结论先行：
大模型已经是世界级“做题家”，
但距离真正像博士一样做科研，还有一整代差距。
最近 OpenAI 放出了一篇不算太“热搜”，但在 AI 圈子里非常重磅的论文：
FrontierScience：Evaluating AI’s Ability to Perform Expert-Level Scientific Tasks
如果你只看模型发布会，你可能会觉得：
GPT-5 已经快接近“通用科学家”了。
但如果你认真读完这篇论文，只会得出一个更冷静、也更真实的结论：
AI 非常擅长解决“高难度科学问题”，
但在“真正做科研”这件事上，还远远不够。
这篇文章，我用工程师 + AI 从业者视角，给你完整拆解这篇论文在说什么，以及它真正想表达的东西。
一、为什么 OpenAI 要重新做一个“科学 Benchmark”？
先说一个很多人忽略的事实：
现有的科学类 Benchmark，已经被大模型刷爆了
比如：
MMLU
GPQA
ScienceQA
这些基准最初的目的，是验证模型有没有“科学推理能力”。
但问题是：
大多是选择题
或者是已知知识问答
本质上仍然是“会不会考试”
结果就是：
模型分数越来越高，但你心里很清楚——
它真的能帮你做科研吗？
OpenAI 这篇论文的出发点其实非常直接：
我们需要一个评估：
模型能不能完成“专家级科学工作”，
而不是“考得好不好”。
二、FrontierScience 到底在测什么？
这套 Benchmark 只有一个核心目标：
区分“会解题”和“会做研究”
所以他们直接把评测拆成了两个完全不同的轨道。
三、第一条赛道：Olympiad（专家级解题能力）
这是什么？
一句话概括：
国际奥赛级别的科学题，但是为大模型量身定做的
特点非常狠：
难度 ≥ IPhO / IChO / IBO
所有题目全新原创
出题人全是：
国际奥赛金牌得主
国家队教练
而且为了防止“背题”：
如果 OpenAI 内部模型能直接做出来
题目会被直接作废重写
考察的是什么？
严谨推理
多步计算
数学 / 物理 / 化学建模能力
模型表现如何？
结果很炸，但也在意料之中：
GPT-5.2：77%
Gemini 3 Pro：76%
已经接近“专家级解题水平”
如果你只看到这一组结果，很容易得出结论：
GPT 已经快能当科学家了
但别急，真正的重头戏还在后面。
四、真正的核心：Research 轨道（科研能力）
如果说 Olympiad 是“做题”，
那Research 才是“做研究”。
Research 轨道在干什么？
每一道题，本质上都是：
一个博士在科研过程中会遇到的“研究子问题”
不是选择题，不是算数题，而是：
如何拆解问题
如何选择方法
中间推导是否合理
假设是否站得住脚
论文里明确写了：
人类专家完成一道 Research 题，通常需要 3–5 小时
关键创新：用 Rubric 给科研打分
科研不是对错题，所以他们用了一个很聪明的办法：
10 分制 Rubric 评分
比如：
写出关键方程：2 分
解释物理意义：1.5 分
识别主要限制条件：1 分
最终结论合理：2 分
≥7 分 = 成功完成研究子任务
评分不是人来打，而是：
用 GPT-5 当裁判
严格按照 Rubric，不允许“主观加分”
那模型在 Research 上表现如何？
直接给结论：
全部模型都不及格
| 模型 | Research 得分 |
|---|---|
| GPT-5.2 | 25% |
| GPT-5 | 25% |
| Gemini 3 Pro | ~22% |
也就是说：
100 个研究子问题，模型只能靠谱完成 25 个
五、这说明了什么？（重点）
这组结果其实非常诚实，也非常重要：
AI 已经是“世界级做题家”
高难度
强约束
有标准答案的问题
👉 表现极强
但 AI 还不是“研究者”
在 Research 任务中，模型常见问题包括：
推理链中途断裂
对冷门概念理解错误
假设看似合理，实际不成立
自信地给出错误结论
一句话总结就是：
AI 会推理，但缺乏科研中的判断力
六、这篇论文最有价值的地方在哪？
不是那几个分数，而是它明确划了一条线：
“解题能力 ≠ 科研能力”
这对整个 AI 行业非常重要。
以后再有人说：
“大模型已经能自动做科研了”
“AI 很快就能替代科学家”
你只需要问一句：
FrontierScience Research 跑了多少分？
七、对工程师和 AI 从业者的启示
1️⃣ 别把模型当“科学家”，要当“科研加速器”
文献综述
初步推导
假设生成
非常强
2️⃣ 真正难的是“研究闭环”
多轮假设
实验验证
修正方向
这是当前模型最弱的地方
3️⃣ 未来方向已经很清晰
Agent + 工具
长程规划
与真实实验系统闭环
八、最后一句话总结
FrontierScience 告诉我们：
GPT 已经站在“专家解题”的天花板，
但距离“真正的科学研究者”，
还差一个完整的科研能力体系。
