Anthropic用120個(gè)真實(shí)病毒檢索任務(wù)為生物學(xué)中的智能體鋪平道路

編輯丨&

人類似乎已經(jīng)習(xí)慣于 AI 帶來(lái)的突破：預(yù)測(cè)蛋白結(jié)構(gòu)、設(shè)計(jì)抗體、發(fā)現(xiàn)藥物分子、分析基因組數(shù)據(jù)。似乎只要模型再?gòu)?qiáng)一點(diǎn)，實(shí)驗(yàn)室里的許多工作都能被自動(dòng)化。

那么新的問(wèn)題由此誕生。

如果未來(lái)的 AI 不再只是回答問(wèn)題，而是像研究員一樣自己查數(shù)據(jù)庫(kù)、整理數(shù)據(jù)、運(yùn)行分析流程、提出假設(shè)并驗(yàn)證結(jié)果，那么生物學(xué)是否已經(jīng)準(zhǔn)備好了迎接這樣的「scientific agents 」？

2026 年 6 月 8 日，Anthropic 的「Paving the way for agents in biology」文章中對(duì)此問(wèn)題進(jìn)行了深入思考。他們認(rèn)為，很多時(shí)候，真正的瓶頸藏在更底層的地方——數(shù)據(jù)庫(kù)、檢索系統(tǒng)，以及那些幾十年來(lái)為人類研究者設(shè)計(jì)、卻從未為 AI 設(shè)計(jì)過(guò)的生物信息學(xué)基礎(chǔ)設(shè)施。

為了驗(yàn)證這一點(diǎn)，研究團(tuán)隊(duì)讓多個(gè)當(dāng)前最先進(jìn)的 AI 系統(tǒng)完成真實(shí)病毒學(xué)研究中的數(shù)據(jù)檢索任務(wù)。結(jié)果顯示，即使面對(duì)完全相同的問(wèn)題，不同運(yùn)行之間得到的數(shù)據(jù)集也可能相差數(shù)十倍；而這種差異最終足以改變疾病傳播分析、進(jìn)化樹(shù)重建甚至藥物評(píng)估的結(jié)論。

https://www.anthropic.com/research/agents-in-biology

案例研究：病毒學(xué)

軟件世界像是為汽車(chē)修過(guò)的道路，版本控制、標(biāo)準(zhǔn)化 API、包管理器這些東西，天然就是給機(jī)器和自動(dòng)化流程準(zhǔn)備的；而生物數(shù)據(jù)庫(kù)則過(guò)于難用。畢竟人類不能期望機(jī)器理解生物。

為了把這件事說(shuō)得更實(shí)，團(tuán)隊(duì)做了一個(gè)名叫VirBench的基準(zhǔn)，里面有120 個(gè)人工核對(duì)的病毒序列查詢，覆蓋40 種病原體，任務(wù)來(lái)自真實(shí) virology 工作流，包括監(jiān)測(cè)、診斷試劑設(shè)計(jì)和訓(xùn)練數(shù)據(jù)構(gòu)建。

圖 1:VirBench 各分類體系中代理的性能和故障模式。

每道題最多帶16 個(gè)過(guò)濾條件，既有宿主、地理位置、日期范圍、序列長(zhǎng)度、完整性，也有分段病毒、疫苗株?duì)顟B(tài)這些更細(xì)的約束；為了讓結(jié)果可復(fù)現(xiàn)，大多數(shù)題還加了最大發(fā)布日期限制。

這些題目反映了病毒監(jiān)測(cè)、診斷檢測(cè)設(shè)計(jì)和蛋白質(zhì)模型訓(xùn)練數(shù)據(jù)構(gòu)建中出現(xiàn)的任務(wù)，以測(cè)試最先進(jìn)的科學(xué)研究學(xué)員（如 ClaudeSonnet 4、Claude Opus 4.7、Biomni OSS、Edison Analysis、GPT）在利用現(xiàn)有基礎(chǔ)設(shè)施從病毒中檢索病毒序列時(shí)的能力。

Anthropic 選了一個(gè)「細(xì)節(jié)決定生死」的例子：2014 年 West African Ebolavirus（埃博拉病毒） outbreak 的序列檢索。對(duì)同一個(gè)查詢，盡管每次的提示都相同，但 Claude Sonnet 4 三次運(yùn)行卻分別返回了106、15 和 5條序列，而期望值是266。

