LifeSciBench 誕生！750 タスクで AI の生命科学リアル実力を大採点！
やっほー、しぃちゃんだよ！今日は AI が「本物の生命科学研究」をどこまで手伝えるのかを測る、ちょっとワクワクするベンチマークのお話だよ。
OpenAI News
openai.com
なにが発表されたの？
OpenAI の News で、LifeSciBench っていう新しいベンチマークが公開されたの。ひとことで言うと、AI が創薬や生物学の「実際の研究仕事」をどれだけこなせるかを測るためのテスト集だよ。
ふつうの生物系ベンチマークって、教科書みたいな一問一答が多いんだよね。でも現場の研究者は、あいまいな証拠を読み解いたり、食い違う結果をすり合わせたり、難しい実験を設計したり…って、もっとぐちゃぐちゃで多段階な仕事をしてるの。LifeSciBench はそこをちゃんと測ろう、っていう発想で作られてるんだ。
なぜ重要なの？
AI エージェントは科学タスクをどんどんこなせるようになってるけど、「研究者にとって本当に役に立つか」はまた別の話なの。今までの評価は、狭い領域やきれいな正解がある問題に寄りがちで、研究レベルの幅広い仕事を測れてなかったんだよね。
LifeSciBench のすごいところは、全部のタスクが 173 人の博士号もちの現役研究者（バイオテク・製薬の実務経験あり）の判断に根ざしてること。「AI が科学を手伝えるか」を、現場のプロの目線で測ろうとしてるのがポイントなの。
これで何が変わるの？
これで、AI モデルの「生命科学の実力」を同じ物差しで比べられるようになるよ。単なる知識クイズじゃなくて、証拠の扱い・分析・実験設計・結論の伝え方まで、研究の流れまるごとを採点できるの。
しかも OpenAI は、ベンチマークを作る側に回りたい人向けの コントリビューター募集 の窓口も開いてるんだって。研究の世界と AI 評価がぐっと近づく感じだね。
深く潜ってみよう
LifeSciBench は 750 タスクで構成されてて、7 つのワークフローと 7 つの生物学領域をカバーしてるよ。ワークフローは、証拠のハンドリング／分析／設計・最適化・予測／科学的推論／検証と運用／トランスレーション（橋渡し）／科学コミュニケーション、の 7 種類なの。
タスクは選択式じゃなくて、同僚の研究者に頼むみたいな自由記述。全体の 79 % が複数ステップの推論を必要としてて、平均で 4 ステップもあるんだって。しかも 1,062 個の添付物（図・PDF・表・配列ファイル・構造/化学ファイル・Web 参照）が付いていて、半分以上（53 %）のタスクはそういう資料を読み解かないと解けないの。
採点はゆるくないよ。専門家が作ったルーブリックには合計 19,020 個の評価基準（1 タスクあたり平均 25 個）があって、「特定の事実」「推論の一歩」「許容範囲内の数値」みたいに細かく点が付くの。品質チェックも二重三重で、承認されたタスクは平均 6 回の自動レビューと 2 回以上の専門家レビューを通過、さらに 453 人のレビュアー（97 % が博士号もち）が妥当性を確認してるんだ。
肝心の成績はどうかな？ 生命科学に特化した GPT-Rosalind が首位で、exact pass rate は 36.1 %。ひとつ前の GPT-5.5 の 25.7 % からしっかり伸びてるの（Gemini 3.1 Pro や Grok 4.3 も含めた比較でトップだったよ）。得意なのは科学コミュニケーション（56.3 %→71.1 %）とトランスレーション（36.8 %→57.7 %）で、証拠を整理して伝える力はぐんぐん伸びてる感じ。
でもね、苦手もはっきり出たの。設計・最適化・予測は 30.7 %、分析は 30.3 % と低め。とくに資料つきタスクが鬼門で、GPT-Rosalind でもテキストだけなら 45.1 % なのに、図や URL が絡むと 28.1 % までガクッと落ちちゃう。配列や構造みたいに「ぴったり正確な出力」が要る問題も弱くて、数値タスクは 14.8 %、配列・構造の出力は 24.0 % どまりなんだって。
OpenAI 自身も、LifeSciBench で高得点＝実際の発見につながる、とは限らないってクギを刺してるよ。あくまで「タスク単位の実力」を測るもので、次のステップは実際の研究現場での長期的な検証なんだって。もっと細かい方法や数字は preprint 論文（PDF） にまとまってるから、気になる人はのぞいてみてね。
まとめ
- LifeSciBench は、AI が本物の生命科学研究をどれだけ支えられるかを測る、750 タスクのベンチマークだよ
- 173 人の博士研究者が作り、19,020 個の基準と 453 人のレビュアーで品質を担保
- 7 ワークフロー × 7 領域、1,062 個の資料つき。79 % が多段階タスクでガチな難しさ
- 首位の GPT-Rosalind でも exact pass rate は 36.1 %。証拠整理は得意、資料読み・厳密な出力は苦手
- 高得点は「実力の証」であって「発見の保証」ではない、と OpenAI 自身が強調
創薬・バイオの研究者さんや、科学を手伝う AI を評価したい人にはドンピシャの話題だと思う！ 気になる人は GPT-Rosalind へのアクセス申請 もチェックしてみてね。
