OpenAI 测 GPT-5 进湿实验：自主改写克隆方案，效率提升 79 倍

过去几年，AI 在数学猜想或者代码编写上展现的推理能力，大家已经见怪不怪了。但纯理论推演和真实的物理世界隔着一道鸿沟：在生物学这样的湿实验里，哪怕理论上算得再漂亮，试管里的分子不反应就是不反应。

OpenAI 最近公布了一项新实验。他们和生物安全初创公司 Red Queen Bio 合作，把 GPT-5 放进了一个真实的湿实验闭环中。令人意外的是，在完全没有人类提示引导的情况下，GPT-5 自己摸索并优化了一套分子克隆流程，最终将克隆效率直接拉高了 79 倍。

梳头发与找对象：AI 自创的反应机制

研究团队选择的测试对象是分子生物学里极常见的 Gibson 组装技术。这项技术自 2009 年发明以来就被广泛使用，研究人员这次以 New England Biolabs 开发的商用 HiFi 组装系统为起点，任务是将绿色荧光蛋白基因拼接到质粒载体 pUC19 中。

Gibson 组装原本最大的优点就是简单，所有反应都在单一温度下的同一支试管里搞定。但这往往也意味着反应效率还有妥协和改进的余地。

在优化方案中，GPT-5 提出了一套名为 RAPF-HiFi 的新机制。它引入了两种额外的蛋白质：大肠杆菌的重组酶 RecA，以及来自噬菌体 T4 的单链 DNA 结合蛋白 gp32。

它的逻辑很形象：gp32 就像一把梳子，专门把松散缠绕的单链 DNA 末端梳顺、解开二级结构；随后 RecA 像个红娘，引导每根单链快速精准地找到匹配的目标。不仅如此，模型还自主设计了一套温度阶梯：先在 50 度进行初始反应，降温到 37 度让这两个辅助蛋白工作，最后再升温至 50 度促使辅助蛋白脱落并完成组装。光是这套温控与酶反应的新组合，就带来了超过 2.5 倍的效率提升。

敢对教科书经验开刀的简单操作

除了酶反应本身，分子克隆还有一个关键瓶颈：把拼好的 DNA 导入细菌细胞的转化步骤。

在这个环节，GPT-5 提出了一个违反常规直觉的方案。在常规实验中，高效率的化学感受态细胞通常被认为非常娇贵脆弱，实验员一般尽量避免剧烈操作。但模型却建议在 4 度条件下对细胞进行离心，把液体浓缩一半体积后再重悬，以此增加分子碰撞的概率。

结果显示，细胞不仅耐受住了离心，这种浓缩操作直接在最终验证中带来了超过 30 倍的转化效率提升。加上酶反应的改进，整体端到端效率达到了惊人的 79 倍。

更值得琢磨的是这套实验的工作方式：人类科学家只充当执行者，负责按照模型生成的方案加样、离心、计数并上传数据，Prompt 完全固定，人类不提供任何方向性的线索。模型则是依靠前一轮的实验反馈，像进化算法一样自主迭代。

为什么重要

这项实验的价值并不只是帮实验室省了几盒试剂，它第一次证明了前沿模型具备在物理实验中独立探索并发现有效机制的能力。对于做蛋白质工程、基因筛选或者菌株改造的研究人员来说，克隆文库的效率往往决定了项目的上限，如果能用现成试剂换来数十倍的效率飞跃，研发周期和成本都会直接被压缩。

从技术实现的角度看，我们认为 OpenAI 这次展示的闭环设计非常聪明。他们特意限制了人类干预，用固定的提示词倒逼模型靠实验结果迭代，排除了人类专家在潜移默化中递答案的嫌疑。这也暴露出当前系统的一个明显短板：因为提示词固定，模型花在漫无目的探索上的精力过多，反而没能精细化深挖那些已经表现不错的变量组合。

在行业层面，这类能力必然会加速生物领域的 AI 落地，但同时也会让监管神经紧绷。OpenAI 在报告中特别提到了生物安全框架，因为一旦大模型能够自主优化病毒组装或生化合成的步骤，潜在的风险和门槛将完全不在一个量级。无论如何，AI 走进湿实验室并充当首席方案设计师的时代，看起来已经拉开了序幕。