950个Claude Agent筛出ART酶系统：AI科学发现走到哪一步了？

Anthropic 在 2026 年 9 月 23 日公布了一个很容易被标题放大的结果：Claude Agent 在大规模基因组数据中发现了一组此前未被作为完整系统描述的逆转录酶结构，研究团队把它命名为 ART（array-associated reverse transcriptases，阵列关联逆转录酶）。

这项工作值得关注，但准确的结论不是“AI 发明了新的 CRISPR”，也不是“Claude 独立完成了生物实验”。它真正展示的是另一件事：通用 AI Agent 已经可以在巨大的候选空间里主动调查异常、形成可读假设，并把少数值得实验验证的线索交给人类科学家。

这可能比一个夸张的“AI 科学家”标题更重要。因为它给出了一个正在成形的科研工作流：Agent 负责高并发搜索与假设压缩，人类负责判断、实验和最终归因。

Claude 实际发现了什么？

ART 的核心不是一条完全未知的酶序列。Anthropic 说明，相关逆转录酶此前已经出现在研究中；Claude 识别出的新意，是这类酶旁边同时存在一组非编码 DNA 重复阵列，以及一个功能未知的伴随蛋白。

这种“逆转录酶 + 伴随基因 + 重复阵列”的组合主要出现在噬菌体中。它的排列方式让人想到 CRISPR 阵列，而 Anthropic 的初步实验发现，ART 的重复区域也会表达为多段短 RNA。

但相似的结构不等于相同的功能。目前公开材料没有证明 ART 能切割 DNA、识别指定目标、编辑基因或执行治疗任务。Anthropic 自己也明确表示，ART 的主要生物学功能仍在研究中。

所以，现阶段最稳妥的说法是：Claude 找到了一个值得进一步研究、此前未被完整刻画的生物系统候选，而不是交付了一个可用的基因编辑工具。

950个Agent如何把候选空间压缩下来？

根据 Anthropic 公布的数据，这次搜索持续约 21 小时，动用了约 950 个 Agent，消耗约 2.1 亿 token。

Agent 首先汇总了超过 20 万个逆转录酶样本，筛出约 3,500 个新的候选系统，再把范围缩小到 20 个最值得深入分析的对象，并为其生成面向人类研究者的报告。

在这个过程中，Claude 不只是执行固定关键词检索。它会检查基因邻域、比较已知系统、阅读相关文献、排除缺乏证据的候选，并在原始 DNA 序列中继续追踪异常排列。最终，一个 Agent 注意到某个逆转录酶附近存在规则的串联重复结构，并把它作为潜在的新系统提交给研究团队。

之后的湿实验并不是 Agent 完成的。Anthropic 的人类科学家在低等级生物安全实验室中表达蛋白、分析 RNA，并继续做生化和结构验证。这条边界非常重要：AI 找到了线索并推动分析，人类实验提供了现实世界证据。

真正的突破是“科研漏斗”，不只是一个候选酶

传统科研经常受限于候选太多、验证资源太少。数据库可以包含数十万甚至数百万条可能有意义的序列，但实验室没有能力逐一验证。

这次案例展示的价值，是把 AI Agent 放到科研漏斗最宽的一端：

1. 并行读取公开数据和文献；
2. 生成大量候选解释；
3. 让 Agent 相互复核并淘汰薄弱假设；
4. 把有限的实验预算集中到少数高价值候选；
5. 用实验结果反过来改进下一轮搜索。

对开发者而言，这种模式并不限于生物学。同样的架构可以用于大型代码库审计、安全告警归因、材料筛选、日志异常调查和药物候选研究。共同点都是：搜索空间巨大，单个线索价值不确定，而最终验证成本很高。

这也延续了本站此前讨论的趋势：Agent 的竞争正在从“回答得像不像专家”转向“能否在权限、证据和审计边界内完成长链路工作”。对于需要执行层设计的团队，可以结合此前关于链上智能体权限、审计日志与可验证执行的分析一起看。

为什么还不能把它叫作“自动化科学家”？

第一，发现目前来自 Anthropic 自己的模型、团队和实验室，尚未看到独立团队完成复现。公司的技术报告属于预印本性质，也不等于同行评审已经完成。

第二，ART 的功能仍然未知。重复阵列会产生短 RNA 是一个重要观察，但它还不足以证明这个系统具有 CRISPR 式可编程能力。

第三，大规模并行并不会自动解决可靠性问题。Agent 可以快速制造大量假设，也可能快速制造大量看似合理但没有实验价值的解释。系统真正的质量，取决于候选淘汰机制、可追溯证据、人类复核和实验反馈，而不是 Agent 数量本身。

第四，这类工作存在明显的成本结构。约 950 个 Agent 和 2.1 亿 token 可以把时间压缩到一天以内，但研究团队仍需要计算资源、领域专家和湿实验能力。它更像是把瓶颈从“寻找假设”转移到了“验证假设”，而不是让整个科研过程变成零成本自动化。

对开发者和科研团队的现实启示

如果要把类似方法迁移到自己的领域，最值得复制的不是“启动更多 Agent”，而是下面四个设计原则。

1. 先定义可被证伪的输出

Agent 的结果应该是一组带证据的候选，而不是一篇充满确定语气的总结。每个候选都需要说明数据来源、推理路径、反例和下一步验证方法。

2. 把原始数据保留在推理链路中

ART 线索来自对原始 DNA 排列的进一步检查。过早把数据压缩成摘要或标签，可能会把真正异常的结构一起抹掉。工程上需要保留从结论回到原始证据的路径。

3. 给失败和重复实验留位置

科研 Agent 不应只记录“发现了什么”，还要记录哪些候选被淘汰、为什么淘汰，以及相同流程再次运行是否得到一致结果。没有负结果和重复性数据，就很难区分稳定方法与偶然命中。

4. 人类验证不是临时补丁

在高风险领域，人类判断和现实实验是系统的一部分，而不是模型不够强时的过渡方案。权限控制、审计记录、实验设计和责任归属必须从第一天就进入架构。

接下来应该关注什么？

判断这项工作是否会从亮眼案例变成可复用方法，可以继续观察三类证据：

• Anthropic 或其他实验室能否确定 ART 的具体功能和作用机制；
• 独立团队能否从相同数据或类似任务中复现这一发现；
• 相同 Agent 工作流能否在不同蛋白家族、不同数据库和不同实验目标上稳定产生高价值候选。

如果这些证据逐步出现，AI 在科学研究中的角色会更接近“可审计的假设生成与筛选系统”。如果后续无法复现，这次结果仍然有价值，但更应该被理解为一次成功的探索，而不是通用自动化科学已经成熟。

结语

Claude 找到 ART 的意义，不在于 AI 已经取代科学家，而在于科研团队第一次更清晰地展示了：通用 Agent 可以把一个人类需要数周或数月调查的巨大候选空间，压缩成少数可以进入实验室的线索。

下一阶段真正的竞争，不是谁能启动最多 Agent，而是谁能建立更严格的证据链、重复性测试和人机验证闭环。科学发现最终仍要接受现实世界的检验。

主要来源

• Anthropic：Claude discovers a novel enzyme system with CRISPR-like repeats（2026-09-23）
• Anthropic 技术预印本：Autonomous AI agents discover reverse transcriptases with tandem repeat arrays

说明：本文讨论的是 Anthropic 公布的早期研究及预印本。ART 的主要功能、可编程性和独立复现尚未得到确认，不构成医疗或投资建议。