一个从 1986 年就被人发现、但 40 年都没人搞清楚长什么样的蛋白颗粒，Claude 帮科学家看清了。
Anthropic 在 11 月 4 日公布了这项结构生物学新成果：Claude 协助研究人员解析出首个原核生物 vault 粒子的三维结构。这是一种源自噬菌体（也就是感染细菌的病毒）的 vault 状蛋白颗粒，由 96 个蛋白质拷贝构成。Claude 参与了序列搜索、纯化和显微分析的全过程。《科学》（Science）杂志也报道了这项发现，并指出这类奇特蛋白结构可能比此前认为的有着更古老的演化历史。
vault 粒子自 1986 年被发现以来，它的用途至今仍是未解之谜。40 年，几代科学家都没啃下来，AI 一来就啃下来了。这件事的意义，远不止多了一张漂亮的三维结构图。
Claude 到底干了什么
先纠正一个常见的误解：Claude 不是坐在那儿凭空“算”出了结构。它做的是科研助理的活，而且是那种最磨人的活。
序列搜索：在海量蛋白序列里找出可能相关的候选；纯化方案：帮研究人员设计怎么把这种颗粒从细菌里分离提纯；显微分析：处理和分析电镜数据，把模糊的信号拼成清晰的三维结构。
这些环节单独看都不性感，但串起来就是科研里最耗时间的部分。一个博士生可能要花几个月试错的流程，AI 帮着几天就跑完了。省下来的时间，研究人员才能去想真正重要的问题：这东西到底是干什么用的。
AI 正在从聊天工具变成科研合作者
同样是 11 月 4 日，OpenAI 公布了 AI 智能体 30 小时挖出 948 个 Linux 内核漏洞的研究。一边是挖漏洞，一边是解结构——同一代 AI，正在同时改写攻防两端和科研范式。
这才是值得注意的趋势。过去两年，大家讨论 AI 的能力，谈的都是写代码、写文章、画图。但今年下半年，AI 开始频繁出现在正经科研成果的致谢名单里：帮数学家证明难题、帮生物学家解析结构、帮安全研究员挖漏洞。它不再只是“帮你写点东西的工具”，而是开始进入人类知识生产的上游。
当然，这也带来一个新问题：当 AI 深度参与科研，成果的归属、复现和验证该怎么算？一个 AI 协助发现的结构，别的实验室能不能复现？AI 在中间做了多少“判断”，这些判断有没有被记录下来？这些问题现在还没有标准答案，但很快就会有人认真讨论。
别急着吹，也别急着贬
每次 AI 在科研上取得突破，舆论都会分成两派：一派说“科学家要失业了”，一派说“这不过是高级计算器”。两种说法都不对。
vault 粒子的结构是 Claude 和科学家一起解析出来的，不是 Claude 自己发了一篇论文。实验设计、样本制备、结果解读，仍然是人的工作。AI 加速的是中间那些重复、繁琐、耗时的环节，而不是替代科学家的判断。
更值得期待的是下一步：结构看清了，vault 粒子的用途之谜会不会随之解开？它在细菌里到底扮演什么角色？会不会和抗生素耐药性、噬菌体疗法这些实际应用挂上钩？这些问题的答案，可能比结构本身更重要。
从 vault 粒子看 AI 科研的边界
这件事还有一个值得展开的背景：AI 在生物学上的突破，已经不是第一次了。AlphaFold 解决了蛋白质结构预测的问题，让科学家能快速知道一个蛋白大概长什么样。但 vault 粒子不一样——它不是单个蛋白，而是一个由 96 个蛋白拷贝组成的复杂颗粒，它的结构、组装方式、在细胞里的行为，都需要实验数据一点点拼出来。
Claude 这次做的事情，更像是把 AlphaFold 的思路延伸到了实验环节：不是替代实验，而是让实验的每一步都更快、更准。序列搜索更快、纯化方案更优、电镜数据分析更高效。这种“实验加速器”的角色，可能是 AI 在科研里最有潜力的位置。
但边界也很清楚。AI 能帮你把结构解析出来，但它回答不了“这东西是干什么用的”。功能的猜测、生物学意义的解读、后续实验的设计，仍然需要科学家的直觉和经验。AI 是望远镜，不是天文学家；是显微镜，不是生物学家。工具越强，人的判断反而越重要。
写在最后
40 年未解的谜，AI 帮着解开了第一步。但这件事真正的信号不是“AI 比科学家厉害”，而是科研的生产方式正在改变：以前一个人啃几年的硬骨头，现在人机合作几个月就能啃下来。下一批被 AI 加速的，可能就是你所在领域的那个“40 年未解之谜”。
