图：一次全脑扰动实验产生的数据，比任何一个课题组能仔细读完的都要多（图片来源：Unsplash）
生物学的数据，正在以比科学家的注意力更快的速度增长。2026 年 10 月 21 日，OpenAI 与专注药物发现的 PerturbAI、斯克里普斯研究所（Scripps Research）联合发布了一项工作：用 1,946 个并行运行的 AI 智能体，在 32 分钟内读完并解读了一份小鼠全脑单细胞 CRISPR 图谱——数据来自数百万个脑细胞。团队估算，如果由人类研究员逐个扰动、逐篇读文献地做同样的分析，大约需要数月到一年。这项工作以预印本形式发布在 bioRxiv（Sun et al., 2026），OpenAI 官方博客同日刊文介绍。
这不是又一个”AI 加速科研”的口号，而是第一次把”千余个智能体分工读生物学数据”这件事完整跑通、并交给人类专家盲评验收的公开案例。
一、问题的起点：实验产出速度超过了课题组的研究带宽
要理解这项工作的价值，得先看它处理的数据是什么类型。全脑 CRISPR 图谱（whole-brain CRISPR atlas）基于 Perturb-seq 类实验：研究者逐一扰动基因，然后测量每个基因的破坏如何影响小鼠大脑中不同类型的细胞。这类实验的产出是海量的”扰动—细胞反应”配对——论文附图把整份图谱切成了 1,946 份扰动剖面（perturbation profiles）。
问题在于：实验设备一天能产生的数据，一个课题组可能要几个月才能消化完。 每一份扰动剖面背后，都是一个待回答的问题——这个基因被破坏后，哪些细胞类型受到了影响？反应说明什么机制？文献里有没有先例或旁证？这些问题的答案不会自动浮现，它们散落在数据矩阵和几千篇论文之间。
传统做法是一个研究生、一个基因地啃。PerturbAI 和斯克里普斯团队的判断是：既然每个扰动剖面天然独立，为什么不把”读懂一份剖面”变成一个智能体任务，然后并行跑上一千多个？
图：Perturb-seq 类实验在湿实验台完成，而数据解读长期是下游瓶颈（图片来源：Unsplash）
二、GPT-Rosalind 与”分布式生物推理”：分工、汇总、可溯源
驱动这一千多个智能体的，是 OpenAI 专门面向生命科学研究的模型 GPT-Rosalind（名字致敬 DNA 结构的发现者罗莎琳德·富兰克林），预览版于 2026 年 8 月 28 日公布。与通用模型相比，它被定位为能阅读文献、处理组学数据、辅助湿实验设计的科研专用模型。
整个流程被团队称为分布式生物推理（distributed biological reasoning），可以拆成三步：
| 环节 | 做法 | 产出 |
|---|---|---|
| 分工 | 1,946 个智能体各自认领一份扰动剖面，互不重叠 | 每个智能体专注一个基因扰动 |
| 推理 | 分析细胞反应、检索科学文献、提出机制解释 | 单扰动解读报告 |
| 汇总 | 把全部报告合并成统一图谱 | “推理图谱”：基因—细胞效应—文献—机制的关联网络 |
关键设计在于每个智能体的报告都要求可溯源：结论要连到具体文献与数据证据，而不是一段无法验证的自由发挥。汇总后的推理图谱把基因扰动、跨细胞类型的效应、相关论文与可能的生物学机制连成一张网，供科学家按图索骥。团队报告说，智能体把基因破坏的效应与文献发现连了起来，找到了一些此前未被注意的生物学关联，可为阿尔茨海默病、帕金森病等疾病研究提示新的方向。
图：每个智能体只负责一份扰动剖面，”一个基因一个研究员”（图片来源：Unsplash）
三、结果怎么验收：盲评、复现率与一条胆固醇新线索
AI 生成的科研报告最怕”看起来很专业但经不起推敲”。这次团队给了一套相对硬核的验收流程：
- 盲评：招募 30 名博士级生物学家，在不告知报告来源的情况下评审。评审结果总体支持智能体对”值得跟进的线索”的排序。
- 复现对照：智能体在拿不到原始图谱论文手稿的前提下，仅凭数据与文献，匹配或细化了原研究中 55 项发现里可由其获得数据推出的 48 项——约 87%。
- 时间对照：人类等效分析耗时按”每个扰动 15 分钟、每篇论文 10 分钟”的假设折算，估算为数月到一年。注意这是作者自建的示意性估算，并非实测，这一点我们在下一节展开。
图：上千份单扰动报告汇总成一张可检索的推理图谱（图片来源：Unsplash）
单智能体基线也给出了一个好例子：扰动 DCTN1——一个已知与神经退行性疾病相关的基因——后，参与胆固醇合成的基因活性上升。基线智能体提出的解释是：如果神经元内部转运胆固醇出了问题，细胞可能会代偿性地生产更多胆固醇。三位盲评专家给这条线索的”跟进优先级”平均分达到 4.3 / 5。
未参与该研究的 UCSF 神经外科副教授 Tomasz Nowakowski 在 OpenAI 的公告中评价道：”有些线索其实早就摆在那里，只是散落在不同领域之间——我们一直没有把它们连起来。”这条胆固醇线索的价值恰恰在于跨领域连接：基因扰动数据里的一个异常读数，配上胆固醇生物学与神经退行性疾病的文献背景，才浮现出一条值得做实验验证的假说。
