新智元報(bào)道

編輯：艾倫

【新智元導(dǎo)讀】OpenAI最新發(fā)布的FrontierScience基準(zhǔn)，試圖用真實(shí)的博士級(jí)難題，從物理、化學(xué)、生物三個(gè)維度上考驗(yàn)AI。真相是殘酷的：在沒(méi)有唯一標(biāo)準(zhǔn)答案的科研實(shí)戰(zhàn)中，AI作為「頂級(jí)做題家」，距離真正的科學(xué)家，還差得遠(yuǎn)。

OpenAI在2025年12月16日發(fā)布了一套新基準(zhǔn)FrontierScience，用來(lái)衡量AI在物理、化學(xué)、生物三門(mén)學(xué)科里，能否做到接近專家水準(zhǔn)的科學(xué)推理，而不只是背知識(shí)點(diǎn)。

OpenAI在文中把科學(xué)工作描述成一套更接近「持續(xù)試錯(cuò)」的流程。

提出假設(shè)，設(shè)計(jì)驗(yàn)證，推翻再重來(lái)，還要把不同領(lǐng)域的線索拼成同一張圖。

模型越強(qiáng)，問(wèn)題就越尖銳，AI能不能把這種深推理用到真正的科研推進(jìn)上。

OpenAI提到，過(guò)去一年他們的系統(tǒng)在國(guó)際數(shù)學(xué)奧林匹克和國(guó)際信息學(xué)奧林匹克上達(dá)到了金牌級(jí)表現(xiàn)，同時(shí)更重要的變化發(fā)生在實(shí)驗(yàn)室和辦公室里。

研究者開(kāi)始拿這些模型做跨學(xué)科文獻(xiàn)檢索，跨語(yǔ)言讀論文，也拿它們?nèi)ネ茝?fù)雜證明。

有些原本要耗掉幾天甚至幾周的工作，被壓到幾小時(shí)就能跑完一輪。

為什么需要FrontierScience？OpenAI給了一個(gè)對(duì)比。

2023年11月，GPQA這個(gè)由博士專家撰寫(xiě)、強(qiáng)調(diào)「谷歌搜不到」的科學(xué)題庫(kù)發(fā)布時(shí)，GPT-4只拿到39%，低于專家基線74%。

兩年后，GPT-5.2在同一基準(zhǔn)上拿到92%。

當(dāng)舊題庫(kù)逐漸被刷穿，新的尺子就必須更長(zhǎng)，否則你看不出模型還能往哪里發(fā)展。

FrontierScience的設(shè)計(jì)更像是給模型丟進(jìn)兩種不同的「科學(xué)難關(guān)」。

一類偏競(jìng)賽風(fēng)格，考你在約束條件下把推理做到干凈利落。

物理競(jìng)賽題示例

另一類更貼近研究現(xiàn)場(chǎng)，要求你在開(kāi)放問(wèn)題里把思路走通，哪怕沒(méi)有標(biāo)準(zhǔn)答案那么工整。

物理科研問(wèn)題示例

這套評(píng)測(cè)總量超過(guò)700道文本型題目，其中160道屬于「黃金組」（Gold Set）題目。

競(jìng)賽賽道有100道題，強(qiáng)調(diào)短答案形式，便于核驗(yàn)對(duì)錯(cuò)。

研究賽道有60個(gè)原創(chuàng)研究子任務(wù)，由博士階段或更資深的研究者設(shè)計(jì)，用10分制評(píng)分，拿到至少7分才算通過(guò)。

題目質(zhì)量是有充足保障的：

競(jìng)賽賽道和42位前國(guó)際獎(jiǎng)牌得主或國(guó)家隊(duì)教練合作，總計(jì)109枚奧賽獎(jiǎng)牌；

研究賽道由45位合格科學(xué)家與領(lǐng)域?qū)＜覅⑴c，覆蓋從量子電動(dòng)力學(xué)到合成有機(jī)化學(xué)，再到進(jìn)化生物學(xué)等細(xì)分方向。

OpenAI還承認(rèn)了一個(gè)不那么「中立」的細(xì)節(jié)。

兩套題在制作流程里會(huì)刻意淘汰OpenAI自家內(nèi)部模型已經(jīng)能答對(duì)的題，因此這套評(píng)測(cè)對(duì)OpenAI自家模型可能更苛刻一些。

與此同時(shí)，他們開(kāi)源了兩套賽道的「黃金組」題目，其余題目保留，用來(lái)追蹤數(shù)據(jù)污染。

OpenAI說(shuō)，短答案適合機(jī)器判定，但研究型任務(wù)需要更細(xì)顆粒度的量表，于是他們用GPT-5充當(dāng)模型判卷員，對(duì)照短答案逐項(xiàng)打分。

理想狀態(tài)是請(qǐng)專家逐題批改，現(xiàn)實(shí)是規(guī)模不允許，于是規(guī)則被設(shè)計(jì)成盡量客觀且可被模型檢查，并配了驗(yàn)證流程來(lái)校準(zhǔn)難度與正確性。

成績(jī)單上，OpenAI給出了一輪初測(cè)對(duì)比。

他們?cè)u(píng)測(cè)了GPT-5.2、Claude Opus 4.5、Gemini 3 Pro、GPT-4o、OpenAI o4-mini、OpenAI o3等模型。OpenAI表示，GPT-5.2在競(jìng)賽題上得分77%，在研究題上得分25%，目前領(lǐng)先；Gemini 3 Pro在競(jìng)賽題上拿到76%，緊跟其后。

更值得注意的是失敗原因。

OpenAI從答題記錄里總結(jié)，前沿模型仍會(huì)犯推理、邏輯和計(jì)算錯(cuò)誤，會(huì)卡在冷門(mén)概念上，也會(huì)出現(xiàn)事實(shí)性偏差。

另一個(gè)很樸素的觀察也被寫(xiě)進(jìn)正文：模型想得更久，準(zhǔn)確率往往更高。

OpenAI對(duì)FrontierScience的邊界也直言不諱。

它把科研切成可控的題目，這讓評(píng)測(cè)更標(biāo)準(zhǔn)化，但也意味著它更像一張高清截圖，而不是科研的全景紀(jì)錄片。

尤其是它不評(píng)估模型能否提出真正新穎的假設(shè)，也不覆蓋它與多模態(tài)數(shù)據(jù)和現(xiàn)實(shí)實(shí)驗(yàn)系統(tǒng)打交道的能力。

接下來(lái)，OpenAI計(jì)劃迭代題庫(kù)、擴(kuò)展領(lǐng)域，并配套更多真實(shí)世界評(píng)估，看這些系統(tǒng)究竟讓科學(xué)家多做成了什么。

奧賽金牌≠一流科學(xué)家，AI距離成為真正能獨(dú)當(dāng)一面的一流科學(xué)家，還有很長(zhǎng)的路要走完。

參考資料：

https://openai.com/index/frontierscience/

秒追ASI

?點(diǎn)贊、轉(zhuǎn)發(fā)、在看一鍵三連?

點(diǎn)亮星標(biāo)，鎖定新智元極速推送！