OpenAI 在 10 月 21 日发布的这项研究，标题就很有画面感：用数千个 AI Agent 并行分析数百万个脑细胞的数据，32 分钟挖出人类要花数月到一年的线索。合作方是 PerturbAI 和 Scripps Research，用的模型是专门做生物学推理的 GPT-Rosalind。这篇把它的方法和发现讲清楚。
分布式生物推理
这件事的关键词是「分布式」——不是让一个超强 Agent 啃下整个数据集，而是把任务切成几千份，每个 Agent 只负责一个基因扰动。方法名叫「分布式生物推理」。数据是全脑 CRISPR 图谱，记录基因扰动如何影响小鼠大脑里数百万个不同类型的细胞。团队把分析任务分配给数千个由 GPT-Rosalind 驱动的 Agent 并行执行，每个 Agent 负责一个基因扰动，去调查它的影响、分析细胞反应、检索科学文献，最后为这个结果提出生物学解释。
具体怎么做
所有 Agent 的报告合并成一份「推理图谱」，把基因、细胞效应、相关文献和可能的生物学机制连起来。图谱已经公开在 GitHub 上，数据集也放在了 Hugging Face，研究者可以立即上手探索、比较相关基因、调查意外反应、识别值得追踪的线索。这种「把切碎的分析再拼成一张可探索的图谱」的做法，是这组工作里除了分布式之外第二个值得注意的设计。
两条线索
第一条：Tsc1 和 Tsc2 这两个共同调控 mTOR 的基因，在多个神经元群体里扰动效果相似，但在小脑里，扰动 Tsc2 改变了数十个涉及神经元通讯的基因活性，Tsc1 几乎没变化。这跟人类结节性硬化症相关——该病的小脑异常与 TSC2 突变强相关。第二条：DCTN1 基因突变会导致 Perry 综合征（一种帕金森样神经退行性疾病），图谱里扰动 Dctn1 增加了胆固醇合成相关基因的表达，Agent 把它连到已有研究，提出「胆固醇转运出问题可能导致细胞制造更多胆固醇」的假设，人类专家认为这个假设新颖、重要、值得跟进。
对照组
研究做了个关键的对照实验：在模型和资源固定的条件下，测「单个 Agent 处理整个数据集」和「数千个 Agent 并行」哪个好。结果很说明问题：工作量最大时，分布式 Agent 引用了超过 700 篇文献，而单个 Agent 只引用了 11 篇；盲评里人类专家有 75% 的情况更偏好分布式 Agent 的报告。这直接验证了「分布式」本身的价值——不是模型更强，是分工让每个 Agent 能深挖自己的那一小块，检索和推理的深度都上去了。
这意味着什么
两个信号。一是科学发现的瓶颈正在从「算力」转向「连接能力」——把新数据和分散在不同领域的既有知识连起来。剑桥大学的 Sarah Teichmann 说，细胞图谱是为了让别的科学家做出还没想象到的发现，AI 能帮更多研究者把意外观察变成可检验的问题。二是「科学家仍然是发现的核心」这个判断没变：AI 负责提出线索和假设，人负责决定追哪些、设计实验、解读结果。UCSF 的 Tomasz Nowakowski 说得更直白：线索其实已经存在，只是散在不同领域，还没被连起来。对做 Agent 系统的人，这组工作还顺带验证了一个工程直觉：任务的切分粒度直接影响每个 Agent 的检索深度——单 Agent 要摊开看全部时，只能浅尝辄止地引 11 篇文献，切细之后每个 Agent 能深挖到 700 篇的量级，这个落差比换更强的模型还明显。
待观察
两点。一是这是小鼠脑细胞的数据，从「挖到线索」到「验证出结论」还有很长的实验距离，两条线索都还是假设，不是定论。二是 32 分钟这个数字是分析耗时，不等于端到端的研究周期，别把它当成「AI 代替了几个月的工作」来理解——它代替的是「逐次扰动分析」这部分重复劳动。对做科研自动化的人，最实在的启示是：把任务切细、让 Agent 并行各管一摊，往往比堆一个大模型更能出活。