OpenAI 近期把 GPT-Rosalind 往兩個方向推進：一邊用 LifeSciBench 量測生命科學研究任務，一邊把模型接到高通量實驗室，測試它能否提出可被化學家驗證的實驗假說。對生技公司、醫療研究團隊與 AI 治理負責人來說，這比單純爭論「封閉或開放」更值得看。
如果你正在評估生科 AI，先把問題拆開：模型是否能讀懂論文、圖表、序列與實驗資料？它提出的判斷能不能被評分規準（rubric）、專家與實驗重跑檢查？若能力涉及藥物研發、生物安全或雙重用途風險，誰能使用、誰負責審查、哪些結果不能自動放進正式研究流程？
這次更新改變了什麼？
OpenAI 這波訊號有三層。
| 層級 | 官方公開的重點 | 讀者要怎麼判斷 |
|---|---|---|
| GPT-Rosalind 能力更新 | OpenAI 說新版 GPT-Rosalind 結合 GPT-5.5 的代理式寫程式與工具使用能力，並強化藥物化學、基因體、定量生物與濕實驗支援。 | 看它能否處理真實研究任務、工具產物與專家審查，不要只看行銷名稱。 |
| LifeSciBench | 750 個專家任務、1,062 個附件、19,020 條評分規準（rubric criteria），用來評估生命科學研究工作流。 | 把通過率、部分得分、附件弱項與任務類型分開看。 |
| AI 化學家實驗 | GPT-5.4 搭配 Molecule.one 的 Maria AI 與高通量實驗室，提出並測試 Chan–Lam coupling 改良方案。 | 這是受控研究案例，需要看假說、實驗、驗證與限制，不能直接當成全自動製藥。 |
OpenAI 也說 GPT-Rosalind 透過可信存取部署結構（trusted-access deployment structure）提供給符合資格的組織，並擴大到全球 eligible organizations。這代表它仍然不是一般大眾可以直接下載權重或任意呼叫的模型。對研究機構來說，要追的是申請條件、資料保護、用途限制、可審計性與研究成果能否被外部驗證。
LifeSciBench 在測什麼？
LifeSciBench 想解決的問題是：生命科學研究很少像單題考試。研究者常要讀不完整的證據、處理互相衝突的結果、設計實驗、排除實驗測定（assay）限制、評估轉譯風險，再決定下一步。
OpenAI 將任務整理成七類常見工作流：證據處理、分析、設計與最佳化、科學推理、驗證與操作、轉譯、科學溝通。每個任務像是科學家交給合作夥伴的請求：有科學題目（prompt）、脈絡與附件，回答則用專家撰寫的評分規準評分。
幾個設計細節值得注意：
- 79% 任務需要多步推理或決策，平均每題約四個步驟。
- 1,062 個任務附件包含圖、PDF、表格、序列檔、結構或化學檔案與網頁引用。
- 53% 任務要求模型解讀或整合至少一個研究附件（artifact）。
- 173 位任務作者具備博士層級訓練與生技或製藥產業經驗。
- 453 位未參與出題的審查者（reviewer）做獨立審查；OpenAI 說各項審查同意率都超過 96%。
這種設計會把「答案對不對」以外的細節也放進評分。一個模型可能抓到大方向，卻漏掉關鍵實驗測定限制、臨床轉譯風險或實驗設計缺口；LifeSciBench 的評分規準會把這些細節拆成可評分項目。
分數怎麼讀：進步明顯，弱點也很清楚
OpenAI 公布的結果顯示，GPT-Rosalind 在 LifeSciBench 上比 GPT-5.5 進步，但整體能力還沒有接近「可以直接交付研究決策」的程度。
| 指標或任務類型 | OpenAI 公布的結果 | 對研究團隊的意思 |
|---|---|---|
| LifeSciBench 完整通過率（exact pass rate） | GPT-Rosalind 36.1%，GPT-5.5 25.7%。 | 有進步，但多數任務仍未完整通過；不能只看提升幅度。 |
| 科學溝通（Scientific Communication） | GPT-Rosalind 71.1%，GPT-5.5 56.3%，但類別樣本 n=9，需保守解讀。 | 模型較擅長整理證據與產出專家可讀說明。 |
| 轉譯（Translation） | GPT-Rosalind 57.7%，GPT-5.5 36.8%。 | 從前臨床證據連到臨床意涵的判斷在改善。 |
| 專家可用／可行動輸出 | GPT-Rosalind 44.7%，GPT-5.5 29.1%。 | 可用性提升，但仍需要科學家檢查下一步是否合理。 |
| 不確定性與限制處理 | GPT-Rosalind 44.8%，GPT-5.5 29.3%。 | 模型較能補限制與 caveat，這對高風險研究很重要。 |
| 附件密集任務（artifact-heavy） | GPT-Rosalind 從純文字任務 45.1% 降到含附件或 URL 的 28.1%。 | 圖表、序列、結構檔與大型附件仍是明顯瓶頸。 |
