Anthropic เปิดแล็บชีววิทยาของตัวเอง ผลงานแรก: เอเจนต์ Claude ~950 ตัวค้นพบระบบเอนไซม์ใหม่ "ART" ที่มี repeat array คล้าย CRISPR ใน 21 ชั่วโมง
วันที่ 23 ก.ย. 2026 Anthropic เปิดตัว กลุ่มวิจัยชีววิทยาพื้นฐานและแล็บของตัวเอง ในย่าน Bay Area พร้อมผลงานชิ้นแรก เอเจนต์ Claude ค้นพบระบบเอนไซม์ในธรรมชาติที่ยังไม่เคยมีใครอธิบายไว้ ทีมตั้งชื่อว่า ART (array-associated reverse transcriptases) จุดเด่นคือ reverse transcriptase (เอนไซม์ที่คัดลอก RNA เป็น DNA) ที่อยู่ติดกับ แถว DNA ซ้ำที่เว้นระยะเท่ากัน ลักษณะนี้คล้าย CRISPR array ซึ่งเป็นกลไกที่ทำให้ CRISPR “ตั้งโปรแกรมได้”
Anthropic บอกว่าบทบาทของนักวิทยาศาสตร์มีแค่ prompt ตั้งต้นกับงานในแล็บ ส่วนการค้นฐานข้อมูล การเลือกตัวที่น่าสนใจ และการเขียนรายงาน เอเจนต์ทำเองทั้งหมด
ตัวเลขของการค้นหา
- เอเจนต์ราว 950 ตัว ทำงาน 21 ชั่วโมง ใช้ 210 ล้าน token
- รวบรวม RT ได้ กว่า 200,000 ตัว คัดเป็นระบบใหม่ที่น่าสนใจ 3,500 ระบบ แล้วเลือก 20 ตัวที่ดีที่สุด มาเขียนรายงานให้คนอ่าน Anthropic บอกว่างานระดับนี้ผู้เชี่ยวชาญใช้เวลาเป็นสัปดาห์ถึงเดือน
- preprint ระบุว่าใช้ Claude Code หลาย instance สำรวจตำแหน่ง RT จาก 1.9 พันล้าน protein cluster
RT ตัวนี้ (พบใน jumbo phage ไวรัสขนาดใหญ่ที่ติดเชื้อแบคทีเรีย) เคยถูกรายงานมาก่อน สิ่งที่ Claude ดูเหมือนจะเป็นรายแรกที่เห็นคือ องค์ประกอบรอบตัวมัน ได้แก่ repeat array ที่ไม่ได้เข้ารหัสโปรตีน และยีนคู่หูที่ยังไม่รู้หน้าที่ ในบันทึกของ session เอเจนต์เขียนว่า “DNA ข้าง RT นี้น่าทึ่งมาก ผมเห็นด้วยตาเลยว่ามี tandem repeat array… นี่มัน repeat array แบบ CRISPR เหรอ?!” จากนั้นมันนับจำนวน repeat วัดระยะห่าง เทียบกับระบบ RT ที่รู้จัก และค้นเอกสารว่าเคยมีใครรายงานไว้หรือไม่ ก่อนส่งรายงานให้คนตรวจ
ยืนยันอะไรได้แล้ว และอะไรยังไม่รู้
- การทดลองแรกในแล็บพบว่า array ของ ART ถูกถอดออกมาเป็น RNA สั้น ๆ แยกเป็นหน่วย ทีมตีความว่ามันอาจทำงานโดยใช้ RNA หลายสายเป็นตัวกำหนดเป้า คล้ายกับ CRISPR
- ยังไม่รู้หน้าที่จริงของ ART Anthropic บอกเองว่างานนี้ยังดำเนินอยู่ และตั้งใจเผยแพร่เร็วเพื่อแสดงความสามารถของ Claude ผลงานอยู่ในรูป preprint ที่ ยังไม่ผ่าน peer review
- Feng Zhang (MIT/Broad Institute หนึ่งในผู้บุกเบิก CRISPR) อ่าน preprint แล้วบอกว่าการพบ RNA repeat array ที่ผูกกับ RT นั้น “น่าสนใจจริง และควรศึกษาต่อ”
- แล็บทำงานเฉพาะระดับความปลอดภัยชีวภาพต่ำ (BSL-1/BSL-2) ไม่จับเชื้อที่ติดคน และงานในแล็บทำโดยนักวิทยาศาสตร์ทั้งหมด
