Anthropic用120個真實病毒檢索任務為生物學中的智能體鋪平道路

編輯丨&

人類似乎已經習慣于 AI 帶來的突破：預測蛋白結構、設計抗體、發現藥物分子、分析基因組數據。似乎只要模型再強一點，實驗室里的許多工作都能被自動化。

那么新的問題由此誕生。

如果未來的 AI 不再只是回答問題，而是像研究員一樣自己查數據庫、整理數據、運行分析流程、提出假設并驗證結果，那么生物學是否已經準備好了迎接這樣的「scientific agents 」？

2026 年 6 月 8 日，Anthropic 的「Paving the way for agents in biology」文章中對此問題進行了深入思考。他們認為，很多時候，真正的瓶頸藏在更底層的地方——數據庫、檢索系統，以及那些幾十年來為人類研究者設計、卻從未為 AI 設計過的生物信息學基礎設施。

為了驗證這一點，研究團隊讓多個當前最先進的 AI 系統完成真實病毒學研究中的數據檢索任務。結果顯示，即使面對完全相同的問題，不同運行之間得到的數據集也可能相差數十倍；而這種差異最終足以改變疾病傳播分析、進化樹重建甚至藥物評估的結論。

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

案例研究：病毒學

軟件世界像是為汽車修過的道路，版本控制、標準化 API、包管理器這些東西，天然就是給機器和自動化流程準備的；而生物數據庫則過于難用。畢竟人類不能期望機器理解生物。

為了把這件事說得更實，團隊做了一個名叫VirBench的基準，里面有120 個人工核對的病毒序列查詢，覆蓋40 種病原體，任務來自真實 virology 工作流，包括監測、診斷試劑設計和訓練數據構建。

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 個過濾條件，既有宿主、地理位置、日期范圍、序列長度、完整性，也有分段病毒、疫苗株狀態這些更細的約束；為了讓結果可復現，大多數題還加了最大發布日期限制。

這些題目反映了病毒監測、診斷檢測設計和蛋白質模型訓練數據構建中出現的任務，以測試最先進的科學研究學員（如 ClaudeSonnet 4、Claude Opus 4.7、Biomni OSS、Edison Analysis、GPT）在利用現有基礎設施從病毒中檢索病毒序列時的能力。

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

這種波動足以把下游分析徹底帶偏：人工整理的數據能恢復出2014 年 1 月的 TMRCA，和既有報告一致；但模型生成的數據集卻能把推斷時間推到1922 年，或者因為漏掉 Guinea 的樣本，把時間改寫成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發育樹。第 1 至 3 次由 Sonnet 4 生成。

同樣的脆弱性也會打到治療分析上。文章拿埃博拉病毒糖蛋白的變異分析做了另一個例子：如果序列檢索不穩，突變分布就會在不同運行里給出三種不同印象。對公共衛生和治療決策來說，這不是「結果有點不一樣」，而是會直接影響「病毒從哪兒來」「診斷還能不能用」「現有治療還能不能頂住」這三個問題。

圖 3：現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

于是研究團隊和 NCBI 合作做了gget 病毒。它把 NCBI Virus 網頁里那些原本只存在于界面邏輯中的過濾規則，正式化成一個可腳本化、可復現的命令行和 Python 工具。

它會協調 REST、Datasets 和 E-utilities，決定哪些過濾能直接在遠端做，哪些必須本地補做；它會處理分頁和批量下載，避免像 SARS-CoV-2 或 Influenza A 這種大結果集被半路截斷；當某些篩選依賴 GenBank 中的額外信息時，它還會把這些記錄拉回來一起判斷。最后，輸出的不只是結果，還有能讓人和機器都復查的日志。

圖 4：VirBench 基準測試中的 AI 智能體性能，無論是否攜帶 gget 病毒。

當賦予智能體訪問 gget 病毒的權限時，所有智能體的準確率都超過了 90%，GPT-5.5 的準確率峰值達到 99.7%。運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，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那么重要了；真正決定結果的是底下那層基礎設施。

讓數據對智能體開放

團隊表示，仍然希望模型在提出假設、設計實驗、推理機制時保持創造性，但在基因標識符、模式、檢索邏輯、坐標系統、元數據約定和數據訪問路徑這些底層層面，系統必須「無聊到可信」。

作者也承認，未來某一天智能體也許能自己穿過這些雜亂門戶，但即便如此，重復造輪子也未必劃算；對生物數據庫來說，更重要的是從現在開始就按智能體的使用方式來設計。

https://arxiv.org/pdf/2606.06749