今天，AI科技圈全体狂欢。
凌晨，OpenAI发布了新一代旗舰模型GPT-6 Astra，号称地表最强AI大模型。
它在计算机使用、浏览、软件工程、网络安全、科学和专业工作领域，全部刷新SOTA。
OpenAI副总裁Greg Brockman称这是一次“世代跃迁”，甚至表示它开启AGI的新时代。
目前，绝大多数的报道都是代码、视频生成能力，但关于AI怎么做科学研究这块，几乎没人细讲。
但如果把视线从AGI叙事上移开，再看一眼GPT-6 Astra的能力数据，会发现一个更值得AI4S关注的变化。
AI模型正在跨过一道新的门槛。
这一次，真正值得细读的，不是它离AGI还有多远，而是它已经开始具备什么样的科学能力。
Greg Burnham将其描述为：“一个时代的结束，另一个时代的开始。”
01
科研Agent，能力更强了
首先，需要介绍一下Terminal-Bench这个基准。
它已成为AI智能体能力评估的重要标杆，几乎所有前沿实验室都在使用它来追踪和比较各自智能体的性能。
Terminal-Bench Science 0.1，则被称为“科学版Terminal-Bench”，专门测试智能体能否用代码和终端工具完成科研工作流的评测
它一共包含70个由领域研究人员策划的任务，覆盖生命科学、物理科学、地球科学、数学科学和工程科学五大领域。
在这个基准上，Astra以64.6%的成绩刷新了SOTA，作为对照的Claude Fable 5.1，是52.6%。
不仅如此，Astra跑出这个成绩所用的预估API成本，还比对照组低了约31%。
也就是说，这不只是能力上的领 先，还是效率上的领 先。
放回AI4S的场景里理解一下，以前“文献调研→提出假设→跑模拟→核对数据→给出下一步建议”这条链条，是分成好几轮对话，靠人工衔接。
现在，这条链条理论上已经能被一个Agent自己串起来跑完。
一位科学家直接用Astra做出了一个复杂的生物医学应用，专门用来分析流式细胞术的数据。
流式细胞术是免疫学里最基础的技术之一，让科学家能一次性分析血液、组织或者其他样本里，成千上万甚至几百万个单细胞，用带荧光标记的抗体，把特定的细胞类型揪出来，顺便测一下它们表达了什么蛋白质。
以前该领域一直被商业软件占领。
这位科学家表示，他们实验室这么多年，每年都要为分析这类数据的商业软件，掏出几千美元的订阅和授权费。
现在，他把所有订阅全取消了。因为他用Astra几乎已经自己搭出了一个功能齐全、研究级别的同类应用。
而且他还补了一句，这个UI/UX，已经比他用过的很多商业工具都要好。
以前我们聊AI4S，聊的还是AI能不能帮科学家提效。这个案例已经不是提效了，这是一个科学家，靠自己写Prompt，把一整个商业软件公司，给绕过去了。
那些靠卖分析软件订阅费吃饭的公司，这一刻，可能真的要开始睡不着觉了。
不仅如此，Agent成本大幅下降意味着，原来只有大药企、头部实验室才能使用的科研Agent能力，中小型团队可能也开始玩得起了。
02
科研跑分：从能聊到能考
官方报告中，专门给出了Advancing scientific discovery（推进科学发现）这一章。
在这一章，GPT-6 Astra拿了一系列SOTA（最 佳表现）。
GPQA Diamond能够测试研究生水平的生物学、化学和物理学科学推理能力。GPT-6 Astra在对比测试中取得了96.0%的新高分。
HealthBench Professional是用于评估大语言模型在真实临床工作场景中表现的基准，GPT-6 Astra得分最高63.4%，比上一代Sol的60.5%又高了一截。
这两个还算是传统项目，大家都在卷。真正有意思的是接下来这几个，之前很少有模型愿意测试的难度极高的垂类基准。
LifeSciBench：评估AI在整个生命科学研究中的实用性。
GeneBench-Pro：专注于计算生物学与基因组学中的高阶统计推理能力。
MedChemBench：专注于药物化学中的推理与决策能力。
GPT-6 Astra分别在三个基准中，拿到了60.3%、37.8%、49.3%的分数，都略有提升，同时成本大幅度下降。
但这里有个细节，OpenAI在脚注里写了一句：Claude Fable 5和5.1，没有被放进这几项的对比里。
理由是，它们在这些题目上，大部分选择了直接拒答。
不是答错，而是拒答。两个模型的表现，其实是两条完全不同的安全路线。
Anthropic一条更保守，碰到敏感的生化类问题，宁可不答也不冒险；而OpenAI一条选择在监管框架内，尽量把答案给出来。
这对之后科学家怎么选AI模型，这应该会有实实在在的影响。
03
桌面操作能力，史诗级提升
还有一组数据，容易被忽略，但对AI4S行业的冲击可能是最直接的。
ScreenSpot-Pro，测的是Agent在不借助外部工具的情况下，直接识别并操作屏幕上的界面元素。
Astra拿到92.7%，对照的GPT-5.6 Sol是76.9%。
OSWorld 2.0，测的是Agent在真实桌面环境里完成任务的能力，Astra拿到72.6%，Sol是65.7%，Claude Opus 5是70.2%。
BenchCAD，测的是操作专业软件完成实际工作，Astra拿到95.9%，Sol是83.3%。
说明Agent已经能像人一样，直接用鼠标键盘操作那些从来没开放过API、只能靠人工点来点去的老旧专业软件。
不管是ChemDraw、LIMS系统，还是实验室里Excel记录流程。
官网给的两个具体科研场景。
第 一个测序，让Astra直接进到专业生物信息学软件MultiQC里，核查基因测序的质量，把遗传变异可视化出来，帮研究者判断接下来该往哪个方向继续深挖。
第二个追踪细胞，GPT-6 Astra 在 Jupyter中构建并运行细胞追踪工作流程，将原始显微镜图像转换为带标记的轨迹和谱系记录，以帮助研究人员跟踪单个细胞的运动和分裂。
这才是这次AI for Science真正的跨越。
以前AI在科研里扮演的角色，更像是一个博学的学士，本质上还是问答形式。
现在它开始变成一个愿意动手干脏活累活的实验室助理，自己打开软件、自己检查数据、引导科学家做出判断。
如果通用Agent已经不需要专门适配API，直接看屏幕操作就能完成任务，那垂直工作台集成的含金量，正在被悄悄稀释。
04
写在最后
回到开头那句话。
一个时代结束，另一个时代开始。我觉得这句话放在这里，倒也没那么标题党。
以前我们说AI4S，除开基础大模型外，聊得更多是垂直平台怎么把专业软件的接口打通，集成到一个工作台中。
这是一道很深的护城河，因为大多数科研软件压根没开放过API，得靠人一点点适配。
但这次Astra展示的东西，不仅是模型能力的大幅提升，还在展示：不需要平台开放接口，AI直接看屏幕操作就行了。
当通用大模型的科学能力每往前挪一步，垂直AI4S平台就必须回答一个问题——你比它多做对了什么。
是数据的专有性，是流程的领域know-how，还是验证环节的不可替代性？
这个问题AI4S行业迟早要正面回答。
真正能留下来的，可能只有最稀缺的能力。一方面，手里有没有别人拿不到的专有数据；另一方面，是否具有基于物理世界的验证能力，这还是AI模型的短板。
至于AGI来没来，交给别人吵去吧。
