新智元報道

【新智元導讀】頂級AI編碼一日千里，到了生物學領域卻頻頻翻車，并非模型不夠聰明，而是科學數據庫至今只為人類點鼠標而生。

最強的模型，栽在了最不該栽的地方：數數上？

近日，Anthropic發了一篇題為《為生物學智能體鋪路（Paving the way for agents in biology）》的科學博客，其中一組數字讓人后背發涼。

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

研究者讓當前最強的幾個科研智能體（Claude、GPT、Biomni、Edison Analysis）做一件聽起來毫無難度的事：從NCBI Virus數據庫里，準確數出符合條件的病毒序列有多少條。

結果，沒有一個能穩定答對。

更離譜的是，同一道題、同一個模型、同一段提示詞，問三次，答案能差出幾十倍。

Claude Sonnet 4檢索一條埃博拉病毒序列查詢，第一次返回106條，第二次15條，第三次5條。而正確答案是266條。

是AI搞生物學真的不行嗎？

這背后藏著一個扎心的真相，在科學領域，智能體真正的短板并非推理，而是它壓根沒有一條穩定、可復現、機器能走的路，去把數據準確地取出來。

無專用檢索層時，各家系統的平均準確率從16.9%一路散到91.3%，即使是新模型有進步，但殘留的錯誤依舊致命：因為這類任務的及格線，實際上是100%。

少一條記錄，可能就讓一個診斷試劑看起來覆蓋了所有流行毒株，或者讓一場疫情的起點被推算錯好幾周。

那么，問題到底出在哪？

為馬車修的城

跑不動汽車

Anthropic給了一個特別形象的比喻：用智能體去跑生物數據庫，就像開車穿越一座汽車出現之前建好的老城。

街道也許優雅、講究，但全是為馬車設計的窄巷急彎。零散的數據庫、千奇百怪的文件格式、一次性的檢索腳本，都是這座老城的一部分。你可以給它加點交通標志、辟幾個停車場、拓寬一兩條路，但底層的城市布局，從一開始就不是為汽車準備的。

軟件的世界正相反。它是一座為車而建的新城：平整的柏油路、清晰的車道、標準化的信號燈。版本控制、文檔齊全的API、包管理器，一整套讓你從起點高速直達終點的系統，天生就為「車」（也就是智能體）鋪好。

所以代碼智能體一日千里，生物智能體卻原地打轉。

軟件領域給出的是結構化的數字工作流和可靠接口，一個GitHub issue，生成補丁、跑通測試、當場驗證。生物領域給出的是脆弱、異質、依賴具體流程的基礎設施，幾乎沒有簡單、可驗證又有意義的獎勵信號。

具體到NCBI Virus，麻煩更加明顯。它本質上是一個網頁門戶。你在網頁上勾選條件：宿主是人類、采樣地在非洲、序列長度大于某個值、排除實驗室傳代樣本，網站后臺才把這些條件翻譯成對底層多個數據庫（GenBank、RefSeq、INSDC體系）的查詢，再把結果篩出來給你。

NCBI Virus門戶首頁：檢索病毒序列得先在網頁上選選項、敲關鍵詞、點篩選，整套交互為人類設計，機器難以直接復用。

它的大量過濾邏輯，是寫在網頁這一層的，沒有對外開放成一個干凈的程序接口。

對于人類病毒學家，這只是瀏覽器里點幾下的事。對于機器（智能體），這簡直就是災難。因為智能體能直接調用的，是底層那幾個原始API（REST、Datasets、E-utilities），而這些API并不暴露和網頁一模一樣的過濾語義。

舉個具體的例子：

網頁上「采樣地在非洲」是一個勾選框，背后可能要把幾十個國家的元數據字段對齊，還要處理那些字段寫法不統一的記錄；「含表面糖蛋白」這種條件，光靠序列本身判斷不了，得再去GenBank把每條記錄的基因／蛋白注釋拉回來比對。

這些隱性步驟，網頁幫你做了，但原始API不幫你做。

于是智能體只能自己「猜」著把這套邏輯重新拼一遍。拼漏了就少計算（漏掉非洲某國的序列），拼錯了就多計算（過濾條件理解偏了）。

這正是Sonnet 4同題三答106、15、5的根因：它每次重建的過濾邏輯都不完全一樣。

gget virus要解決的，恰恰就是這件事：把網頁界面里那套藏著的過濾行為，重新實現成一個穩定、可復現、機器能直接調用的程序化系統，讓智能體不必每次再去猜一遍。

數錯一條序列

疫情起點偏移幾周

如果你覺得「數錯幾條序列」無傷大雅，下面這個現場會改變你的看法。

2026年5月，剛果（金）爆發邦地布焦型埃博拉疫情。5月14日，金沙薩的INRB分析了13份血樣，次日確認其中8例。到5月29日，WHO報告確診與疑似病例已超1000例，死亡逾200人。

研究者面前擺著三個生死攸關的問題：這次的病毒和以往差多大？現有診斷還測得出來嗎？現有療法還管不管用？

回答這些，都要把新基因組和NCBI Virus里的歷史埃博拉基因組逐一比對。而這套分析的第一步，恰恰就是手動點網頁、手動復現一長串復雜過濾條件，再祈禱拉出來的數據集是完整、正確的。

