摘要：Anthropic 用约 950 个 Claude 智能体、21 小时、2.1 亿 token，从 2.1 亿条序列中筛出 ART 候选酶系统（具 CRISPR 样重复阵列）；人类已在实验室验证其结构与短 RNA 表达，但功能仍未知。
9 月 24 日，Anthropic 生命科学团队公布的一项早期研究，把"AI 智能体参与科学发现"从口号推到了可验证的实验室结果。在科学家给出高层目标后，约 950 个 Claude 智能体并行运行 21 小时、消耗 2.1 亿 token，从 2.1 亿条 DNA 序列里筛出 20 多万条逆转录酶，再收敛到 3500 个候选系统，最终锁定 20 个最值得关注的对象。团队在其中发现了一种此前未被描述的系统，命名为 ART（array-associated reverse transcriptases），它带有均匀间隔的 DNA 重复阵列——这正是 CRISPR 的结构标志。
这项研究最值得记住的，不是"AI 发现了新东西"，而是它能跑通一条"智能体做广域筛选、人类做短名单验证"的工作流。Anthropic 没有声称 ART 已经是新的基因编辑工具；恰恰相反，它在论文里坦白：目前仍不知道 ART 到底做什么。人类科学家随后把相关蛋白在实验菌株中表达，并确认那段阵列确实被转录成一组独立的短 RNA。换句话说，AI 负责"在海量的序列空间里把值得看的少数挑出来"，实验确认交给人。
学术共同体的反应也值得记录。MIT 与 Broad Institute 的 Feng Zhang（张锋）评价这是"AI 智能体能够贡献于生物发现的一个令人兴奋的例子"。但需要冷静看待：ART 的功能未知，离任何应用都还远；智能体筛出的候选，最终必须回到湿实验。这条新闻的真正意义，是证明了“大规模序列挖掘”这类搜索空间巨大、人力无法穷举的任务，正是多智能体工作流最擅长、也最先落地的场景。
还有一点容易被忽视：这次研究的“智能体筛选 + 人类验证”模式，对算力与成本的账也算得过来。950 个 agent、21 小时、2.1 亿 token 听起来不少，但放在“从 2.1 亿序列里找 20 个候选”这种人力几乎无法穷举的任务上，单位成本远低于雇一个专家团队做几个月湿实验。也就是说，它省下的不是“一次发现”，而是“把搜索空间压到人类能处理的规模”这一段最贵的时间。对生物医药、材料、农药靶点这类长尾 discovery 场景，这个账本值得每个研发负责人重新算一遍。
我的判断：这条新闻给所有做研发的企业一个可复制的范式——当你面对的是一个"空间极大、判定极贵"的问题（药物靶点、材料组合、故障模式、漏洞枚举），正确的分工不是让 AI 直接给答案，而是让一群 agent 做第一遍粗筛，把候选压到人类能消化的规模，再由专家确认。Anthropic 这次跑的是生物学，但同一套方法论可以平移到芯片布局、合约风险、代码安全审查。记住一句：agent 的价值在于"筛得广"，不在于"说得准"——把边界写进工具，而不是交给运气。
