فهرست مطالب
OpenAI در ۶ نوامبر ۲۰۲۶ از BioBasicsBench رونمایی کرد؛ معیاری که توانایی عاملهای هوش مصنوعی در تفسیر دادههای خام آزمایشگاه زیستی را با ۱۰۰ مسئله میسنجد. طبق گزارش شرکت، مدل GPT-6 Astra در تنظیم استدلال xhigh بهطور میانگین ۶۶٫۷ درصد امتیازهای ممکن را به دست آورده است. این نتیجه پیشرفت در تحلیل داده را نشان میدهد، اما به معنی آمادگی مدل برای اداره مستقل آزمایشگاه نیست.
BioBasicsBench چه چیزی را میسنجد؟
این مجموعه با همکاری شرکت زیستفناوری Ligo ساخته شده و از دادههای حاصل از آزمایشهای واقعی استفاده میکند. مسئلهها پنج حوزه از کار روزمره آزمایشگاهی را پوشش میدهند: روشهای پروتئینی، تصویربرداری و سنجش سلولی، سنجش و اندازهگیری، روشهای اسید نوکلئیک و همسانهسازی مولکولی.
ورودیها میتوانند شامل تصویر ژل، عکس محیط کشت، خروجی دستگاه، تصاویر میکروسکوپی یا یادداشتهای آزمایش باشند. مدل باید علاوه بر ارائه نتیجه، در صورت نیاز شواهد ناکافی یا مشکل در کنترل آزمایش را هم تشخیص دهد. برای آشنایی با خود مفهوم آزمایشگاه تر، مقاله آزمایشگاه بیولوژی Anthropic و معنی wet lab زمینه مفیدی ارائه میدهد.
نتایج مدلها چگونه خوانده میشوند؟
OpenAI هفت مدل خود را در ۳۷ ترکیب مدل و سطح استدلال بررسی کرده است. هر ترکیب برای هر یک از ۱۰۰ مسئله پنج بار آزموده شده و در مجموع ۱۸٬۵۰۰ نتیجه به دست آمده است. در تنظیم xhigh، GPT-6 Astra میانگین ۶۶٫۷ درصد و GPT-5.6 Sol میانگین ۴۳٫۸ درصد امتیاز ممکن را کسب کردند.
این درصدها نرخ پاسخ کاملاً درست نیستند. هر پاسخ بر اساس چند معیار نمره میگیرد و میتواند بخشی از امتیاز را دریافت کند. فاصله اطمینان ۹۵ درصدی گزارششده برای Astra از ۶۰٫۳ تا ۷۳٫۱ درصد و برای GPT-5.6 Sol از ۳۷٫۶ تا ۵۰ درصد است. بنابراین مقایسه باید در محدوده همین مجموعه و روش ارزیابی خوانده شود.
پیشرفت در کنار خطاهای واقعی
در یکی از مثالهای گزارش، مدل قویتر متوجه شد برچسب یک نمونه کنترل با آنتیبیوتیک استفادهشده در آزمایش همخوانی ندارد؛ جزئیاتی که میتواند اعتبار نتیجهگیری را تغییر دهد. در مثال دیگری نیز تفاوت تمرکز در تصاویر میکروسکوپی را تشخیص داد.
با وجود این، OpenAI موارد شکست Astra را نیز نشان داده است. در یکی از آنها مدل هنگام شمارش کلنیها، نسبت به پاسخ مرجع حدود ۱۲ درصد بیشتر شمرد. در نمونهای دیگر، تفسیر نادرست کنترل آزمایش به انتخاب نمونههای اشتباه منجر شد. چنین خطاهایی میتوانند بر محاسبه یا مسیر آزمایش بعدی اثر بگذارند و نیاز به بازبینی متخصص را برجسته کنند.
این نتیجه برای پژوهشگران چه معنایی دارد؟
داده خام معمولاً تمیز و آماده انتشار نیست. وجود تصاویر مبهم، نتیجههای ناسازگار و کنترلهای ناقص باعث میشود بررسی آن از پاسخدادن به یک پرسش عمومی متفاوت باشد. معیاری که این شرایط را وارد ارزیابی میکند، میتواند در شناسایی ضعف ابزارهای کمکی مفید باشد.
با این حال، گزارش را خود OpenAI منتشر کرده و مقایسه گزارششده میان مدلهای همین شرکت است. هر مسئله علاوه بر بازبینی داخلی، یک بازبینی بیرونی توسط پژوهشگر دارای دکتری و فعال در آزمایشگاه تر داشته است؛ این موضوع جایگزین ارزیابی مستقل کل سامانه در محیطهای گوناگون نیست. نتایج بهتنهایی درباره اجرای فیزیکی آزمایش، استفاده بالینی یا عملکرد مدلهای شرکتهای دیگر نتیجهای نمیدهند.
جمعبندی
BioBasicsBench راهی مشخص برای سنجش خواندن شواهد آزمایشگاهی پیشنهاد میکند و نتایج OpenAI از بهبود برخی تواناییهای مدلهایش خبر میدهند. در عین حال، خطا در شمارش و تفسیر کنترلها نشان میدهد که خروجی چنین عاملهایی باید با داده اصلی و قضاوت پژوهشگر بررسی شود. ارزیابی مستقل در آزمایشگاههای بیشتر میتواند روشن کند این عملکرد تا چه اندازه به شرایط واقعی تعمیم مییابد.
منابع
تصویر کاور: Diane A. Reid / National Cancer Institute، تصویری آرشیوی از یک آزمایشگاه و خارج از پژوهش حاضر.