研究者用前面那條埃博拉查詢，讓Sonnet 4拉數據、建系統發育樹，去推算「最近共同祖先時間（TMRCA）」。這是推斷一場疫情何時起源的關鍵量。

人工精校的數據集，給出的TMRCA是2014年1月，和既往報告一致。

而Sonnet 4跑出來的三套數據，兩套明顯存在殘缺。其中一套把推算出的起源時間從2014年拉回到了1922年，憑空多算出九十多年。剩下那套看著像模像樣，卻漏掉了幾內亞的序列，把起源時間悄悄挪到了2014年4月，時間線就此被改寫。

扎伊爾型埃博拉系統發育樹：左上為人工精校數據，Run 1至3為Sonnet 4檢索結果。紅色虛線標注TMRCA，灰色代表缺失或錯誤的國家信息。

抗體療法分析也一樣。研究者想看看maftivimab、MBP134這兩款埃博拉抗體療法瞄準的位點，歷史上有沒有出現過突變，借此判斷療法還能不能跟上病毒進化。結果Sonnet 4三次跑出三種完全不同的突變圖景。

扎伊爾型埃博拉糖蛋白突變分布，紅色越深頻率越高，球體為maftivimab、MBP134抗體結合位點。最左為人工精校數據，Sonnet 4三次檢索（Run 1至3）結果各不相同。

失敗模式很清楚：拉大結果集時中途停手就漏數；過濾條件用錯，就超數。流感A、HIV-1等記錄海量的病毒，偏差最大。過濾條件一旦超過三四個并行，性能直接崩。

錯得理直氣壯，是科研里最可怕的一種錯誤。

給老城挖一條機器專用隧道

那么，怎么修？

Anthropic和NCBI的研究者合作，造了一個叫gget virus的東西。

它不是又一個花哨的「AI插件」，而是一個確定性檢索層。本質上，它把NCBI Virus網頁界面里那套過濾行為，翻譯成了可復現的程序化系統。

技術上，它統籌REST、Datasets、E-utilities幾個底層系統，自動判斷哪些過濾能走API、哪些得本地校驗。它處理批量取數，讓大結果集被完整拉下來，而不是中途被截斷。

它從INSDC體系（NCBI、ENA、DDBJ）下載病毒核苷酸序列和鏈接元數據，輸出FASTA、CSV、JSONL這些人和機器都讀得懂的格式，還附帶詳細日志，告訴你這個結果到底是怎么算出來的。對高頻查詢，它把數據傳輸量壓縮了超過98%。

效果立竿見影。

接入gget virus后，所有被測系統準確率全部沖到90.0%以上，GPT-5.5飆到99.7%。運行之間的隨機抖動幾乎消失，穩定性升到0.92到1.00。

最妙的是，模型之間的差距也被大幅抹平了。

VirBench基準上各智能體的檢索準確率：接入gget virus（深色）后全部沖過90%，最右為gget virus單獨運行。

把這句話翻譯一下：加上確定性工具層之后，你用哪個模型，不那么重要了。

這才是真正值得注意的地方。

可靠的數據集構建，本不該取決于你買不買得起最新最貴的模型，也不該取決于你恰好知道哪個模型最適配哪個數據庫。便宜的模型配上對的工具，照樣穩。

還有一個有趣的細節。在360次運行里，GPT-5.5曾在沒被任何提示的情況下，自己找到并用上了gget virus。而那一次，是它在那道題上唯一答對的一次。

工具的價值，模型自己用腳投了票。

真正的勝負手

從模型轉向地基

將視野拉遠一些，這件事遠不止關于病毒。

同樣的摩擦，出現在每一個「為人類、而非為智能體設計」的環境里。

幾個月前Karpathy講AI時代的軟件，吐槽自己vibe coding做個小網頁應用，真要上線（登錄、支付、部署），一周時間全耗在瀏覽器里點來點去。他的總結是：「寫代碼是最簡單的部分?！?/p>

Karpathy演講幻燈片「Docs for people」：Vercel、Clerk等服務的配置文檔全是為人類設計的「點這里、填那里」，LLM無法直接調用。

生物學家聽完Karpathy的吐槽后，也許頗能夠共鳴：這種痛苦，他們可能已經忍了很多年。

gget virus并非個例，同樣在搭建這種「上下文引擎」的，還有ToolUniverse、Robin、Biomni等一批生物醫學智能體。

難題在于：確定性到底該放在哪一層，又該怎么搭。

當然，也有人會問：模型進步這么快，萬一哪天智能體強到能自己穿越混亂門戶、對齊ID、正確翻頁、出錯自愈，gget virus這類「腳手架」會不會瞬間歸零？

有可能。但Anthropic的答案是：就算智能體做得到，也不代表每次都該讓它從頭重新發明一遍。

一個能自己趟過這套混亂取數流程的模型，可能太貴、太慢、太難審計、太難信任，撐不起日?？蒲?。

更何況，哪怕腳手架終將過時，給生物數據庫的教訓依然成立：從現在起，就得把智能體當成規?；脩簦瑥囊婚_始就為大規模調用而建。

這場競賽的表面，是模型誰更聰明。往下一層，比的是誰的地基更適合機器奔跑。

我們要模型在生成假設、設計實驗時天馬行空。但它腳下那層：基因標識符、數據schema、檢索邏輯、坐標系統、元數據約定，必須要「無聊」得絕對可靠。

模型曲線還在往上走。

但這一輪真正的勝負手，或許不在云端的大模型，而在底下那層沒人愿意修、卻決定成敗的數據基礎設施上。

參考資料：

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

編輯：元宇