AI科研翻车实录：Claude为何算错90年？揭秘数据基础设施的隐形危机

type

status

date

slug

summary

为“人类”设计的网页，成了AI的枷锁

Anthropic的研究指出，最强的AI智能体在处理NCBI Virus数据库时，竟然无法稳定地数出病毒序列。同一个问题，Claude Sonnet 4三次检索竟能给出三个差异巨大的答案。

问题的核心并不在于模型的推理能力，而在于我们当前互联网生态的“遗留问题”。目前绝大多数科学数据库，本质上是为人类用户设计的“网页门户”。它们拥有精美的交互界面、复杂的勾选框和动态筛选逻辑，这些对于习惯用鼠标点击的人类科学家来说非常友好，但对于AI智能体而言，却是灾难性的障碍。

AI智能体需要的是标准化的API接口、结构化的数据流和可验证的输出。而这些网页门户背后的逻辑往往是隐性的、碎片化的。当Claude试图通过“猜测”网页上的过滤逻辑来获取数据时，只要有一个环节理解偏差，最终的计算结果就会失之毫厘，谬以千里。对于科研任务而言，这种偏差往往意味着严重的后果，例如推算出的疫情起点偏移了数十年。

如果你想体验Claude在处理复杂任务时的最新能力，或者寻找稳定的访问方式，可以访问 Claude官网获取最新的 Claude官方更新与指南。对于需要进行高频科研辅助的用户，了解如何通过 Claude国内使用的优化方案，能让你在处理复杂数据时更加得心应手。

从“网页交互”到“确定性检索层”

为了解决这一问题，Anthropic与研究者共同开发了“gget virus”。这不仅仅是一个简单的工具，它代表了AI代理时代的一个重要范式转移：从“模拟人类行为”转向“构建机器友好型基础设施”。

gget virus的核心在于构建一个“确定性检索层”。它不再试图让AI去模拟人类在网页上点击、筛选的过程，而是直接将这些复杂的过滤行为翻译成程序化系统，直接调用底层的REST、Datasets和E-utilities接口。

这种变革带来的效果是立竿见影的。当接入了这一确定性层后，Claude等模型的检索准确率从原本的极不稳定，直接飙升至90%以上。这向我们证明了一个道理：即使是目前最强的模型，也需要坚实的基础设施支撑才能发挥出真正的实力。对于国内开发者和科研人员来说，掌握如何利用 Claude镜像站或 Claude官方中文版进行高效的 Prompt 设计与工具调用，将是未来提升工作效率的关键。

基础设施：AI时代的真正胜负手

这一现象不仅局限于生物学领域，它是整个AI代理（AI Agents）时代面临的共同挑战。正如知名AI专家Andrej Karpathy所言，当下的软件开发环境（如Vercel、Clerk等）充满了大量为人类设计的“点这里、填那里”文档，这让LLM难以直接调用和集成。

我们正处于一个十字路口： * 模型层面：我们追求更智能、更通用的模型，希望它们能像人类一样解决问题。 * 基建层面：我们依然在使用几十年前为“马车”设计的旧城道路，试图让“汽车”（AI智能体）在上面高速行驶。

真正的胜负手，不在于云端的大模型参数量，而在于底层数据基础设施的规范化。我们需要的是“无聊”但绝对可靠的基因标识符、标准化的数据Schema和开放的API。只有当这些底层逻辑变得对机器友好时，AI智能体才能真正从“辅助者”进化为“科研主力”。

总结与展望

Claude算错90年并不是AI的终局，而是一个警示。它提醒我们，AI能力的释放不仅取决于模型本身，更取决于我们为AI创造了怎样的“工作环境”。

如果你正在探索如何利用AI工具提升科研或工作效率，建议深入了解 Claude使用指南，学习如何与AI进行高效协作。未来，随着更多像gget virus这样的确定性工具层出现，我们将看到AI在更多专业领域实现从“不稳定”到“绝对可靠”的跨越。

无论模型如何进化，夯实地基，让数据流转变得可复现、可审计、机器可读，才是通往AGI（通用人工智能）必不可少的基石。