Paving the way for AI agents in biology（為生物學中的 AI 代理鋪路）

來源： Anthropic Science (Laura Luebbert) 原文日期： 2026-06-08

中文摘要

本文探討為何 AI 代理在軟體開發領域進展迅速，但在生物學研究中卻步履蹣跚。核心論點：瓶頸不在 AI 推理能力，而在生物數據基礎設施缺乏「確定性執行層」（deterministic execution layer）。研究團隊以 NCBI Virus 病毒資料庫為案例，測試各類 AI 代理（Claude、GPT 等）的病毒序列檢索能力。結果發現：即使是最強的模型，在沒有專用工具輔助時，檢索準確率僅 16.9%-91.3%，且同一個模型三次回答可能完全不同。但加入 gget virus 確定性檢索層後，準確率飆升至 99.7%。作者借用 Andrej Karpathy 的觀點：我們需要為代理「鋪路」，而不是讓它們在為人類設計的基礎設施中掙扎。

關鍵洞察

⭐ AI 代理的瓶頸不在推理能力，而在基礎設施的「代理友好度」：生物數據庫的設計需從「人類瀏覽」轉向「機器可程式化存取」

確定性層（deterministic layer）比模型能力更重要：加入 gget virus 後，不同模型間的效能差距急劇縮小，便宜模型 + 好工具 = 可靠結果

科學研究的後果嚴重：病毒序列檢索錯誤可能導致疫情爆發時間推斷錯誤數十年（案例中從 2014 年變成 1922 年）

與 Karpathy 的「軟體轉向代理時代」觀點呼應：代碼是最簡單的部分，最難的是讓代理能操作為人類設計的介面

原文關鍵句（英文保留）

> "The bottleneck for biological agents is not only reasoning but the absence of widespread deterministic execution layers for querying biological data."

對 CJ 哥的價值

對企業 AI 策略有深遠啟示：導入 AI 代理時，不能只關注模型能力，更要投資於「基礎設施的代理化改造」。這可應用於企業 AI 轉型顧問項目中，提醒客戶：AI 成功落地需要數據基礎設施的配套改造，而非單純買更好的模型。