| 數值、序列、結構、construct 輸出 | GPT-Rosalind 在 numeric tasks 14.8%，sequence/structure outputs 24.0%，construct-generation 27.3%。 | 對需要精確輸出的任務，不能把模型回答直接交給實驗或合成流程。 |
最實用的讀法是：GPT-Rosalind 比一般模型更接近研究助理，但它的強項偏向證據整理、溝通、轉譯判斷與部分研究推理；當任務需要精確數值、序列、結構或複雜附件抽取時，仍要有工具驗證、專家審查與重跑機制。
如果你正在建立自己的模型驗收流程，可以把這篇和 Agent 評測不能只看分數 放在一起看：前者處理生命科學任務，後者提醒工具使用、成本、trace 與測試框架也會改變結果。
AI 化學家實驗說明了哪一段能力？
同週另一個 OpenAI 來源把評估從基準測試推到實驗室。OpenAI 與 Molecule.one 合作，把 GPT-5.4 接到 Maria：一套能設計、執行、分析高通量化學實驗的代理式化學 AI（agentic chemistry AI）與實驗室系統。
這個研究的目標是改善一類藥物化學常見反應。最後最有前景的 proposal OAI-M1-03 聚焦 primary sulfonamides 的 Chan–Lam coupling。Chan–Lam coupling 用來形成碳氮鍵，對藥物化學有用；primary sulfonamides 和 boronic acids 的這類反應過去常有低收率問題。
OpenAI 公布的結果包括：
- Maria Lab 在 OAI-M1-03 中跑了 10,080 個反應。
- 在最佳化條件下，88% 的 boronic acids 與 83% 的 sulfonamides 測試組合收率改善。
- 平均收率從 16.6% 提高到 25.2%。
- 超過 30% 收率的反應比例從 15.6% 提高到 37.5%。
- 人類化學家手動重跑 14 組代表性 substrate pairs，其中 11 組收率提高，8 組增加超過兩倍。
這些數字讓案例有研究意義：模型提出假說、設計實驗、讀取資料，再由人類化學家驗證其中一段結果。
限制也要同時放在第一層理解。OpenAI 自己稱它為近自主（near-autonomous），因為人類仍然負責 high-level steering、選出要測的 proposal、修正實驗計畫、協助實驗室操作，並獨立驗證結果。這項結果也尚未證明方法能推廣到所有 coupling reactions、substrate classes 或製造條件；下一步還需要更廣的 substrate scope、機理研究與獨立實驗室重現。
若你想把這類實驗放回產業脈絡，可再看 AI 製藥 2026：模型能加速假說與候選路徑，但臨床、法規、製程與商業化仍會決定最後價值。
研究機構應該怎麼用這些訊號？
如果你是生技公司、醫院研究中心、藥物研發團隊或政策單位，可以用下面這張表把評估拆成五層。
| 評估層 | 先問什麼 | 不該直接下的結論 |
|---|---|---|
| 基準測試 | LifeSciBench 任務是否接近你的研究流程？哪些類型通過率低？ | 不要把 36.1% 通過率包裝成可獨立做研究。 |
| 附件能力 | 模型能否處理你的 PDF、圖表、表格、序列、結構與實驗記錄？ | 不要用文字任務表現推論它能讀懂所有實驗室附件。 |
| 工具與工作流 | 是否能保留 provenance、版本、附件、分析 notebook、錯誤與審查紀錄？ | 不要讓答案只停在聊天視窗裡。 |
| 濕實驗驗證 | 模型提出的假說能否被小規模實驗、實驗台尺度（bench-scale）重跑或外部實驗室檢查？ | 不要把高通量平台結果直接等同於可量產或臨床價值。 |
| 安全與存取 | 是否需要可信存取（trusted access）、用途審核、雙重用途風險控管與資料隔離？ | 不要把「能用」和「可以給任何人用」混在一起。 |
第一步可以從一段可驗證、可審查、低風險的研究流程開始：文獻證據整理、實驗設計初稿、實驗測定除錯（assay troubleshooting）、體學資料分析（omics）品質控管，或候選假說排序。每一步都要留下來源、研究附件、程式碼、評分規準或專家註記，方便回頭查錯。
Trusted access 的問題要問得更具體
GPT-Rosalind 的可信存取路線有合理風險考量，也會帶來分配與透明度問題。生命科學模型可能碰到雙重用途風險；把高能力生物工具無差別公開，確實可能增加危險使用門檻下降的疑慮。另一方面，如果只有少數大型機構能用到最好的工具，小型研究團隊、公共衛生單位與非核心市場也可能被排除。
比較有用的審查問題包括：
- 申請資格如何定義？是否納入研究目的、治理、安全與公共利益，而非只看公司規模？
