人工智能在科研领域的表现再次成为焦点。OpenAI近日推出全新基准测试FrontierScience，通过物理、化学、生物三大领域的博士级难题，检验AI系统能否突破知识记忆层面，实现真正的科学推理能力。这项测试揭示了一个关键结论：即便在标准化考试中表现优异，当前AI距离成为独立科研工作者仍有显著差距。
该基准测试包含700余道文本型题目，分为竞赛赛道与研究赛道两大模块。竞赛赛道聚焦100道短答案题目，要求在严格约束条件下完成精准推理；研究赛道则设置60个开放式子任务，涵盖量子电动力学、合成有机化学等前沿方向，需在无标准答案的情况下构建完整逻辑链条。测试特别设置"黄金组"160道题目作为核心评估样本，其中研究赛道题目由45位领域专家设计，采用10分制评分标准，7分以上视为通过。
测试结果显示，GPT-5.2在竞赛赛道取得77%的正确率，研究赛道得分25%，暂居领先地位；Gemini 3 Pro以76%的竞赛成绩紧随其后。但深入分析错误类型发现，前沿模型普遍存在推理断层、概念混淆和计算偏差等问题。例如在量子物理题目中，某模型因混淆"自旋轨道耦合"与"角动量守恒"导致全盘错误；有机化学合成路径规划中，另一模型因忽视立体选择性反应条件而设计出不可行方案。
测试设计团队刻意排除现有模型能够解答的题目，使得评估标准更为严苛。为确保评分客观性，研究赛道采用GPT-5作为自动评分系统，通过对照专家制定的评分细则进行逐项判定。尽管这种设计可能对OpenAI自家模型形成额外挑战，但开发团队强调这有助于更真实反映模型在未知领域的适应能力。测试数据表明，模型思考时间与准确率呈正相关，在给予充分推理时间的情况下，部分题目的正确率可提升15-20个百分点。
这项基准测试也暴露出当前评估体系的局限性。OpenAI坦言，现有测试框架将复杂科研过程简化为可控题目，如同"用显微镜观察森林"，难以衡量模型提出创新假设的能力，也无法评估其处理多模态数据或指导实验操作的实际价值。测试团队正在开发扩展题库，计划纳入更多跨学科场景和真实实验数据，同时建立长期追踪机制，观察AI系统如何切实辅助科研人员提升工作效率。
