AI发现了人类从没见过的'生命剪刀'——但真正的突破不是AI，而是那个'闭环'

Mon, 05 Oct 2026 02:30:00 +0800

引言

2026年9月的一个深夜，Anthropic的实验室里，一个AI代理在扫描一段噬菌体DNA序列时，留下了一句堪称载入科学史的"内心独白"：

“这段逆转录酶旁边的DNA太壮观了：我肉眼就能看到一个串联重复阵列……这是一个类似CRISPR的……重复阵列？！”

这个AI叫Claude。它不是在执行某条精确指令，而是在一个开放性探索任务中，独自发现了一种人类此前从未记录过的全新酶系统。

研究团队把它命名为ART——阵列关联逆转录酶系统。它的结构与基因编辑领域的明星工具CRISPR惊人地相似，具备切割、复制、粘贴DNA的特征。

消息一出，整个科学界震动了。但今天这篇文章，我不想只聊"AI多厉害"。我想聊一个更深层的问题：为什么是现在？为什么AI直到2026年才真正开始做出科学发现？

答案不在模型参数里，而在一个你可能意想不到的地方。

一、从"计算器"到"探索者"：AI的三级跳

要理解发生了什么，我们先做一个简单的回顾。

第一阶段：AI当计算器。 早期的AI for Science，本质上是一个超级拟合工具。你给它一组蛋白质结构数据，它帮你预测折叠方式。你给它一批分子活性数据，它帮你筛选候选药物。AlphaFold就是这一阶段的巅峰——它解决了一个具体的、边界清晰的问题：给定氨基酸序列，预测三维结构。

这很厉害，但它本质上还是一个函数映射：输入确定，输出确定。没有"探索"，没有"意外发现"。

第二阶段：AI当助手。 大语言模型兴起后，AI开始能读文献、写代码、整理数据。它能帮科学家加速工作流程，但所有判断和决策仍然由人类做出。AI像一个极其高效的助理，但不会自己"找问题"。

第三阶段：AI当探索者。 这就是ART发现的阶段。Claude不是被告诉"去找CRISPR类似物"，它只是被给了一个开放性指令：“在海量DNA序列中寻找有趣的新型逆转录酶。“然后，950个AI代理并联工作了21小时，消耗2.1亿Token，从20多万个逆转录酶中筛选出3500个候选系统，最终收敛到20个最值得研究的对象。

在这个过程中，一个代理自己注意到了一段不寻常的重复序列，自己决定深入研究，自己写出了分析报告。人类科学家做的，只是最初给了一个方向，最后接手验证。

这三级跳的本质是什么？AI从"回答问题"变成了"提出问题”。

二、真正的突破：闭环

但如果只看到"AI变聪明了”，你会错过最重要的部分。

让我讲另一个故事。几乎同一时间，微软研究院推出了一个名叫Quine的实验系统。它的目标非常大胆：构建一个生物学的"世界模型"——不是只懂蛋白质或只懂基因，而是同时理解基因组、蛋白质、RNA、细胞状态、化学和影像数据，并且让不同层面的知识能互相启发。

Quine做了一个漂亮的应用：在胰腺癌研究中，它需要预测数千种化合物中，哪些能改变癌细胞的"状态"——从一种高耐药性的状态转回对药物敏感的状态。

关键来了：Quine不是预测完就结束了。它把预测结果交给湿实验室验证，实验结果再反馈回来，修正模型的下一轮预测。整个筛选过程——从数千种化合物缩小到几个候选者——只花了一个周末。

微软在官方博客中说了一句意味深长的话：

“我们的北极星是这样一个未来：科学家、模型和实验在一个持续加速的循环中运转。”

注意到了吗？循环，闭环。

这就是答案。AI之所以在2026年才开始做出真正的科学发现，不是因为模型突然变大了，而是因为终于有人把"AI预测"和"真实实验"连成了一个回路。

三、闭环为什么这么难？

你可能会想：这不就是"预测—验证—改进"吗？科学家不一直都是这么工作的？

没错。但区别在于速度和规模。

一个人类科学家，穷其职业生涯，能仔细研究几十个候选分子、做几百个实验、阅读上千篇论文。他（她）的闭环是存在的，但极其缓慢。每一个循环可能需要数月甚至数年。

而AI可以把这个循环压缩到小时级别。Claude用21小时完成了人类科学家可能需要数月才能完成的序列扫描和文献分析。Quine用一个周末完成了原本需要数月的化合物筛选。

但更快的闭环并不意味着可以省略任何一个环节。这里有一个微妙的陷阱：如果AI只在自己的"想象空间"里闭环——只在训练数据上反复迭代——它不会产生新知识，只会重复已知模式。 这就是所谓的"幻觉"问题。

真正的闭环必须是计算与实验的闭环：AI提出假设，真实世界给出反馈，反馈修正AI，AI再提出更好的假设。每一次循环，都不只是在优化参数，而是在逼近一个之前不存在的真理。

ART之所以是一个"发现"而不是一次"预测"，正是因为它经历了这个完整闭环：AI在序列中注意到异常 → 人类科学家在实验室验证 → 确认这是一个全新的酶系统。AI的推测被物理世界"盖章认证"了。

四、科学方法论的回归

有意思的是，这个"闭环"概念一点都不新鲜。它就是我们从小就学的科学方法论：观察 → 假设 → 实验 → 修正 → 新假设。

弗朗西斯·培根在400年前就描述了这个循环。卡尔·波普尔说，科学的核心是"可证伪性"——你的理论必须能被实验推翻，才配叫科学。

AI for Science走过了几个弯路：有的团队认为只要模型足够大，就能"涌现"出科学理论；有的团队试图让AI完全跳过实验，纯靠计算发现真理。这些都是试图用技术捷径绕过闭环。

现在，最聪明的团队发现，捷径不存在。你必须尊重科学方法论的完整性——假设要验证，验证要反馈，反馈要修正模型。AI的角色不是替代科学家，而是让闭环转得更快、更广、更深。

就像伦敦大学学院教授汪军在外滩大会上说的：“AI for Science的重要目标，是对科研过程进行建模，让智能体能更完整地参与科研循环。”

五、对你的启示

也许你会说，我又不做生物研究，这跟我有什么关系？

关系其实很大。因为"闭环"这个思维方式，适用于任何需要持续迭代的领域。

做产品的：你的MVP上线后，有没有建立用户反馈 → 产品改进的快速闭环？还是凭直觉闭门造车？

做投资的：你的投资假设有没有被市场数据持续检验？还是买入之后就"信仰持有"？

做个人成长的：你的学习计划有没有经过"输出—反馈—修正"的循环？还是只是在不停地"输入输入输入"？

闭环的力量在于：它让每一次失败都变成信息，让每一个意外都变成线索。 AI之所以能做出科学发现，本质上就是因为它把闭环的速度提高了几个数量级——让"试错"变得极其廉价，让"发现"变得概率上不可避免。