AI智能体离真进实验室还有多远

最近看到一个叫 BioBasicsBench 的新基准，专门测 AI 智能体处理湿实验日常任务的能力，100 个任务全是围绕原始实验数据解读和基础操作展开的。说实话，这个方向比那些刷榜的通用评测有意思多了，因为它直接戳中了 AI 进实验室最尴尬的环节：不是不会写论文，而是看不懂跑完胶的那张图。

我自己的判断是，湿实验的门槛从来不在「知识量」，而在「脏数据」和「默会知识」。移液枪误差、条带模糊、对照异常，这些在教科书里不会写，但每个实验员都靠经验在补。AI 智能体如果只靠干净数据集训练，到了真实台面上大概率会给出「理论上正确但操作上离谱」的建议。这个基准的价值在于它把评测拉到了「原始数据」这一层，而不是让模型去回答已经整理好的选择题。100 个任务听起来不多，但如果覆盖了从读胶图到判断污染来源这类典型场景，那已经能筛掉一批只会背 protocol 的模型了。不过我也想说，基准本身不能代表落地能力。实验室里真正的瓶颈往往是多步骤、长链条、需要中途改方案的任务，而基准任务通常是单点判断。所以看到高分先别急着吹「AI 科学家」，更值得关注的是模型在哪个环节掉链子，那才是产品化的信号。对做出海工具的人来说，这个方向反而提醒了一件事：与其卷通用 agent 框架，不如扎进某个实验场景做垂直数据闭环。谁能把湿实验的脏数据标注清楚，谁就握住了下一阶段的门票。