LabRobotBench v0.1: Khi AI phải học cách "cứu" một thí nghiệm sinh học đang dang dở

Gamow Labs vừa ra mắt LabRobotBench v0.1, bộ đánh giá dành riêng cho các mô hình AI được kỳ vọng sẽ vận hành robot trong phòng thí nghiệm ướt (wet lab). Thay vì chỉ kiểm tra kiến thức sinh học, bài test đặt ra tình huống thực tế: robot gặp sự cố giữa chừng và AI phải tự chẩn đoán, xử lý để thí nghiệm tiếp tục chạy đúng hạn. Kết quả ban đầu khá khiêm tốn khi mô hình dẫn đầu chỉ đạt 46,7%.

Robot phòng thí nghiệm ướt tại Gamow Labs

Vì sao cần một bộ đánh giá riêng cho robot phòng thí nghiệm?

Gamow Labs là công ty xây dựng các hệ thống AI nhằm giải mã bộ gen người, và họ đang phát triển một phòng thí nghiệm do tác nhân AI (agent) vận hành để tăng tốc công việc này.

Trong môi trường thực tế, khi robot gặp lỗi, toàn bộ thí nghiệm có thể bị đình trệ cho đến khi có người can thiệp. Một tác nhân AI biết tự chẩn đoán vấn đề và an toàn khôi phục công việc sẽ giúp thí nghiệm chạy xuyên đêm, giảm thời gian chết và cho phép các nhà khoa học triển khai nhiều thử nghiệm song song hơn.

Gamow Labs đã xây dựng một môi trường mô phỏng trên máy tính phản chiếu chính xác giao diện điều khiển của robot thật. Nhờ đó, họ có thể phát triển và đánh giá các tác nhân AI trước khi đưa vào phòng thí nghiệm vật lý — một cách tiếp cận an toàn và tiết kiệm chi phí.

Ba tình huống thử thách

LabRobotBench v0.1 gồm các bài kiểm tra về cách mô hình AI suy luận trong không gian vật lý và quy trình sinh học phức tạp. Ba tình huống tiêu biểu:

• Khôi phục thí nghiệm tế bào bị gián đoạn: Robot dừng giữa chừng khi đang xử lý bốn khay tế bào. Ba khay vẫn dùng được, một khay đã hỏng. Tác nhân AI phải xác định khay nào đã làm tới bước nào, hoàn tất việc rửa tế bào, thêm hóa chất đo hoạt tính, chạy máy đo và cất khay đúng cách. Chỉ cần lặp lại một bước hóa chất là có thể phá hỏng mẫu.
• Giải cứu mẫu và vật tư bảo quản lạnh: Nhiều nhiệm vụ tranh nhau sự chú ý. Một thí nghiệm cần hoàn tất bước thêm hóa chất trong vòng 200 giây, trong khi vật tư lạnh chỉ được ra khỏi kho tối đa 240 giây. Vì cùng một robot di chuyển mọi khay, AI phải biết ưu tiên việc nào trước.
• Hoàn tất thí nghiệm đo liều đáp ứng nhạy cảm thời gian: Sau khi tế bào được xử lý hóa chất, AI có 30 phút để đo phản ứng. Đo đúng hạn giúp các nhà khoa học so sánh kết quả giữa các mẫu, nên tác nhân AI cần lập kế hoạch quanh mốc thời gian này chứ không chỉ vận hành thiết bị.

Trong phòng thí nghiệm thật, cứu một mẫu có thể đồng nghĩa với việc để mẫu khác chờ. Tác nhân AI cần theo dõi cả hai hạn chót và chọn thứ tự bảo toàn vật liệu tốt nhất.

Cánh tay robot thực hiện thao tác trong phòng thí nghiệm ướt

Kết quả: Ai cũng hụt hơi

Trên tập kiểm tra giữ lại, điểm trung bình của các mô hình hàng đầu như sau:

• GPT 6.1 Sol (Codex): 46,7%
• Opus 5.5 (Claude Code): 23,0%
• Gemini 4 Argon (Gemini CLI): 20,9%

Con số này cho thấy khoảng cách lớn giữa khả năng suy luận của AI hiện nay và yêu cầu của một phòng thí nghiệm thật. Các lỗi điển hình rất đáng chú ý:

• Opus đặt một khay thí nghiệm chưa hoàn thành trở lại kệ: tế bào đã được rửa nhưng chưa thêm hóa chất đo và chưa đo kết quả. Khay được cất đi, thí nghiệm bỏ dở.
• GPT đưa cả hai khay vật tư lạnh về kho kịp hạn nhưng không hoàn thành một thí nghiệm.
• Ngược lại, Opus hoàn thành cả hai thí nghiệm nhưng để vật tư lạnh ra ngoài quá lâu.
• Gemini đưa khay vào kho lạnh thành công, nhưng tổng thời gian ngoài kho lên tới khoảng 422 giây, vượt xa giới hạn 240 giây.
• GPT lấy được kết quả đo nhưng thời điểm đo trễ 42,5 giây so với hạn, và tác nhân AI vẫn báo cáo thí nghiệm đã hoàn thành.

Ý nghĩa với thị trường công nghệ và tự động hóa

LabRobotBench đánh dấu bước chuyển của lĩnh vực AI tác nhân từ môi trường phần mềm sang môi trường vật lý, nơi sai số không thể hoàn tác bằng một lần chạy lại. Với các công ty đang nghiên cứu tự động hóa phòng thí nghiệm — từ dược phẩm đến công nghệ sinh học — đây là tín hiệu rằng bài toán tích hợp AI với robot công nghiệp vẫn còn nhiều dư địa.

Với độc giả Việt Nam quan tâm đến AI và tự động hóa, xu hướng này cũng đáng theo dõi: các trường đại học và viện nghiên cứu trong nước đang dần đầu tư vào phòng thí nghiệm tự động, và những bộ đánh giá chuẩn như LabRobotBench sẽ trở thành thước đo quan trọng để chọn giải pháp phù hợp.

Gamow Labs cho biết họ đang tìm kiếm đối tác phát triển mô hình nền tảng, đơn vị tự động hóa phòng thí nghiệm hoặc tổ chức muốn mở rộng năng lực thử nghiệm. Bộ đánh giá được kỳ vọng sẽ tiếp tục cập nhật trong các phiên bản tiếp theo.