OpenAI 聯手 Ginkgo：GPT-5 驅動自動化實驗，蛋白質合成成本降 40%

數學和物理好的 AI，在螢幕裡怎麼算都行，但生物學不行。生物研究繞不開溼實驗，必須有人在實驗室裡配試劑、搖瓶子、等結果，既費時間又燒錢。

現在 OpenAI 決定把 GPT-5 接進真實的實驗室裡。2 月 5 日，OpenAI 宣佈與合成生物學公司 Ginkgo Bioworks 合作，利用自動化雲實驗室和 GPT-5 進行閉環實驗，成功將無細胞蛋白質合成的成本降低了 40%。

讓機器人給 AI 打工

無細胞蛋白質合成（CFPS）是一種不需要培養活細胞就能造蛋白質的技術。它直接把細胞裡的“生產機器”抽出來，放進受控的液體裡混合，當天就能測出結果，非常適合快速試錯。

問題在於，這套反應極其複雜，裡面有 DNA 模板、細胞裂解液、能量再生試劑和各種鹽類，相互之間怎麼影響，靠人類直覺很難摸透。而且工業級的試劑價格昂貴，一旦大規模鋪開，成本往往吃不消。

這次他們搭了一套閉環系統。GPT-5 負責設計實驗配方，Ginkgo 的自動化雲實驗室用機械臂遠端執行，測完資料再直接喂回給 GPT-5，由它決定下一輪試什麼。

為了防止模型滿嘴跑火車，團隊在中間加了一道嚴格的程式碼驗證，只要配方在物理上沒法被機械臂執行，就會被立刻攔下，杜絕那些“看起來很美但做不出來”的紙上方案。

在配上電腦、瀏覽器查閱論文和資料分析工具後，GPT-5 僅用了 3 輪實驗、花了兩個月時間，就刷出了新紀錄。整個專案歷經 6 輪閉環，在 580 塊自動化孔板上測試了超過 36000 種反應組合，不僅把蛋白質生產總成本打掉 40%，試劑成本更是降了 57%。

機器才懂機器的難處

有意思的是，GPT-5 找到的很多最優配方，人類科學家以前根本沒試過。

在傳統實驗室裡，研究員一般用試管做實驗，氧氣足、混勻好；但自動化實驗室用的是高通量微孔板，反應體積小，含氧量也低，很多常規配方在機器里根本不好使。

GPT-5 很快摸清了機器環境的脾氣，專門針對低氧和微量環境挑出了魯棒性更強的配方組合。它還發現，微調緩衝液、能量再生組分和多胺這些相對便宜的輔料，就能大幅提高昂貴原料的利用率。

不過這項技術目前還不算完全成熟。OpenAI 這次只在超級摺疊綠熒光蛋白（sfGFP）和單一 CFPS 系統上跑通了流程，換成別的複雜蛋白靈不靈，還得繼續驗證。現場的試劑裝載和部分操作，依然離不開人類實驗員在旁盯著。

此外，這種讓模型直接指導溼實驗的能力也帶來了生物安全風險，OpenAI 表示會將其納入現有的防備框架（Preparedness Framework）進行監控。

為什麼重要

過去幾年，AI 在生物領域的最大成就大多停留在設計端，比如預測蛋白質結構的 AlphaFold。但會畫圖紙不等於能量產，怎麼把成本打下來、怎麼跑通合成，依然是一道髒活累活集中的鴻溝。

OpenAI 這一步走得相當聰明。他們沒有試圖去顛覆生物學底層理論，而是把大模型當成一個不知疲倦的實驗管家，直接接入現成的自動化硬體。在試錯空間極其龐大的高維引數裡，人類科學家的直覺很容易遇到瓶頸，但對不知疲倦、能連續試幾萬次配方的 AI 來說，這恰恰是它的舒適區。

在我們看來，這標誌著 AI 正在從“讀論文的助理”變成“下場操作的研究員”。40% 的成本降幅放在實驗室裡可能只是省了科研經費，但要是推廣到生物醫藥、酶製劑甚至日常化工品生產上，帶來的槓桿效應會非常驚人。

當然，普通開發者現在還用不上這套方案，建立雲實驗室和自動化硬體的門檻依舊高得嚇人。但它指明瞭一個非常明確的趨勢：未來的生物學競爭，拼的可能不再是誰招的博士生更多，而是誰能把最聰明的模型和吞吐量最大的機械臂連在一起。