图：DCTN1 扰动与神经元内胆固醇转运的关联，是一条尚待湿实验检验的线索（图片来源：Unsplash）
四、冷思考：32 分钟这个数字该怎么读
把”数月到一年”压到 32 分钟很抓眼球，但有几个限定值得摆在明面上：
- 对比基线是估算，不是实测。 “数月到一年”建立在两个假设时长之上（每个扰动 15 分钟、每篇论文 10 分钟），是作者构造的示意性数字。真实世界中人类分析会并行分工，不会严格串行；反过来，智能体的 32 分钟背后是大量并行算力。这个对比说明的是数量级的差异，不宜当精确工时读。
- 并行算力不等于并行认知。 系统复现了人类分析的大部分结论并给出了新线索，但”读懂一份剖面”与”提出一个正确的机制假说”之间仍有距离——报告的机制解释很多仍是”值得检验的猜想”。
- 幻觉风险没有消失。 智能体同样可能给出看似合理但错误的文献关联。这次的缓解手段是溯源要求加专家盲评，本质上是把验证交还给人类，而不是声称 AI 自己不会错。
- 预印本尚未同行评审。 bioRxiv 预印本的结论强度与最终见刊版本可能不同，这正是”AI 参与的科研”也需要走完整学术流程的原因。
换句话说，这次工作压缩的是从数据到线索的时间，而不是从线索到知识的时间。前者恰恰是过去最浪费科学家精力的一段——值得做的是把人从”大海捞针”里解放出来，把针交给他们去检验。
图：30 位博士级生物学家的盲评，是这次工作最重要的质量闸门（图片来源：Unsplash）
五、生态的注脚：专用模型正在走向学术实验室
把这件事放进 10 月的大背景里看，脉络更清晰。《经济学人》10 月 14 日刊文讨论”AI 将让人从零开始设计并构建生物体”的远景；而 OpenAI 自己也在 10 月向美国高校实验室开放了 Rosalind Academic Plan——符合条件的教学实验室可获得最多 30 个赞助的 ChatGPT/Codex 席位、GPT-Rosalind 使用权与覆盖药物化学、基因组学、湿实验辅助的 Rosalind Workbench。工具供给与学术需求正在加速对接，当然，围绕数据治理与学术独立性的讨论也随之而来。
通用大模型竞赛之外，”科研专用模型 + 智能体编排”正在成为一条独立的路线：模型内化领域知识，智能体解决规模问题，剩下最难的部分——判断哪条线索值得押上真金白银的实验成本——留给科学家。
六、挑战与展望
短期看，这类系统的天花板不在模型，而在验证带宽：当 AI 一天能提出一百条线索，实验室的通量就成了新瓶颈。中期值得关注的三个问题：一是评测标准——如何为”AI 生成的生物学假说”建立类似基准测试的横向比较；二是可复现性——推理图谱的每条边都需要能被独立复核；三是数据边界——云端模型接触未发表组学数据时的合规与隐私框架。
更长期的问题则关乎科研分工本身：当”读完全部数据”不再稀缺，科学家的判断力——决定什么值得做——会成为最贵的资源。
结语
从 AlphaFold 把结构预测变成日常工具，到 Co-Scientist 生成可检验的假设，再到这次 1,946 个智能体并行解读全脑图谱，AI 在生命科学里的角色一步步从”更快的计算器”走向”规模化的初级研究员”。32 分钟读完数百万细胞的数据，靠的不是某个模型突然变聪明，而是一个朴素的工程判断：把问题切小，让智能体并行，把结论连回证据。
“有些线索其实早就摆在那里，只是散落在不同领域之间——我们一直没有把它们连起来。” —— Tomasz Nowakowski, UCSF
参考资料
- OpenAI, “Using thousands of AI agents to uncover new leads in biological data”, 2026-10-21. https://openai.com/index/scaling-ai-research-for-complex-biological-data
- Sun et al., bioRxiv (2026), 全脑 Perturb-seq 图谱与分布式生物推理预印本（CC BY 4.0）
- R&D World, “OpenAI deploys nearly 2,000 GPT-Rosalind agents to generate biological research leads in 32 minutes”, 2026-10-21. https://www.rdworldonline.com/openai-deploys-nearly-2000-gpt-rosalind-agents-to-generate-biological-research-leads-in-32-minutes
- OpenAI, “Bringing GPT-Rosalind to academic research”（Rosalind Academic Plan），2026-10
- The Economist, “AI will make it possible to design and build organisms from scratch”, 2026-10-14