點解AI Agent會喺生物數據庫撞晒大板？

Laura Luebbert帶領嘅研究團隊，測試咗包括Claude、GPT、Biomni Open Source同Edison Analysis在內嘅多個頂尖AI系統，叫佢哋做一個病毒學家日常工作：由NCBI Virus數據庫擷取病毒序列數據。結果簡直係一場災難 。

為人類而設嘅介面，AI完全無從入手

NCBI Virus同好多其他公共生物數據庫一樣，佢哋嘅工作流程係為咗「互動式、瀏覽器操作」而設計。科學家會用滑鼠撳選項、用肉眼檢查結果、靠視覺提示去判斷。呢種介面邏輯，同AI Agent需要嘅「結構化、程式化指令」完全唔夾 。

極度飄忽嘅「性格」

研究入面最得人驚嘅發現，係AI嘅表現完全冇一致姓。研究員叫Claude Sonnet 4做同一個工作三次，就係「擷取伊波拉病毒序列」，對照組嘅標準答案應該係266條。結果呢？第一次佢俾返106條，第二次得15條，第三次更只得返5條。成個過程冇改過任何指令，但結果就好似擲骰仔咁 。

呢啲錯漏唔單止係「拎少咗幾個檔案」咁簡單。喺一次模擬測試入面，一個出錯嘅數據擷取，直接扭曲咗成個病毒演化分析，令到分析結果估算嘅伊波拉疫情起源年份，由正確嘅2014年，一下子推前咗去1922年。AI冇幻覺，冇老作啲科學出嚟——佢只係忠心耿耿咁，基於一份殘缺不全嘅數據，砌咗個錯晒嘅結論出嚟 。

碎片化、脆弱不堪嘅基建

而家嘅生物數據，散落喺幾十個唔同嘅數據庫，每個庫嘅識別碼唔相通、元數據標準又唔同，仲要好多時連一個有版本控制嘅API都冇。軟件工程師有Package Manager同版本控制系統，但計算生物學家好多時仲係要寫Script去對住啲唔知幾時會改嘅網頁介面，痛苦到極點 。

救星「gget virus」：一個確定性嘅解決方案

與其訓練一個更聰明嘅模型，研究團隊揀咗一條更直接嘅路：砌一個更好嘅數據存取層。佢哋開發嘅 gget virus 係一個輕量級、確定性嘅框架，將NCBI Virus嘅過濾邏輯，變成一套可以重複執行嘅程式化系統 。

佢嘅運作原理，係喺下載序列數據之前，先精準咁套用元數據嘅限制條件，只選擇性拎返符合要求嘅GenBank結構化記錄。對於數據量龐大嘅查詢，呢個方法可以減少超過98%嘅數據傳輸量，同時確保每一次拎出嚟嘅數據都一模一樣——呢種「確定性」，就係AI Agent最需要，但舊有基建偏偏俾唔到嘅嘢 。

效果係立竿見影嘅。當AI系統改用gget virus做佢哋嘅數據擷取後台之後：

• 所有測試模型嘅準確率，即刻躍升到至少90.0%，而GPT-5.5更達到99.7%。
• 穩定性指標全面升至0.92至1.00嘅水平 。
• 錯誤嘅嚴重程度，尤其係嗰啲會成個科學結論扭轉晒嘅災難性錯誤，大幅暴跌 。

結論非常清晰：**限制AI生物學發展嘅樽頸位，唔係模型嘅推理能力，而係有冇一個確定性嘅數據存取方式。**只要加返啱嘅數據擷取層，今日嘅AI Agent已經可以做到可靠嘅工作 。

為AI時代重新設計生物數據基建

gget virus嘅成功，只係一個大趨勢嘅概念驗證。研究人員指出，呢個模式並唔局限喺病毒學——單係NCBI就已經有超過30個數據庫，都可以透過類似嘅「確定性封裝層」獲益 。

由「面向人類」到「面向AI Agent原生」

生物數據庫必須進化，要提供有完善文檔、有版本控制嘅API，配以標準化嘅過濾同可重複執行嘅查詢語意。呢個就等於軟件開發人員用開嘅Package Manager同版本控制系統，係一種科研領域目前仲未普及嘅關鍵基礎設施 。

推動「聯邦式」、AI規模嘅數據

同時間，Chan Zuckerberg Initiative (CZI) 亦都發表咗一份路線圖，呼籲建立可互通、可整合嘅生物數據集，等科學家可以透過命令行介面 (CLI) 同機器可讀嘅標準去查詢。佢哋嘅願景係：科學家可以用一個「聯邦式查詢」，就搜尋、分析同下載到多模態嘅數據，令AI規模嘅科學發現得以實現，而唔使再深陷喺目前嘅擷取混亂之中 。

CZI已經坐言起行，開發緊一個用嚟聯邦式存取數據嘅CLI工具，同時開展咗「十億細胞計劃」(Billion Cells Project)，呢個係一個標誌性嘅單細胞數據集，目的就係用嚟訓練下一代AI模型。終極目標，係要建立一個基礎設施，等生物數據對於機器嚟講，可以好似代碼庫對於開發人員咁方便存取 。

教訓唔止適用於生物學

呢個核心洞見——「為人類而設嘅舊式介面會令AI Agent崩潰」——係可以喺成個科學計算領域通用嘅。確定性、程式化嘅存取層，並唔係乜嘢奢侈品，而係要讓自主系統能夠可靠咁參與科研工作嘅先決條件。解決方法，唔係等一個更聰明嘅模型出現。而係要即刻開始，將啲路起好佢。