- 使用者能否知道哪些資料會被保存、訓練、稽核或分享？
- 模型輸出如何限制高風險生物或化學用途？
- 外部研究者能否審查基準測試、系統行為（system behavior）或失敗案例？
- 學術、公衛與低資源研究團隊是否有透明申請管道？
- 若模型接入實驗室、序列分析或合成流程，人類審查點在哪裡？
如果重點是生物安全，可以延伸看 Rosalind Biodefense 與 Trusted Access；如果關心下游合成供應鏈風險，則可對照 AI DNA 合成篩查 的治理入口。
台灣與一般研究團隊的實務路線
台灣生技公司、醫院研究中心與大學實驗室未必能立刻取得 GPT-Rosalind。即使能取得，也不應把它當成單一替代方案。比較穩的路線是把能力拆成可替換元件。
- 證據整理：用可引用、可追蹤的研究助理流程處理文獻、圖表與內部實驗紀錄。
- 生物資訊分析：把 NGS、scRNA-seq、bulk RNA-seq 等流程放進可重跑 notebook 或 pipeline，不讓模型口頭改動結果。
- 假說排序：讓模型提出候選，但用專家評分規準、資料庫、實驗成本與風險分級重排。
- 濕實驗前檢查：要求每個 proposal 附上可驗證條件、反例、危險用途排除與停止條件。
- 資料與法規：若涉及病患資料、基因資料、商業機密或跨境合作，先確定資料邊界與審查責任。
這樣做的好處是，即使模型供應商改變 access policy，團隊仍保有評估集、資料治理、實驗紀錄與審查流程。模型可以更換，研究責任不能外包。
讀完後可以做的三件事
- 把既有研究任務分成三類：文字證據整理、附件密集分析、實驗或合成決策。先從低風險、可重跑、可人工審查的任務開始。
- 建立自己的小型評分規準：不要等大型基準測試完全貼合你的領域。先挑 20–50 個真實任務，定義好答案、來源、限制、錯誤代價與審查者。
- 把存取政策寫進採購表：如果供應商提供生科 AI，要求說明可信存取、資料保存、工具權限、生物安全評估、事故回報與外部驗證方式。
這些動作比追逐單一模型名稱更能降低風險。LifeSciBench 和 AI 化學家實驗的共同訊號是：生科 AI 的價值要回到可檢查的研究工作流，不能停在模型宣傳。
FAQ
GPT-Rosalind 現在可以公開使用或下載嗎？
OpenAI 公開資訊顯示，GPT-Rosalind 透過可信存取部署結構提供給符合資格的組織，並擴大到全球 eligible organizations；它不是一般可下載權重或任意公開 API 的模型。研究團隊應確認申請資格、資料政策、用途限制與安全審查條件。
LifeSciBench 證明 GPT-Rosalind 可以取代生命科學研究員嗎？
沒有。LifeSciBench 顯示 GPT-Rosalind 在專家設計的生命科學任務上比 GPT-5.5 進步，但完整通過率仍是 36.1%，附件密集、數值、序列、結構與 construct 類任務仍有明顯弱點。它比較適合被視為可審查的研究助理，不能當成獨立研究負責人。
OpenAI 的 AI 化學家實驗代表製藥快要全自動了嗎？
不代表。這個案例顯示 GPT-5.4、Maria AI 與高通量實驗室可以合作提出並驗證一個有價值的化學假說，但人類化學家仍負責選題、修正實驗、協助操作與實驗台尺度驗證。它還需要更廣泛 substrate 測試、機理研究與獨立重現。
生技公司現在最該投資模型、資料，還是實驗平台？
先投資可驗證流程。模型會快速變動，但可靠的研究任務集、附件管理、資料來源、專家評分規準、實驗紀錄、權限與安全審查會長期有用。若流程穩定，再決定要申請 GPT-Rosalind、使用其他模型、串接實驗平台，或建立內部工具。
參考來源
- OpenAI：Introducing LifeSciBench
- OpenAI：Introducing new capabilities to GPT-Rosalind
- OpenAI：A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry
- OpenAI：Strengthening societal resilience with Rosalind Biodefense
- OpenAI：Our updated Preparedness Framework
結論
GPT-Rosalind 的重要性不在於它多會回答生物題，而在於 OpenAI 正把生命科學 AI 推向研究工作流、工具執行、實驗驗證與受控部署。LifeSciBench 讓外界更清楚地看到哪些能力進步、哪些弱項仍在；AI 化學家實驗則提醒我們，能被實驗室驗證的假說才有科學價值。
對研究機構來說，下一步很具體：把模型放進可追溯、可審查、可重跑的流程。生科 AI 可以加速證據整理與假說生成，但每個涉及實驗、藥物、病患資料或雙重用途風險的決策，都需要人類專家與制度邊界一起負責。