950 个智能体扫了 21 小时 DNA：AI 发现科学走到了哪一步

2026 年 9 月，Anthropic 公布了一次不同寻常的实验：让 AI 系统调度大约 950 个并行工作的智能体，连续扫描 21 小时的 DNA（脱氧核糖核酸）数据，最后找出一组此前未被系统描述过的重复序列、附属蛋白与已知逆转录酶的组合——结构上看，像一套 CRISPR 样的酶系统。

它到底发现了什么

需要把措辞收紧一些：这不是"AI 发现了新生物"，也不是"又一套 CRISPR 已可用"。报道的描述是找出了一组有意思的序列模式——重复序列、与之相邻的附属蛋白、以及一个已知类别的逆转录酶，三者在基因组上的排布方式与已知的 CRISPR 相关系统有相似之处。这属于"值得去做湿实验验证的候选"，离"功能确认"还隔着几个月到几年的实验工作。

为什么这类任务适合先让机器跑

宏基因组数据的规模已经超过人工可审阅的极限。公共数据库里的序列以万亿碱基计，其中大量来自无法培养的微生物，功能未知。人类研究者的策略通常是带着假说去查：我觉得这类环境里应该有某种系统，于是针对性搜索。这个策略高效，但视野受限于假说本身。大规模并行扫描换个思路：不做强假设，先把所有看着像"重复序列 + 邻近蛋白"的组合枚举出来，再按相似性与合理性排序。

图6：枚举候选 → 排序 → 人工复核 → 湿实验验证

21 小时意味着什么

真正的变化在成本曲线上。过去这类穷举式扫描要占用一个团队几个月，现在变成一次可以在下班前发起、第二天早上看结果的计算任务。当搜索便宜到这个程度，研究策略本身会变：假说生成从稀缺资源变成可批量生产的中间产物，瓶颈整体后移到验证环节。

瓶颈搬到了实验室

这正是当前最值得警惕的地方。AI 可以一天产出上百个候选系统，但验证一个候选需要克隆、表达、纯化、活性测定，周期以月计。如果生成能力远超验证能力，多出来的候选不但不构成进展，还会消耗实验资源。这个领域接下来真正需要的不是更大的模型，而是更快的验证通路——这也正是"自驱动实验室"那条线在并行推进的原因。

怎么读这类新闻

三个问题可以帮你不被标题带走：候选有没有被独立方法复核、有没有初步的实验证据、原始团队自己怎么描述确定性。Anthropic 这次的表述相对克制，用了"找出"而非"发现功能"，这是好的迹象。遇上一上来就宣称"改写生物学"的标题，先回原文看它的动词。

关联推荐

• AI 共同科学家：科研从"人做"到"人机共创" — 同一趋势的更完整图景
• 桑格研究所：人类基因组三分之一产自这里 — 这些数据是怎么被生产出来的
• 诺奖溯源：6 项改写生物学的发现，最初都长什么样 — 从候选到确认有多远

参考来源：Anthropic：Claude 参与发现新型酶系统相关工作（2026-09）。