點解AI Agent會喺生物數據庫撞晒大板？

Laura Luebbert帶領嘅研究團隊，測試咗包括Claude、GPT、Biomni Open Source同Edison Analysis在內嘅多個頂尖AI系統，叫佢哋做一個病毒學家日常工作：由NCBI Virus數據庫擷取病毒序列數據。結果簡直係一場災難 。

為人類而設嘅介面，AI完全無從入手

NCBI Virus同好多其他公共生物數據庫一樣，佢哋嘅工作流程係為咗「互動式、瀏覽器操作」而設計。科學家會用滑鼠撳選項、用肉眼檢查結果、靠視覺提示去判斷。呢種介面邏輯，同AI Agent需要嘅「結構化、程式化指令」完全唔夾 。

極度飄忽嘅「性格」

研究入面最得人驚嘅發現，係AI嘅表現完全冇一致姓。研究員叫Claude Sonnet 4做同一個工作三次，就係「擷取伊波拉病毒序列」，對照組嘅標準答案應該係266條。結果呢？第一次佢俾返106條，第二次得15條，第三次更只得返5條。成個過程冇改過任何指令，但結果就好似擲骰仔咁 。

呢啲錯漏唔單止係「拎少咗幾個檔案」咁簡單。喺一次模擬測試入面，一個出錯嘅數據擷取，直接扭曲咗成個病毒演化分析，令到分析結果估算嘅伊波拉疫情起源年份，由正確嘅2014年，一下子推前咗去1922年。AI冇幻覺，冇老作啲科學出嚟——佢只係忠心耿耿咁，基於一份殘缺不全嘅數據，砌咗個錯晒嘅結論出嚟 。

碎片化、脆弱不堪嘅基建

而家嘅生物數據，散落喺幾十個唔同嘅數據庫，每個庫嘅識別碼唔相通、元數據標準又唔同，仲要好多時連一個有版本控制嘅API都冇。軟件工程師有Package Manager同版本控制系統，但計算生物學家好多時仲係要寫Script去對住啲唔知幾時會改嘅網頁介面，痛苦到極點 。

救星「gget virus」：一個確定性嘅解決方案

與其訓練一個更聰明嘅模型，研究團隊揀咗一條更直接嘅路：砌一個更好嘅數據存取層。佢哋開發嘅 gget virus 係一個輕量級、確定性嘅框架，將NCBI Virus嘅過濾邏輯，變成一套可以重複執行嘅程式化系統 。

佢嘅運作原理，係喺下載序列數據之前，先精準咁套用元數據嘅限制條件，只選擇性拎返符合要求嘅GenBank結構化記錄。對於數據量龐大嘅查詢，呢個方法可以減少超過98%嘅數據傳輸量，同時確保每一次拎出嚟嘅數據都一模一樣——呢種「確定性」，就係AI Agent最需要，但舊有基建偏偏俾唔到嘅嘢 。

效果係立竿見影嘅。當AI系統改用gget virus做佢哋嘅數據擷取後台之後：

• 所有測試模型嘅準確率，即刻躍升到至少90.0%，而GPT-5.5更達到99.7%。
• 穩定性指標全面升至0.92至1.00嘅水平 。
• 錯誤嘅嚴重程度，尤其係嗰啲會成個科學結論扭轉晒嘅災難性錯誤，大幅暴跌 。

結論非常清晰：**限制AI生物學發展嘅樽頸位，唔係模型嘅推理能力，而係有冇一個確定性嘅數據存取方式。**只要加返啱嘅數據擷取層，今日嘅AI Agent已經可以做到可靠嘅工作 。

為AI時代重新設計生物數據基建

gget virus嘅成功，只係一個大趨勢嘅概念驗證。研究人員指出，呢個模式並唔局限喺病毒學——單係NCBI就已經有超過30個數據庫，都可以透過類似嘅「確定性封裝層」獲益 。

由「面向人類」到「面向AI Agent原生」

生物數據庫必須進化，要提供有完善文檔、有版本控制嘅API，配以標準化嘅過濾同可重複執行嘅查詢語意。呢個就等於軟件開發人員用開嘅Package Manager同版本控制系統，係一種科研領域目前仲未普及嘅關鍵基礎設施 。

推動「聯邦式」、AI規模嘅數據

同時間，Chan Zuckerberg Initiative (CZI) 亦都發表咗一份路線圖，呼籲建立可互通、可整合嘅生物數據集，等科學家可以透過命令行介面 (CLI) 同機器可讀嘅標準去查詢。佢哋嘅願景係：科學家可以用一個「聯邦式查詢」，就搜尋、分析同下載到多模態嘅數據，令AI規模嘅科學發現得以實現，而唔使再深陷喺目前嘅擷取混亂之中 。

CZI已經坐言起行，開發緊一個用嚟聯邦式存取數據嘅CLI工具，同時開展咗「十億細胞計劃」(Billion Cells Project)，呢個係一個標誌性嘅單細胞數據集，目的就係用嚟訓練下一代AI模型。終極目標，係要建立一個基礎設施，等生物數據對於機器嚟講，可以好似代碼庫對於開發人員咁方便存取 。

教訓唔止適用於生物學

呢個核心洞見——「為人類而設嘅舊式介面會令AI Agent崩潰」——係可以喺成個科學計算領域通用嘅。確定性、程式化嘅存取層，並唔係乜嘢奢侈品，而係要讓自主系統能夠可靠咁參與科研工作嘅先決條件。解決方法，唔係等一個更聰明嘅模型出現。而係要即刻開始，將啲路起好佢。