GPT-5真的能自己做实验优化吗？

GPT-5不能直接动手操作，但能自主推理克隆协议、提出修改建议，并根据新实验数据迭代优化。实验中唯一人工干预是科学家执行修改后的协议并上传数据，最终它设计出RecA和gp32协同的新机制，将克隆效率提升79倍。

79倍效率提升是怎么算出来的？

对于固定量的输入DNA，使用GPT-5优化后的协议回收的序列验证克隆数量是基线协议的79倍。其中RAPF组装单独提升2.6倍，T7转化单独提升36倍，两者结合产生累加效应，所有克隆均通过测序确认，误差线为3次独立验证实验的标准差。

GPT-5用了什么新方法提高克隆效率？

GPT-5引入了两种酶构成新机制：来自大肠杆菌的重组酶RecA和噬菌体T4基因32单链DNA结合蛋白（gp32）。gp32平滑并解开松散的DNA末端，RecA引导每条链找到正确匹配，初步筛选确定RAPF组装和T7转化为最佳协议组合。

这个实验安全吗？会不会有生物风险？

实验在严格受控环境下进行，使用良性实验系统并限制任务范围，同时评估模型行为以支持生物安全风险评估。研究遵循《准备框架》，旨在为模型和系统级安全措施开发提供信息，确保AI辅助生物研究的进步不带来安全隐患。

AI人工智能

GPT-5 在湿实验室中优化分子克隆效率 79 倍：AI 加速生物研究的新里程碑

bingdada

八月 2, 2026132 次阅读约 6 分钟阅读

快速回答

GPT-5在湿实验室中通过自主推理优化分子克隆协议，将克隆效率提升79倍。它引入RecA重组酶和gp32单链DNA结合蛋白的新机制，其中RAPF组装和T7转化分别独立提升2.6倍和36倍，两者结合实现累加性能提升。所有克隆均经测序确认，实验在受控良性系统中进行，人类科学家仅负责执行协议和上传数据。

核心要点

引言：AI 加速科学发现的新前沿
实验成果：GPT-5 实现 79 倍效率提升
分析与意义：AI 辅助湿实验的未来
结论与展望

引言：AI

加速科学发现的新前沿加速科学进步是 AI 造福人类最有价值的途径之一。随着 GPT-5 的推出，我们开始看到早期迹象——不仅在于帮助研究人员更快地梳理科学文献，还在于支持新型科学推理，例如发现意想不到的联系、提出证明策略或建议可供专家评估和测试的合理机制。迄今为止，进展最显著的领域是数学、理论物理学和理论计算机科学，这些领域的想法可以在没有物理实验的情况下进行严格检验。然而，生物学则不同：大多数进步依赖于实验室中的实验执行、迭代和经验验证。为了了解前沿模型在这些环境中的表现，我们与生物安全初创公司 Red Queen Bio 合作，构建了一个评估框架，用于测试模型如何在湿实验室中提出、分析和迭代想法。我们建立了一个简单的分子生物学实验系统，让 GPT-5 优化分子克隆协议以提高效率。

实验成果：GPT-5

实现 79 倍效率提升经过多轮实验，GPT-5 引入了一种新机制，将克隆效率提高了 79 倍。克隆是分子生物学的基本工具。克隆方法的效率对于创建用于蛋白质工程、遗传筛选和菌株工程的大型复杂文库至关重要。该项目展示了 AI 如何与生物学家并肩工作，加速研究进展。改进实验方法将帮助人类研究人员更快地推进工作、降低成本，并将发现转化为现实世界的影响。由于生物推理的进步涉及生物安全隐患，我们在严格受控的环境下开展了这项工作——使用良性的实验系统，限制任务范围，并评估模型行为，以便为我们的生物安全风险评估以及模型和系统级安全措施的开发提供信息，正如我们在《准备框架》中概述的那样。

实验设置与结果

在此设置中，GPT-5 自主推理克隆协议，提出修改建议，并结合新实验的数据提出更多改进。唯一的人工干预是让科学家执行修改后的协议并上传实验数据。经过多轮优化，GPT-5 将克隆效率提高了 79 倍以上——这意味着对于固定量的输入 DNA，我们回收的序列验证克隆数量比基线协议多 79 倍。最值得注意的是，它引入了两种酶，构成了一种新机制：来自大肠杆菌的重组酶 RecA 和噬菌体 T4 基因 32 单链 DNA 结合蛋白（gp32）。两者协同工作：gp32 平滑并解开松散的 DNA 末端，然后 RecA 引导每条链找到其正确的匹配。初步筛选和二次实验确定了 RecA 辅助配对与完成 HiFi 组装（RAPF）和转化 7（T7）分别作为最佳酶促和转化协议。与基础 HiFi 反应克隆协议相比，RAPF 组装和 T7 转化分别独立地将克隆效率提高了 2.6 倍和 36 倍；两者结合提供了 79 倍的累加性能提升。所有克隆均通过测序确认。（误差线：n=3 独立验证实验的 SD）。

分析与意义：AI

辅助湿实验的未来虽然这些结果尚属早期，但令人鼓舞。改进是针对我们模型系统中使用的特定克隆设置，并且仍然需要人类科学家来设置和运行协议。即便如此，这些实验表明，AI 系统可以有意义地辅助真实的实验室工作，并可能在未来加速人类科学家的研究。值得注意的是，AI-实验室循环是在固定提示且无人工干预的情况下运行的。这种框架有助于揭示模型独立于人类指导提出真正新颖协议变化的能力，但也将系统锁定在探索阶段，限制了其最大化新发现想法性能的能力。探索与利用之间更好的动态平衡可能会产生更大的收益，因为酶促和转化改进都有很大的完善空间。我们期望规划和任务范围推理方面的进步能够提高简单固定提示支持发现和后续优化的能力。

进化框架：优化现实世界协议

Gibson 组装反应自 2009 年发明以来一直是主要的克隆方法，在分子生物学中广泛采用。Gibson 组装允许分子生物学家通过短暂熔化 DNA 片段的末端，使匹配序列能够密封成一个分子，从而“粘合”DNA 片段。Gibson 组装的一大吸引力在于其简单性：一切都在单管中、单一温度下进行。这些约束自然为改进留下了空间。此外，以下特性使其非常适合评估 AI 模型改进湿实验技术的能力： - 定义明确且组件可控，不像基于细胞的系统那样复杂

具有清晰的优化功能：从固定量的线性 DNA 输入中生成可转化的环状 DNA
相对较快的实验周期（1-2 天）
高维设计空间，需要机械推理来改进：最佳缓冲液、试剂和温度都是相互依赖的我们使用 HiFi 组装——由 New England Biolabs 开发的基于 Gibson 组装的专有酶系统——作为优化起点。我们探索了在去除单步和等温约束后，AI 是否能够创新并从实验反馈中学习。

结论与展望

这项研究展示了 AI 在加速生物研究方面的巨大潜力。GPT-5 不仅优化了现有协议，还提出了全新的机制，显著提升了效率。随着 AI 在推理、规划和实验反馈学习方面的不断进步，我们有望看到 AI 与人类科学家更紧密地合作，推动科学发现的边界。对于生物安全，我们将在严格的安全框架内继续探索，确保 AI 的进步既强大又安全。未来，AI 可能成为实验室中不可或缺的工具，帮助研究人员更快地解决复杂的生物学问题。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。 编辑团队：内容策划 · 技术编辑 · AI 研究组网站：bingdada.com © 2026 Bingdada. 保留所有权利。