斯坦福审计发现44%的大模型结论已失效，实验室自动化资金持续流入

购买自动化设备的实验室，被要求把工作流建立在这些模型之上，而它们有记录的行为可能在一年左右就发生变化。Queen和Zou检验的50条结论中，44%已失效，16%仍然成立，6%变得更强。采购时做的验证，未必能描述六个月后的系统。对买家来说，实际问题很具体：这条结论是在哪个模型版本上测的，什么时候测的。

哪些结论失效，失效有多快

两位研究者检验了50条被广泛引用的大语言模型结论，对照的是8家开发商在2024年7月至2026年9月间发布的20个模型。

研究还发现，另有34%的结论明显减弱。在22条带有预估失效期限的结论中，平均生命周期为15.7个月。失效随时间加速：一年后16%已失效，两年后这一数字升至39%。

推理类结论老化得最厉害。与推理相关的9条结论中有5条已失效，没有一条保持成立或变得更强。这份清单包括数出“strawberry”里的字母、在不熟悉的进制下做算术、在长上下文中丢失信息，以及用户提出质疑时就放弃正确答案。研究者怀疑这些错误都有一个“正确”结果，开发者因此有明确的训练目标。

关于偏好和倾向的结论寿命更长。在保持成立或变得更强的11条结论中，3条涉及模型充当评估者，3条涉及模型对用户的谄媚。社会偏见则有好有坏：偏左的政治倾向依然存在，性别刻板印象和内隐联想偏见有所减弱，而对非裔美国人英语使用者的偏见在趋势数据中方向发生了反转。

流入自动化实验室的资金

Opentrons Labworks表示已完成4000万美元E轮融资，由Avego领投，BroadOak Capital Partners参投。公司没有披露估值，也没有披露投资人获得的股份。The AI Insider于10月30日报道了这轮融资。

已装机量是它的卖点。Opentrons称已在80多个国家的实验室部署了超过11000台机器人，包括全球20大制药公司中的90%。公司成立于2014年，销售Flex平台，把机器人仪器与用于标准化实验室操作的软件配在一起。

公司表示，融资所得将用于AI驱动的实验执行、与第三方仪器和软件的更深整合，以及进入更多市场。其开放、由API驱动的架构意在接入现有的研究环境，而不是取代它们。

“数百万科学家每天把大量时间花在机器人就能做的手工工作上，”CEO James Atwood在融资公告中说。Avego管理合伙人James Flexner也这样描述这笔押注：“每一项AI驱动的发现，仍然必须在真实实验室里被验证”。

软件层正在走向开源

OpenScience是一个开源研究智能体，可作为桌面应用、浏览器工作区或终端命令运行，带有shell、Python和R内核。它附带连接ChEMBL、UniProt、PubMed和arXiv的连接器，以及十个面向NVIDIA BioNeMo NIM端点的自带密钥适配器。

项目自己的文档对局限说得很直白。文档称每一步都可见，用户在依赖某个科学结论之前，应检查来源、假设、代码和输出。BioNeMo适配器被标为实验性，需要用户自己的NVIDIA API密钥。

模型仍在哪些地方失败

编造参考文献说明了进展多么不均衡。在Walters和Wilder 2023年的一项研究中，GPT-3.5编造了55%的参考文献。在同样的提示下，GPT-6.1 Sol编造比例为0%，Claude Sonnet 5.5为1%。同样属于2026年模型的Qwen3.7-Flash，编造比例仍达69%。

两跳问题要求模型把它知道的两个事实合起来，仍是弱点。Claude Sonnet 5.5在约10%的情况下仍然失败，而这些情况下它单独回答两个问题都是对的；原始论文中ChatGPT的这一比例为43%。

选哪个模型和用哪一代模型同样重要。在2026年7月至9月发布的模型中，失效结论数量从DeepSeek V4 Pro的11条到GPT-6.1 Sol的30条不等。研究者发现，发布日期、提供商和模型规模都无法可靠预测这一分布。

预测所假设的前提

市场预测假设工具会持续改进。The Business Research Company预计，生命科学领域的AI市场将从2025年的359000万美元升至2026年的444000万美元，新闻稿称这相当于23.6%的复合年增长率。它预测到2030年将达到1043000万美元，复合年增长率为23.8%，并把AI驱动的实验室自动化列为驱动因素之一。

这一预测覆盖生命科学各环节的AI，从远程患者监测到药物发现，并不只是实验室机器人。

Queen和Zou得出的结论比这些预测更窄。他们认为，关于大语言模型的经验性结论，应当作为针对特定模型、特定时点的观察来呈现，而不是当作普遍真理。对一家以某款机器人做标准化的实验室来说，这意味着重新跑一遍验证，而不是继承别人的验证。