這種波動(dòng)足以把下游分析徹底帶偏：人工整理的數(shù)據(jù)能恢復(fù)出2014 年 1 月的 TMRCA，和既有報(bào)告一致；但模型生成的數(shù)據(jù)集卻能把推斷時(shí)間推到1922 年，或者因?yàn)槁┑?Guinea 的樣本，把時(shí)間改寫(xiě)成2014 年 4 月。

圖 2：利用 Delphy 推斷出 2014 年西非疫情中的埃博拉病毒系統(tǒng)發(fā)育樹(shù)。第 1 至 3 次由 Sonnet 4 生成。

同樣的脆弱性也會(huì)打到治療分析上。文章拿埃博拉病毒糖蛋白的變異分析做了另一個(gè)例子：如果序列檢索不穩(wěn)，突變分布就會(huì)在不同運(yùn)行里給出三種不同印象。對(duì)公共衛(wèi)生和治療決策來(lái)說(shuō)，這不是「結(jié)果有點(diǎn)不一樣」，而是會(huì)直接影響「病毒從哪兒來(lái)」「診斷還能不能用」「現(xiàn)有治療還能不能頂住」這三個(gè)問(wèn)題。

圖 3：現(xiàn)有埃博拉病毒糖蛋白上的突變（紅色）。第 1 至 3 次由 Sonnet 4 生成。

gget 病毒

于是研究團(tuán)隊(duì)和 NCBI 合作做了gget 病毒。它把 NCBI Virus 網(wǎng)頁(yè)里那些原本只存在于界面邏輯中的過(guò)濾規(guī)則，正式化成一個(gè)可腳本化、可復(fù)現(xiàn)的命令行和 Python 工具。

它會(huì)協(xié)調(diào) REST、Datasets 和 E-utilities，決定哪些過(guò)濾能直接在遠(yuǎn)端做，哪些必須本地補(bǔ)做；它會(huì)處理分頁(yè)和批量下載，避免像 SARS-CoV-2 或 Influenza A 這種大結(jié)果集被半路截?cái)啵划?dāng)某些篩選依賴 GenBank 中的額外信息時(shí)，它還會(huì)把這些記錄拉回來(lái)一起判斷。最后，輸出的不只是結(jié)果，還有能讓人和機(jī)器都復(fù)查的日志。

圖 4：VirBench 基準(zhǔn)測(cè)試中的 AI 智能體性能，無(wú)論是否攜帶 gget 病毒。

當(dāng)賦予智能體訪問(wèn) gget 病毒的權(quán)限時(shí)，所有智能體的準(zhǔn)確率都超過(guò)了 90%，GPT-5.5 的準(zhǔn)確率峰值達(dá)到 99.7%。運(yùn)行間的變異性基本消除，模型間的性能差距大幅縮小。

換句話說(shuō)，添加確定性檢索層使模型選擇的重要性大大降低。

所以一旦把檢索層做成確定性的，模型之間的差別就沒(méi)那么重要了；真正決定結(jié)果的是底下那層基礎(chǔ)設(shè)施。

讓數(shù)據(jù)對(duì)智能體開(kāi)放

團(tuán)隊(duì)表示，仍然希望模型在提出假設(shè)、設(shè)計(jì)實(shí)驗(yàn)、推理機(jī)制時(shí)保持創(chuàng)造性，但在基因標(biāo)識(shí)符、模式、檢索邏輯、坐標(biāo)系統(tǒng)、元數(shù)據(jù)約定和數(shù)據(jù)訪問(wèn)路徑這些底層層面，系統(tǒng)必須「無(wú)聊到可信」。

作者也承認(rèn)，未來(lái)某一天智能體也許能自己穿過(guò)這些雜亂門(mén)戶，但即便如此，重復(fù)造輪子也未必劃算；對(duì)生物數(shù)據(jù)庫(kù)來(lái)說(shuō)，更重要的是從現(xiàn)在開(kāi)始就按智能體的使用方式來(lái)設(shè)計(jì)。

https://arxiv.org/pdf/2606.06749