2亿Token买到的科学突破：AI如何成科研“搭档”

从数到亿：被压缩的百年探索

如果说过去十年AI在科学界的角色是“超级显微镜”，那么 Anthropic 昨天发布的结果意味着，它正在变成“手持手术刀”。

2026年9月23日，Anthropic 正式宣布：由他们开发的 Claude AI 模型，在海量噬菌体基因序列中自主识别出了一种全新的酶系统 —— Array-associated Reverse Transcriptase（ART）。

这听起来只是一个分子生物学的微小发现，但如果看穿它的达成路径，会发现一次范式级的跨越。

为了找到这个藏在 DNA 暗处的系统，Claude 及其背后的大型 Agent 集群并没有被局限在某一个具体课题上。科学家仅仅下达了一个宽泛的高层指令：“去搜寻有趣的逆转录酶（RT）样本”。

结果，这组 Agent 在大约 21 小时内，完成了此前可能需要顶级生化团队耗费数年才能梳理的工作量：

• 遍历并收集了超过 20万个 已知的逆转录酶相关数据；
• 消耗约 2.1 亿（210 Million） Tokens 进行深度扫描与特征比对；
• 调用约 950 个 Claude Agent 节点进行大规模并行推理；
• 在海量数据噪声中，最终锁定了 3,500 个高潜力候选者，并从中精挑细选出最有可能的 20 份 独立分析报告交给人类专家接管。

在这 20 份报告中，位于榜首的发现引起了极大震动：Claude 识别出了一个以前从未见过的、具有特定规律排列的 DNA 重复序列。

它和 CRISPR 有什么关系？

ART 到底是什么？简单来说，它在基础构造上与大名鼎鼎的 CRISPR（基因编辑技术中的关键部分）有异曲同工之妙。

逆转录酶是自然界中一种能将 RNA 转化为 DNA 的工具。而 Claude 发现的这个 ART 系统，存在于许多巨型噬菌体（一种感染细菌的病毒）体内。它的特别之处在于，除了常规的逆转录酶外，旁边还紧挨着一组整齐排列的 DNA 重复序列。这种特殊的“邻居关系”暗示了它可能具备类似 CRISPR 的功能 —— 即具备高度的可程序化特性，能被用作精准的基因操作工具。

在发现初期，这 20 份报告主要由 AI 提供证据链和初步推演。随后，由 Anthropic 自建实验室的科学家接管，进行湿实验验证。目前的实验结果证实了 Claude 的判断方向：这种独特的阵列确实能够在体外转录出特定的短 RNA 分子。

尽管具体的催化机制和生物学用途尚在研究中，但 CRISPR 的先驱、MIT/Broad 研究所的 Feng Zhang 教授已经第一时间给出了积极评价。他指出，这种将 RNA 重复阵列与逆转录酶关联起来的发现方式非常“令人兴奋”，并呼吁更多科学家利用 AI 来支持未来的研究。

为什么这是科研范式的转换？

要理解此次发现的含金量，必须回到生物医药研发的底层痛点。

在过去的几十年里，新药发现和基础靶点的挖掘是一个典型的“大海捞针”过程。依靠传统的试错法（Trial and Error），科学家需要在数以百万计的化合物或基因序列中寻找极小概率有效的组合。这不仅耗时，而且资金成本极高 —— 一款创新药的平均研发周期通常长达 10 年以上，成本动辄数十亿美元。

Claude 这次展示的流程，本质上是对这一旧模式的一次降维打击：

1. AI 负责海量假设生成：利用极强的模式识别能力，在极短时间内扫过人类无法处理的庞大基因组空间，主动提出“这里可能存在某种规律”的假设。
2. 人类专家决定证伪与否：将 AI 筛选出的高价值假设交给顶尖科学家和昂贵的实验室设备进行生化表征。

这就是典型的“AI 提问题 + 人类做实验”闭环。

过去我们说 AI 赋能科研，大多指的是 AlphaFold 解决蛋白质三维结构预测的“答案查找”任务。而在今天的发现中，AI 展现的是“提问能力”。它不再是被动等待人类给出精确公式来计算答案，而是具备了在混沌的数据海洋中主动发现“异常值”的能力。

当这种效率被引入生物医药行业，其核心价值不在于某个单一的酶发现，而在于它极大地压缩了早期发现的沉没成本。如果未来 AI 能在更广泛的靶点库中持续输出有效假设，那么整个生物科技公司的竞争壁垒将从“谁的科学家多”转向“谁的算力与 AI 迭代更快”。

冷静的现实边界：别指望明天就有新药

尽管叙事宏大，但在资本市场与大众舆论中必须拉直一条现实的边界线。

首先，这项发现目前仅以公司预印本和技术博客的形式公布，尚未经过 SCI 核心期刊的同行评议（Peer Review）。科学界对任何未经严谨检验的重大宣称都会保持审慎态度。

其次，ART 酶系统的具体功能究竟是什么？它能否像 CRISPR-Cas9 那样成为通用的基因编辑武器？目前在 Wet Lab（湿实验）阶段还没有定论。由于这类实验通常需要在高级别的生物安全环境下进行，且涉及复杂的生化反应链条，距离真正成熟为一套商业化软件或标准化试剂盒，仍有相当长的路要走。

更重要的是，即便 AI 极大缩短了前端的发现周期，药物进入临床试验以及后续的安全性验证依然是一个不可跳跃的物理时间过程。因此，这项成果短期内不会直接转化为任何一家公司的利润表或管线收入。

接下来的观察指标

这场由 2.1 亿 Tokens 引发的讨论，只是 AI 重塑科研长跑的起点。对于关注这条赛道的投资者和产业人士来说，未来应重点追踪以下几个观察指标：

1. AI 原始发现入刊率：未来 12—24 个月内，有多少项由 AI 主导或高度参与的发现进入了 Nature、Science 等顶刊的同行评议。这将是该范式合法性的终极度量。
2. 大模型介入深度：目前的 AI 主要扮演初级筛选器角色。接下来要关注它们是否开始参与设计复杂的多步生化反应路径，甚至通过虚拟环境（Dry Lab）独立完成假设推导。
3. 生物技术的降本曲线：关注头部创新药企是否开始公开调整其早期筛选阶段的研发投入结构。如果 AI 能实质性替代外包的部分高通量筛选业务，其财务影响将立竿见影。

在这个时代，数据是最多的矿藏，而算力就是新的钻头。Anthropic 用不到一天时间打下的第一口井，或许预示着一个完全不同类型的生物科技公司正在到来。