人类干预，仍由人做实验，每轮 8–10 个 protocol，把结果喂回模型。结果 RecA 与 GP32 二者都需在反应中才能达到该克隆效率提升。
案例三（GPT-5，无细胞蛋白合成降本，联合 Ginkgo Bioworks）：也是"放手"式模型驱动加大量湿实验，实现无细胞蛋白合成成本降低 40%。六轮实验，y 轴是每克蛋白成本；一旦开启工具使用，成本骤降——前三个点是模型无工具纯思考，一旦给模型算力与网络访问，立即击败人类结果（384 well plate 相关设置），并持续改进。
案例四（GPT-5.4，医药化学，联合 Molecule.one）：更开放式——不告诉模型优化目标，而是让模型自选问题、找假设，用 Molecule.one 提供的微升级高通量实验平台 Miria 跑实验、做出有趣的化学发现。（她自称非化学家，理解为约"稳的 tier-2 期刊"级别，不及 Cell/Nature/Science，但很有意思。）模型选了 Chan-Lam 反应（氮-碳偶联），建议加入温和氧化剂如 TEMPO 提升产率——假设正确。关键是在 bench scale 复现：不止在微升高通量设置里成立，还请独立化学家做反应，显示 TEMPO 使产率在 14 对反应中的 11 对里提升 2 倍以上。
Q1： 在所有可做的湿实验验证中，当前优先训练进模型 / 优先去验证的是什么？（雇人做湿实验很贵，优先级如何定？） A1： 模型训练优先级主要由研究伙伴驱动，也有很多已知 gap——例如 artifact 让模型明显变差，修补这种能力前沿很明显；有时伙伴会说"医药化学里有某个具体问题想让模型更强"，团队就去造训练数据、让 Rosalind 在该具体任务上更好。验证什么也主要由研究合作者驱动——他们对"科学里哪些是有趣重要的问题"有更好的专家直觉、由他们做湿实验验证，OpenAI 负责训练模型。（追问"最想和什么类型的机构合作"因时间关系约定会后再谈。）
Q2： 你用 Rosalind 比较不同 AI 模型做 QSAR 之类简单任务（看分子修饰）。已有很多更简单、比 AI 便宜的成熟工具能做这些，你是否把 AI 结果与这些更成熟的工具做过 benchmark、看能否提升准确率？ A2： 通常会开工具——例如 MecChem Bench 里模型已能访问 RDKit 等；不过没开更小、更专用的生物工具，但确实可以开、看模型能否在其上提供 uplift，这是她们努力的方向。对更复杂的模型（如 AlphaFold），设想是把结果跑出来后，模型能批判性审视结构是否合理、要不要调 pipeline 或换模型——这种专家直觉能带来 uplift。