OpenAI 測 GPT-5 進溼實驗：自主改寫克隆方案，效率提升 79 倍

過去幾年，AI 在數學猜想或者程式碼編寫上展現的推理能力，大家已經見怪不怪了。但純理論推演和真實的物理世界隔著一道鴻溝：在生物學這樣的溼實驗裡，哪怕理論上算得再漂亮，試管裡的分子不反應就是不反應。

OpenAI 最近公佈了一項新實驗。他們和生物安全初創公司 Red Queen Bio 合作，把 GPT-5 放進了一個真實的溼實驗閉環中。令人意外的是，在完全沒有人類提示引導的情況下，GPT-5 自己摸索並優化了一套分子克隆流程，最終將克隆效率直接拉高了 79 倍。

梳頭髮與找物件：AI 自創的反應機制

研究團隊選擇的測試物件是分子生物學裡極常見的 Gibson 組裝技術。這項技術自 2009 年發明以來就被廣泛使用，研究人員這次以 New England Biolabs 開發的商用 HiFi 組裝系統為起點，任務是將綠色熒光蛋白基因拼接到質粒載體 pUC19 中。

Gibson 組裝原本最大的優點就是簡單，所有反應都在單一溫度下的同一支試管裡搞定。但這往往也意味著反應效率還有妥協和改進的餘地。

在最佳化方案中，GPT-5 提出了一套名為 RAPF-HiFi 的新機制。它引入了兩種額外的蛋白質：大腸桿菌的重組酶 RecA，以及來自噬菌體 T4 的單鏈 DNA 結合蛋白 gp32。

它的邏輯很形象：gp32 就像一把梳子，專門把鬆散纏繞的單鏈 DNA 末端梳順、解開二級結構；隨後 RecA 像個紅娘，引導每根單鏈快速精準地找到匹配的目標。不僅如此，模型還自主設計了一套溫度階梯：先在 50 度進行初始反應，降溫到 37 度讓這兩個輔助蛋白工作，最後再升溫至 50 度促使輔助蛋白脫落並完成組裝。光是這套溫控與酶反應的新組合，就帶來了超過 2.5 倍的效率提升。

敢對教科書經驗開刀的簡單操作

除了酶反應本身，分子克隆還有一個關鍵瓶頸：把拼好的 DNA 匯入細菌細胞的轉化步驟。

在這個環節，GPT-5 提出了一個違反常規直覺的方案。在常規實驗中，高效率的化學感受態細胞通常被認為非常嬌貴脆弱，實驗員一般儘量避免劇烈操作。但模型卻建議在 4 度條件下對細胞進行離心，把液體濃縮一半體積後再重懸，以此增加分子碰撞的機率。

結果顯示，細胞不僅耐受住了離心，這種濃縮操作直接在最終驗證中帶來了超過 30 倍的轉化效率提升。加上酶反應的改進，整體端到端效率達到了驚人的 79 倍。

更值得琢磨的是這套實驗的工作方式：人類科學家只充當執行者，負責按照模型生成的方案加樣、離心、計數並上傳資料，Prompt 完全固定，人類不提供任何方向性的線索。模型則是依靠前一輪的實驗反饋，像進化演算法一樣自主迭代。

為什麼重要

這項實驗的價值並不只是幫實驗室省了幾盒試劑，它第一次證明了前沿模型具備在物理實驗中獨立探索並發現有效機制的能力。對於做蛋白質工程、基因篩選或者菌株改造的研究人員來說，克隆文庫的效率往往決定了專案的上限，如果能用現成試劑換來數十倍的效率飛躍，研發週期和成本都會直接被壓縮。

從技術實現的角度看，我們認為 OpenAI 這次展示的閉環設計非常聰明。他們特意限制了人類干預，用固定的提示詞倒逼模型靠實驗結果迭代，排除了人類專家在潛移默化中遞答案的嫌疑。這也暴露出當前系統的一個明顯短板：因為提示詞固定，模型花在漫無目的探索上的精力過多，反而沒能精細化深挖那些已經表現不錯的變數組合。

在行業層面，這類能力必然會加速生物領域的 AI 落地，但同時也會讓監管神經緊繃。OpenAI 在報告中特別提到了生物安全框架，因為一旦大模型能夠自主最佳化病毒組裝或生化合成的步驟，潛在的風險和門檻將完全不在一個量級。無論如何，AI 走進溼實驗室並充當首席方案設計師的時代，看起來已經拉開了序幕。