把手术针交给 AI：GPT-6.1 Sol 连做三次小鼠脑手术，定位误差砍半

手术台上躺着一只小鼠，头骨已经打开。操作者要做的第一件事不是下针，而是找到两个点：Bregma（前囟点）和 Lambda（后囟点）。这两个点差之毫厘，后面的注射就会谬以千里。而这一次，负责在摄像头画面里圈出这两个点的，是 OpenAI 的模型 GPT-6.1 Sol。

据《WIRED》报道与生物科技公司 Exin Therapeutics 的披露，GPT-6.1 Sol 已经连续三次参与活体小鼠脑部手术实验。三轮回合下来，它识别关键解剖标志的耗时从 169 秒降到 86 秒，定位误差从 0.6 毫米降到 0.3 毫米。这个变化不是靠重新训练换来的。

一分钟速览

• GPT-6.1 Sol 连续三次参与活体小鼠脑立体定位手术，负责识别 Bregma 与 Lambda 两个解剖标志。
• 识别耗时从 169 秒缩短至 86 秒，定位误差从 0.6 毫米降至 0.3 毫米，人工纠正次数从 4 次减到 2 次。
• 进步来自上下文学习：模型把上一轮医生纠正过的图像、测量和修正记录带入下一轮，参数没有更新。
• 此前的对照实验中，Claude Sonnet 5、GPT-6.1 Sol 与 Grok 4.7 面对同一批 19 种候选基因治疗方案，选出了完全不同的脑区。
• AI 并未独立操刀：切口、开颅、缝合仍由持证兽医完成，不可逆步骤必须人工批准，设备另设运动范围与剂量上限。

它是怎么”学会”的：不是重训，是记住被纠正的瞬间

实验设计得很朴素。研究团队让模型反复做同一件事：在手术区域的摄像头画面里指出两个解剖标志的位置。每一轮结束后，专业外科医生会纠正它圈错的地方，模型则把这一轮的图像、测量数据和修正记录一起保存下来，供下一次调用。

换句话说，模型不是在参数里长出了手感，而是在上下文里积累了一份”错题本”。到第三轮，它动手前先翻这份错题本，于是动手更快、更准。Exin Therapeutics 联合创始人兼 CEO 加布里埃尔·奥卡尼亚-桑特罗在社交平台上公布了这组结果，并明确把它归为上下文学习的一次实际应用。

这件事的意义不在于 0.3 毫米这个数字本身，而在于它证明了一种成本极低的适配路径：不需要为每台设备、每类手术重新训练模型，只要把专家反馈结构化地喂进上下文，模型的表现就能在几轮之内明显抬升。对实验室来说，这比部署一套专用视觉系统要轻得多。

三个模型，三种判断：AI 的“学术个性”已经出现了

更值得玩味的是更早那一轮对照实验。团队把同一批 19 种候选基因治疗方案摆在三款模型面前，任务是为患有癫痫的小鼠选择治疗方式，并操控电动脑立体定位设备完成注射。结果三家给出了三种答案：Claude 选择内嗅皮层，GPT-6.1 Sol 选择海马体，Grok 4.7 选择躯体感觉皮层。

这不是简单的”谁对谁错”，而是三家模型在医学知识与推理偏好上的差异被放大到了手术方案层面。对科研来说，这可能是好事——不同模型提供不同的假设空间；对医疗来说，这是必须被约束的风险——治疗方案不能由模型的”个性”决定。

GPT-6.1 Sol 在操作过程中的表现也值得一提。一次实验里它查看了 59 次摄像头画面，还发现开颅部位出现一个暗红色小点，怀疑可能出血，于是停下来把判断交给外科医生。事后确认，这种现象在该类手术中并不算异常出血。这个细节说明模型已经具备”发现异常就上报”的行为倾向，但它对异常的判定标准显然还不如人类稳定。

安全边界：所有不可逆的动作都握在人手里

把这些实验理解成”AI 独立做手术”是误读。真实流程里，持证兽医负责切口、开颅和缝合，并全程监督；凡是不可逆的关键步骤，必须经过人工批准才能执行。设备层面还有三道保险：运动范围限制、注射剂量上限、紧急停止开关。

这套设计的逻辑很清楚——把 AI 放在”感知与规划”环节，把”不可逆执行”留给人。这也是目前 AI 进入湿实验室最现实的路径：先接管那些重复、耗时、依赖视觉判断的步骤，再逐步讨论更深层的自主权。

数据背后的冷水：三次样本说明不了太多

研究负责人自己也承认，三次操作的样本量非常有限，不足以证明模型已经稳定掌握这项技能。不同模型选择的治疗方案是否真的有效，还要看后续小鼠的行为表现和脑电活动。

把时间线拉长看，这类实验的真正价值是打开了一个方向：AI 正从”读论文、分析数据、写方案”走向”操作真实设备”。而一旦跨过这条线，评价标准就会从”回答得像不像”变成”手稳不稳、错一次代价多大”。前者可以靠评测集打分，后者只能靠一次次真实操作和一套严密的人工兜底来验证。

对国内做具身智能、手术机器人和 AI for Science 的团队来说，这条新闻最该抄的不是模型，而是流程：上下文里存错题、关键步骤人工批、设备层面硬限位。模型能力会继续涨，但这三件事决定它能不能被允许走进实验室。