背景
限制性内切酶、Taq 聚合酶、CRISPR------生物学史上这些里程碑式的发现，都源于研究者在海量序列数据中识别出"不寻常的东西"。2026 年春，Anthropic 组建生命科学研究团队，探索通用 AI 模型能否系统化并加速这类发现过程。团队不仅训练 Claude 理解生物学知识，还在湾区建立了真实的分子生物学实验室，开展 BSL-1 和 BSL-2 级别的湿实验室工作，全部实验操作由人类科学家完成，不涉及可感染人类的病原体。团队成员此前的研究方向涵盖 CRISPR 系统的进化与调控、细胞和基因疗法用新型酶的发现，以及 DNA 异常检测工具开发，是 Anthropic 更大生命科学组织的一部分。
核心原理
典型工作流程是：Claude 阅读相关文献，在公开数据上复现已知结果以验证方法，然后搜寻不属于任何已知系统的家族成员或基因组邻近序列，为每个候选者生成人类可读报告，并在后续阶段批判性评估证据、淘汰大多数候选。
在发现 ART 的任务中，科学家给 Claude 的初始提示是：在大规模 DNA 序列数据库中搜索有趣的新型逆转录酶（RT）。此后科学家不再深度介入，约 950 个 Claude 智能体并行运作，共消耗约 2.1 亿个 token，历时 21 小时。智能体从超过 20 万条 RT 序列中筛选出 3500 个候选系统，进一步缩减至 20 个最具价值的候选并生成对应报告------这项工作若由人类专家独立完成，通常需要数周至数月。
其中一个智能体在扫描某 RT 基因附近的原始 DNA 序列时，注意到一个此前无人报告的串联重复阵列，在分析日志中写道："RT 旁边的 DNA 太壮观了：我用肉眼就能看出一个串联重复阵列......这是一个类 CRISPR 的重复阵列？！"随后该智能体统计重复单元数量、测量间距、与已知 RT 系统进行布局比对、检索文献确认无先例，最终提交报告供人类审核。
ART 系统由三部分组成：逆转录酶本身、其旁边的一个伴侣基因，以及一段由均匀间隔的 DNA 重复序列构成的长阵列，主要存在于噬菌体中。该 RT 的基础序列此前已在一种超大噬菌体研究中被识别，但其伴随的重复阵列和功能未知的附属蛋白，是 Claude 首次注意到的。所有具有这类特征组合的已知系统，均具备可编程性，并能执行 DNA 的切割、复制或粘贴操作。
局限
ART 系统的主要生物学功能目前尚不明确，研究工作仍在进行中。文章以预印本形式发布，尚未经过同行评审。
智能体完成的是计算分析和假设生成部分，全部实验室验证工作由人类科学家承担。团队坦承 AI 不适合实验室中临时应变的湿实验室操作流程。由于 Claude 能大量产出候选报告，团队目前正在研究什么特征使某个候选值得进入实验室验证阶段，并将这些判断反馈给 Claude 以使其学习研究者的科学品味------当前筛选标准在很大程度上仍依赖人类专家的主观判断，自动化评估标准尚在建立中。
对开发者的意义
ART 的发现揭示了一种可复用的 AI 辅助科学研究模式。
任务分解与并行化。 此次任务的核心是将"在海量数据中识别异常模式"拆解为可并行的子任务，并为每个子任务设计结构化输出格式。约 950 个智能体并行处理了一个需要数月人工的分析流程，对需要处理大规模非结构化数据的系统有直接参考价值。
反馈回路的设计。 团队通过分析"哪些候选被选中、哪些被淘汰"来改进给 Claude 的指令，将领域专家判断转化为可迭代的提示策略。这适用于任何需要在大量候选中进行专业筛选的场景。
人机协作的边界划定。 该案例清晰展示了一种分工模式：AI 负责大规模搜索、模式识别和假设生成，人类负责初始任务定义、候选审核和实验室验证。明确划定这条边界比追求完全自动化更务实。
这项工作表明，通用大语言模型在配备适当工具和任务框架后，有能力在专业科学领域产出人类专家层面的发现线索，是科研辅助、知识发现或大规模数据分析系统开发者值得深入研究的真实案例。