Anthropic 在 2026 年 9 月 23 日公布了一項早期研究結果：他們讓 Claude 在 DNA 序列資料庫中尋找未被描述的反轉錄酶（reverse transcriptase, RT），最後找到一組帶有規律重複序列的酵素系統，命名為 array-associated reverse transcriptases（ART）。這個系統主要出現在感染細菌的噬菌體中，由三個部分組成：RT 本身、旁邊的夥伴基因，以及一段間距整齊的長重複序列。重複序列的排列方式類似 CRISPR array，而 CRISPR array 正是讓 CRISPR-Cas 成為可程式化工具的那個結構。
這則消息容易被讀成「AI 又發現了新東西」，但對做產品的人來說，真正有價值的部分不是結果，而是它怎麼被做出來、又怎麼被擋下來。
21 小時、950 個 agent、2.1 億 token 之後發生了什麼
根據 Anthropic 的說明，人類科學家只下了初始提示，之後由 Claude agent 自行翻查資料庫、調查不同的 RT 家族，並自行判斷哪些候選值得留下。整個搜尋過程約 950 個 agent 跑了 21 小時，用掉約 2.1 億 token。它們蒐集了超過 20 萬個 RT，篩出 3,500 個新候選系統，再收斂到 20 個最值得分析、並產出人類可讀報告的對象。Anthropic 指出，這類分析對專家而言通常要花數週到數月。
值得注意的是那個被留下來的 RT 原本就已被前人辨識出來。Claude 的貢獻在於注意到它旁邊的重複序列陣列，以及一個功能未知的附屬蛋白——這兩個定義性特徵先前沒有被指出。
真正決定成敗的是淘汰機制，不是生成能力
Anthropic 描述的工作流程裡，Claude 會先讀文獻、用公開資料重現既有結果來驗證方法，再去找不符合任何已知系統的家族成員或基因體鄰居，為每個候選寫一份報告，提出功能假設並列出支持證據。接著在後續分析中，Claude 會批判性地檢視自己的證據，而多數候選就是在這一步被刪掉。一輪調查最後可能只剩一個候選，也可能一個都不剩。
這件事對 agent 產品的意義很直接：當模型能大量產出假設，瓶頸就從「生成」移到「篩選」。Anthropic 自己說，單一 campaign 會產生數百到數千份候選報告，於是他們開始研究「哪些提案值得測試、哪些該放掉」的判準，再把學到的東西寫回給 Claude 的指令裡。這跟我們在 GPT-6 快取改版那篇 談過的思路接近——把原本靠感覺的環節變成可觀察、可調的參數。
實驗室那一段仍然是人做的
Anthropic 在灣區設了自己的分子生物實驗室，只做 BSL-1 與 BSL-2 層級的研究，不處理能感染人類的病原體，所有實驗操作都由人類科學家執行。候選通過審查後，會在標準實驗菌株中表現蛋白、做生化與結構層面的特性分析，Claude 則協助解讀數據。他們使用的工具是 Claude Science 與 Claude Code，也就是任何科學家都能取得的同一批工具，有時再加上自製的 harness 來協調多個平行 Claude session。
第一輪實驗顯示 ART 的重複序列也會被表現成一組不同的短 RNA，暗示可能有類似 CRISPR 的機制在運作，但 ART 的主要功能仍未確定。Anthropic 選擇在這個時候公開，理由是讓社群早點看到方向，並同時釋出 pre-print。CRISPR 共同先驅、MIT 與 Broad Institute 教授 Feng Zhang 在審閱 pre-print 後表示，這是 AI agent 參與生物發現的一個令人振奮的例子，RNA 重複序列與反轉錄酶的關聯確實值得進一步研究。
對產品團隊的實際啟示
如果你的產品裡有 agent 在做搜尋、分類或研究型任務，這個案例最可借鏡的不是模型規模，而是三件事：先讓 agent 用已知答案自我校準、要求它為每個候選產出附證據的報告、以及設計一個會主動刪掉自己成果的複核階段。缺少第三項，產出量只會變成雜訊。
限制也要說清楚：這是早期結果，ART 的功能未知，重複序列與短 RNA 的關聯只是初步實驗觀察，整條路徑仍需要後續實驗驗證。Anthropic 也表明希望與其他科學家合作，把這套方法延伸到基因體學以外的問題。對讀者而言，比較務實的下一步是回頭檢查自己 agent 流程裡有沒有「淘汰」這一段，而不是急著複製它的搜尋規模。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。