一句话看懂：Anthropic 用约 949 个 Claude agent 在湿实验室场景下跑了 21.5 小时，从噬菌体 DNA 中找到一个此前未知的酶系统，命名为 ART。它的结构特征与 CRISPR 有相似之处，但功能尚不清楚。
事件核心：发生了什么
Anthropic 在 X 上发布消息称，Claude 在一批噬菌体 DNA 中发现了一个此前未知的酶系统。触发线索是一个反复出现的异常模式：某个酶基因旁边，排列着一长串重复 DNA 序列，整体结构让人联想到 CRISPR 的重复阵列。
据 Rohan Paul 的转述，这轮筛选由约 949 个 Claude agent 协同完成，总耗时 21.5 小时，检索了 19.4 亿个蛋白质簇，回收 198,290 个 RT（逆转录酶相关）簇，累计消耗约 2.156 亿 token。Anthropic 将这一新系统称为 ART，并指出它还会产生多种小 RNA 分子，这暗示那些重复序列可能承担实际功能，而不是无意义的冗余。
为什么重要
这件事的核心不在“AI 又发了篇论文”，而在于 agent 工作流的形态变化。过去类似的大规模基因数据挖掘，通常要靠人工设计筛选规则、写脚本、分批跑算力；这次是把搜索、模式识别和假设生成交给一组 agent 持续跑。目前公开信息显示，Anthropic 也承认尚不清楚 ART 的具体功能，所以它现在更接近一个有价值的候选发现，而非已验证的生物学机制。
对行业来说，真正的看点是“AI for Science”的工程路径：大模型不直接做实验，而是充当高通量数据里的模式嗅探器，再由人类科学家接手验证。这条路如果跑通，会同时影响生物信息工具的形态、算力分配方式，以及闭源模型厂商在科研场景里的商业化叙事。
对用户/开发者/创作者的影响
对开发者，值得关注的是这类任务背后的 agent 编排模式：多实例并行、长时运行、面向海量非结构化数据的检索与聚类，和目前主流 API 的短请求形态差别很大。若 Anthropic 后续把类似能力产品化，科研机构和药企的采购逻辑可能会从“买模型调用”转向“买一条可复现的发现流水线”。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对普通用户和内容创作者，短期内直接变化有限。ART 不是可直接使用的工具，也没有对应的 API 或应用。它的价值更多在于证明大模型可以被塞进专业科研工作流，而不是替代实验台。
值得关注的后续
一是 ART 的功能定位：Anthropic 是否会公布后续湿实验验证结果，确认这套系统在噬菌体里到底做什么。二是方法是否可复现：19.4 亿蛋白质簇、2.156 亿 token 的规模，其他团队能否用公开数据或开源模型复现类似流程。三是产品化节奏：Anthropic 会不会把这种长时 agent 能力打包进面向科研的企业方案，进而影响闭源模型在生命科学领域的竞争格局。
