哈喽，大家好，小圆最近刷到OpenAI刚发布的一个科研基准测试，瞬间觉得对AI的认知更清醒了，这两年AI在国际数学、信息学奥赛里拿金牌跟开了挂似的，可新出炉的FrontierScience基准一测才发现，这位顶级做题家在真实科研场景里，连及格线都没摸到。
这波测试算是把AI的遮羞布扯得明明白白：奥赛金牌的光环再亮，也不等于能成为一流科学家，今天咱们就好好聊聊这个戳破行业幻想的基准，看看AI到底差在哪儿。
其实是旧的尺子不够用了，2023年有个叫GPQA的科学题库很火，全是博士级别的难题，强调谷歌搜不到答案，当时GPT-4只考了39分，远低于专家的74分基线，可才过两年，GPT-5.2在这个题库里直接考到92分，旧题库被彻底刷穿。
更关键的是，OpenAI早就想清楚了：科学研究根本不是“做题”那套逻辑，科研是持续试错的过程，要自己提假设、设计实验验证、被推翻了再重来，还得把不同领域的线索串成完整逻辑链，之前的测试只考知识点和解题技巧，根本没触及科研的核心。
FrontierScience的设计思路很明确：不搞虚的，直接把AI丢进两种最真实的科学难关里，一套是竞赛风格的题目，考的是在明确约束下把推理做扎实；另一套是科研现场风格的题目，没有标准答案，只看思路能不能走通、逻辑够不够自洽。
最有意思的是OpenAI的私心，为了避免自家模型靠训练数据作弊，他们在出题时特意把内部模型已经能答对的题全筛掉了，等于给自己的模型加了难度buff，同时还开源了黄金组题目，剩下的题目留着追踪数据污染，这套操作算是把公平做到了极致。
OpenAI公布的初测成绩，把“奥赛金牌≠科学家”的反差拉得明明白白，参与测试的GPT-5.2、Claude Opus 4.5、Gemini 3 Pro等顶尖模型，在竞赛题上表现都不差：GPT-5.2拿了77%的得分，Gemini 3 Pro以76%紧随其后，算是保住了“奥赛金牌”的颜面。
可一到研究题，全体翻车，GPT-5.2作为领头羊，得分也才25%，连及格线都没摸到，其他模型更不用提了，更值得琢磨的是AI的翻车原因，OpenAI总结了几点：要么是推理过程中逻辑断链、计算出错；要么是碰到冷门专业概念就卡壳。
还有些时候会犯低级的事实性错误，最朴素的一个发现更扎心：模型花的思考时间越久，准确率才越高，这跟人类科学家灵光一现的创新思维完全不是一回事，其实这也不难理解，小圆打个比方，奥赛题就像精心设计的迷宫，再难也有固定出口。
AI靠强大的推理和刷题积累，总能找到路径；可真实科研是在一片荒野里开路，没有地图、没有标准答案，得自己判断方向、甚至创造新工具，AI现在的本事，还停留在走迷宫的阶段，离开荒野差得远。
OpenAI说接下来要迭代题库、扩展领域，还要做真实世界评估，看AI到底能帮科学家多做成事，这才是关键，AI不用非要成为科学家，能成为“科学家的最佳搭档”，就已经能给科研带来巨大突破了。
热门跟贴