950 個 AI Agent 連軸轉了 21 個小時，在一個包含 19 億個蛋白質簇的資料庫裡，翻出一個人類科學家一直沒注意到的系統——DNA 裡一串間隔均勻的重複序列，旁邊綁著一個酶。這個組合，跟當年 CRISPR 被發現時的結構幾乎一樣。

然後研究團隊把同樣的搜尋重跑了 10 次。10 次全都漏掉了。

9 月 23 日，Anthropic 公布了自家生物實驗室的第一項成果。這個案例值得仔細看——不只是因為發現本身，更因為它完整展示了 AI 協助前沿科學的分工模式：人類出題和做實驗，AI 做大規模搜尋。發現來自一個 Agent 的「多看一眼」。但那一眼，不是每次都會發生的。

先講 CRISPR

CRISPR 本來是細菌的免疫機制。

細菌被病毒感染後活下來，會把入侵者的一小段 DNA 存進自己基因組裡一串重複序列的間隔裡——像在筆記本裡貼通緝犯照片。下次同一種病毒再來，細菌就把這段記錄轉錄成嚮導 RNA，帶著 Cas9 蛋白去比對入侵的 DNA，配對上了就一刀剪斷。

2012 年，Doudna 和 Charpentier 發現：換掉嚮導 RNA 的內容，就能讓 Cas9 去剪任何你指定的 DNA 序列。細菌的免疫工具，被改造成了可編程的基因剪刀。兩人因此拿到 2020 年諾貝爾化學獎。

到今天，CRISPR 已經進入臨床。2023 年首款療法獲批治療鐮狀細胞病，2025 年費城兒童醫院為一名罕見病嬰兒訂製了專屬的基因編輯治療。

所以當有人說「找到了一個跟 CRISPR 結構相似的新系統」，科學界的反應很直接：如果它也是可編程的，就可能是另一把基因剪刀。

從「有點怪」到大翻身：生物學的老劇本

生物學裡好幾次大翻身，都是從一段「看起來有點怪」的東西開始的。限制酶最早只是細菌用來切碎病毒 DNA 的工具，後來成了基因工程的分子剪刀。黃石公園溫泉裡一種耐高溫細菌的酶，成了今天 PCR 檢測的基礎。CRISPR 當年也是——一段沒人看懂的重複序列，最後變成了可編程的基因剪刀。

所以當 AI 在病毒的 DNA 裡又翻出一串結構相似的重複陣列，而且旁邊還綁著一個逆轉錄酶——科學家緊張，是這個老劇本在起作用。

分工：人類出題和做實驗，AI 做搜尋

研究團隊給 Claude 的任務很直白：在一個包含 19 億個蛋白質簇的資料庫裡，找新的逆轉錄酶系統。

分工模式清楚得像一條產線。人類科學家負責兩端——前端給研究方向，後端做所有的濕實驗驗證。中間那一段最耗人力的大規模搜尋和初步分析，交給 Agent。

架構是雙角色制——一個 Agent 負責規劃和執行，另一個負責審核。發現線索時，Agent 可以自己開新任務往下追。

約 950 個 Agent 跑了 21 個小時，消耗約 2.1 億個 Token。管線是一個標準的漏斗：

  • 撈出 20 多萬個逆轉錄酶
  • 篩選出約 3,500 個候選系統
  • 收窄到 20 個最值得看的
  • 每個逐一寫成人能讀懂的報告

Anthropic 表示，這種量級的分析，專家通常要做幾週到幾個月。AI 在這個協作裡的核心價值不是更聰明，是更耐操——它可以不知疲倦地把每條線索都翻一遍。

「多看一眼」：發現是怎麼產生的

發現不是在主線上出現的。

有個 Agent 本來在查一個形狀特別的逆轉錄酶。正常流程：分析這個酶的特徵，寫入報告，結束。但這個 Agent 沒有停在任務清單上——它把這個基因旁邊的原始 DNA 序列直接讀了一遍。

然後它發現了一串重複。

接下來的行為，像一個人類科學家會做的：數重複單元有幾個、量間距、和已知系統比對、翻文獻確認沒人報導過，才提交報告等人工覆核。

這個系統後來被命名為 ART——Array-associated Reverse Transcriptase，陣列相關逆轉錄酶。值得注意的是，那個逆轉錄酶本身以前的研究就見過；Claude 是第一個注意到旁邊還有一串重複陣列和一個搭檔蛋白的。功能未知，預印本還沒經過同儕審查——但這不影響這件事的重點：AI 在人類沒時間看、或不會想到要看的地方，多看了一眼。

19 億個蛋白質簇的資料庫，任何一個人類科學家都不可能逐條把每個基因的上下游 DNA 都讀一遍。Agent 不受這個限制——至少理論上不受。

能看見，不保證每次都看見——但這正是 AI 適合的原因

團隊把同樣的搜尋重跑了 10 次。沒有一次去讀那個酶下游的 DNA。10 次全都錯過了那串陣列。

他們還設計了一套固定考題：直接把 DNA 序列貼給模型，問「這裡面有什麼？」。四個最強的模型，至少九成都能認出。但一旦換成真實工作環境——Agent 要自己決定讀什麼、往哪走——識別率最低掉到 32%。