รายละเอียดที่น่าสนใจสำหรับคนสาย AI อยู่ใน preprint ทีมระบุว่าพฤติกรรม “เห็น repeat ด้วยตา” ของ Claude สัมพันธ์กับ สัญญาณภายในของ Mythos 5 ที่ตอบสนองต่อ DNA ซ้ำ เป็นการใช้ interpretability อธิบายว่าการค้นพบเกิดขึ้นได้อย่างไร นอกจากนี้ ทีมยังศึกษาว่าสมมติฐานแบบไหนที่คนเลือกไปทดลอง แล้วป้อนกลับเข้าไปใน instruction เพื่อสอน “รสนิยมทางวิทยาศาสตร์” ให้เอเจนต์
มุมมอง AI Curator
ตัวเลขที่ควรจำไม่ใช่ “AI ค้นพบเอนไซม์” แต่เป็น ช่องทางกรอง 200,000 → 3,500 → 20 → 1 นี่คือรูปแบบงานที่เอเจนต์เก่งจริง คืออ่านข้อมูลดิบจำนวนมหาศาลอย่างอดทน แล้วคัดตัวที่ผิดปกติขึ้นมาให้คนตัดสิน ปัญหาคอขวดจึงย้ายจาก “หาของ” ไปอยู่ที่ “คนตรวจสมมติฐานไหวแค่ไหน” ซึ่ง Anthropic ก็ยอมรับเองว่าต้องศึกษาว่าจะเลือกสมมติฐานจากหลายพันข้อได้อย่างไร อีกด้านที่ต้องพูดตรง ๆ คือนี่คือประกาศจากบริษัทที่ขาย Claude Science เอง ผลยังเป็น preprint และยังไม่รู้หน้าที่ของ ART เลย มูลค่าจริงจะรู้ได้เมื่อมีกลุ่มอื่นทำซ้ำและระบุกลไกได้
สำหรับไทย งานแบบ genome mining ต้องการ “ฐานข้อมูลดี + คนตรวจเก่ง” มากกว่าแล็บราคาแพง ประเทศที่มีความหลากหลายทางชีวภาพสูงอย่างไทย และมีหน่วยงานอย่าง BIOTEC/สวทช. ที่ดูแลคลังจุลินทรีย์ท้องถิ่นอยู่แล้ว เมื่อมีข้อมูลลำดับ DNA ของคลังเหล่านี้ ก็สามารถใช้เอเจนต์กรองข้อมูลชุดของตัวเองได้ในต้นทุนระดับหลักร้อยล้าน token ซึ่งถูกกว่าการจ้างนักวิจัยหลายเดือนมาก แต่ต้องมีขั้นตรวจโดยคนที่เข้มงวดเท่าที่ Anthropic ทำ ไม่ใช่เชื่อรายงานของเอเจนต์ทั้งหมด
แหล่งข่าว
อ่านเพิ่มในหมวด งานวิจัย
Anthropic ให้ Claude สร้างชุดข้อมูลที่ดูไร้พิษภัยแต่ทำโมเดลเบี้ยว ซ่อนในเรื่องเลี้ยงผึ้งและมวยปล้ำ จนผ่านระบบตรวจที่คล้ายของจริง
ทีม Alignment ของ Anthropic ให้ Claude ปีนหาชุดข้อมูล fine-tune ที่หลบ monitor ได้ ผลคือซ่อนพฤติกรรมในงานเขียนแนวบทบาทสมมติ และโมเดลที่เทรนแล้วนำไปใช้ในบุคลิกตัวเอง ผลซ้ำได้บน Qwen 3.6 27B แต่การทดลองเอื้อฝ่ายโจมตีมากและไม่ได้สะท้อนโมเดลที่ใช้งานจริง
Memdoor ทำซ้ำ GVS5H ได้: ทีม Qwen3.8-27B ห้าตัวตามทัน Fable 5 บนโจทย์ LiveCodeBench Hard แต่ผู้ทำบอกเองว่า 'เท่า' ไม่ใช่ 'ชนะ'
Memdoor ปล่อย workflow team-solve ที่เขียนวิธี GVS5H เป็น YAML ล้วนและทำคะแนน 9.8/10 บน LiveCodeBench Hard 10 ข้อ เทียบกับ 8.0 ของ Fable 5 แบบเรียกครั้งเดียว แต่ตัวอย่างเล็กและมีข้อจำกัด ส่วนงานวิจัยต้นฉบับชี้ว่าวิธีนี้ไม่ได้ช่วยทุกโมเดล
QwenPU รัน LLM ซ้อนใน LLM ด้วยหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ส่วน bootgpt ทำให้เครื่อง 386 บูตเข้าโมเดลภาษาโดยไม่มี OS
ผู้สร้าง Qwenputer ปล่อย QwenPU เมื่อ 31 ต.ค. รัน stories260K ของ Karpathy บนหน่วยเวกเตอร์ที่คอมไพล์ลงในน้ำหนัก Qwen3.5-4B ลดเหลือ 53,000 trace token ต่อหนึ่ง token เรื่องเล่า วันเดียวกัน bootgpt ใส่โมเดล int8 ขนาด 11.5KB ให้บูตบนเครื่อง 386 โดยไม่มี OS