当 AI 智能体的评测还集中在写代码、查网页时，OpenAI 把标尺伸向了实验室台面。
发生了什么
OpenAI 发布了一个名为 BioBasicsBench 的基准，包含 100 项任务，目标是衡量 AI 智能体在“日常湿实验科学”（wet-lab science）中的表现——具体说，是它能否读懂实验产生的原始数据，并完成围绕这些数据的常规操作。
从公开信息看，这个基准的定位不是考生物学的书本知识，而是考“动手环节”的信息处理：湿实验会产出大量非结构化、噪声大、格式各异的原始记录，智能体要在此基础上做出判断和下一步动作。OpenAI 没有披露任务的具体构成、评分方式与各模型的成绩，因此现阶段能确认的核心事实只有两点：评测对象是 AI 智能体而非纯语言模型，评测内容是湿实验中的原始数据处理。
为什么重要
过去两年，AI for Science 的叙事大多围绕两类成果：一是蛋白质结构预测这类“大模型直接给出科学结论”的突破，二是文献检索、写作润色这类“科研外围”的助手能力。两者之间有一块长期被忽略的地带——实验台边的琐碎工作。
这块地带恰恰是科研真实耗时的所在：读仪器导出的表格、判断某个读数是否异常、把一批样本的记录整理成可分析的形式、根据中间结果决定要不要重做一组对照。这些工作难以自动化，因为它们依赖对原始数据的现场理解，而不是对已发表结论的复述。
BioBasicsBench 的意义在于把这块模糊地带变成了可测量的对象。对智能体而言，这是一次能力边界的压力测试：它需要处理不完美的输入、在多步操作中保持上下文、并在科学语境下做出可被检验的判断。对行业而言，一个公开基准的出现，往往意味着后续会有模型围绕它优化，也会有人质疑它是否覆盖了真实实验的多样性——这正是评测走向成熟的标志。
影响与看点
对做科研智能体的团队，这个基准提供了一个对齐目标的参照：与其在通用 agent 榜单上刷分，不如看模型在原始实验数据上的稳健性。对实验室自动化、ELN（电子实验记录）和数据分析工具的厂商，它暗示了一个产品方向——智能体的价值可能不在“替科学家思考”，而在“替科学家消化数据”。
值得关注的三个点：一是任务设计是否覆盖不同实验类型，还是集中在少数易标准化的场景；二是评分是否只看最终答案，还是考察中间步骤的可靠性；三是 OpenAI 是否会把这类基准扩展到化学、材料等相邻领域。
一个克制的判断：湿实验的原始数据天然杂乱，基准能测出的更多是“处理杂乱的耐心与规范”，而非科学直觉。但恰恰是这部分能力，决定了智能体能否真正进入实验室的日常工作流，而不是停留在演示视频里。