九成掉到三成二。乍看是個缺陷。

但換一個角度看，這個「不穩定」恰恰讓 AI 適合做前沿科學的搜尋。

科學發現需要兩個條件：大量的嘗試，和一點點的隨機性。你不可能每次走一樣的路線，然後期待走到新的地方。傳統程式是確定性的——同一個輸入跑一百次，一百次走同一條路，一百次都會錯過同一個東西。LLM 不一樣。它每次生成都帶有取樣的隨機性，同一個任務跑十一次，走出十一條不同的路線。其中十條沒看到，但有一條碰巧多看了一眼——就夠了。

弗萊明發現青黴素是因為他沒洗培養皿，倫琴發現 X 射線是因為他注意到螢光屏在發光。偶然性一直是科學發現的一部分。差別在於：AI 有電有算力，就可以無限增加「碰巧」的次數。而它天生帶有的隨機性，不是程式的 bug，在這個場景裡剛好是 feature。

11 次裡只有 1 次看到了 ART。但如果是一支確定性的搜尋程式，跑 1,100 次也不會看到——因為每次都走同一條路。

每次跑 21 小時、2.1 億 Token，成本不低。但在前沿科學裡，「一次就值」的發現，抵得過幾十次的撲空。

假設太多，判斷靠人

Anthropic 自己說了一句很誠實的話：Claude 產出的假設多到「自己都成了研究對象」。

950 個 Agent 寫了幾百上千份報告。ART 只是其中一個發現。剩下的報告裡有多少真正有價值、多少是雜訊？這個過濾，靠的是人類科學家的判斷——Anthropic 的說法是「科學品味」。

這就是目前 AI 協助前沿科學的完整角色分工：

AI 負責「看」——擴大搜索空間，翻遍人類沒時間翻的資料庫，把線索整理成報告。

人類負責「判」——從 AI 產出的大量假設裡，挑出值得用實驗驗證的那幾個。

人類負責「做」——所有的濕實驗，目前全部由人類完成。

AI 沒有取代科學家的任何一個核心角色。它增加了一個新角色：大規模的前置搜尋。這個搜尋是強大的——950 個 Agent 平行掃描，省下了幾週到幾個月的人工。但它也是不穩定的——同樣的任務跑 11 次，只有 1 次走到了最關鍵的那一步。

市場先動了，科學家還在等

公布當天的市場反應很直接：CRISPR Therapeutics 和 Beam Therapeutics 收跌約 6%，Intellia 跌約 3%，Prime Medicine 跌約 12%，Editas Medicine 跌約 8%。

那個時間點，ART 的功能完全沒有被證實。

CRISPR 先驅、麻省理工和博德研究所的張鋒看過預印本後的評價：「這是 AI 智能體助力生物學發現的一個令人興奮的例子。這種和逆轉錄酶相關的 RNA 重複陣列確實很有意思，值得進一步研究。」

他說的是「值得研究」，沒有說「下一個 CRISPR」。

Anthropic 自己也強調：這次確立的是一個新的生物系統，不是一個新的基因編輯工具。

AI 在前沿科學的協作：目前走到哪裡了

ART 到底是不是下一個 CRISPR，現在下結論太早。預印本還沒經過同儕審查，逆轉錄酶的活性還沒被證實，整個系統的功能完全未知。

但從這個案例可以看到，AI 在前沿科學的協作已經走到一個很具體的位置：

已經能做的——在巨大的資料庫裡做人類做不完的搜尋，用幾百個 Agent 平行掃描，把結果整理成人能讀懂的報告。這個能力是真的，省下的時間是真的。

做不穩定的——可靠地決定「該看哪裡」。模型有識別能力，但在真實環境裡不一定會用。11 次裡 1 次多看了那一眼，10 次沒有。

仍然需要人類的——出研究方向、從大量假設裡挑值得追的、做濕實驗、做最終判斷。這些目前完全沒有被取代的跡象。

兩天前的中秋節，我在影片裡講了一個觀點：AI 已經攻克了程式開發和日常數位工作，正快速往數學、醫藥、能源等前沿科學前進。ART 的發現，是這條路上目前最具體的一步。

它告訴我們的不是「AI 可以做科學」——是「AI 協助科學目前長什麼樣」。強大的搜索能力，加上人類的方向感和判斷力。下一步要解的題，是怎麼讓那個「多看一眼」從 1/11 的隨機事件，變成更可靠的系統性行為。

資料來源：Anthropic 官方公告（2026-09-23）、bioRxiv 預印本、Nature 報導。股價數據引述自 Seeking Alpha 與 TradingView 公開報導。