Descoberta Biológica do Claude da Anthropic Enfrenta um Teste de Reprodutibilidade

A Anthropic afirma que o Claude encontrou um sistema enzimático até então não caracterizado, embora os cientistas ainda não saibam o que esse sistema faz. A descoberta biológica do Claude da Anthropic envolveu cerca de 950 agentes de IA pesquisando dados genômicos durante 21 horas. Um agente notou um padrão de DNA repetido próximo a uma enzima incomum.

O sistema resultante, chamado de transcriptases reversas associadas a arrays, ou ART, tem uma organização que remete ao CRISPR. No entanto, nenhum experimento mostrou que o ART edita genes, tem como alvo o DNA ou realiza qualquer outra operação semelhante ao CRISPR.

Essa lacuna define a história. O Claude parece ter revelado um padrão biologicamente interessante que os pesquisadores haviam deixado passar. Ainda assim, a Anthropic apresentou uma hipótese inicial em termos que alguns cientistas consideraram mais fortes do que as evidências disponíveis.

O trabalho também expõe um segundo problema. Segundo o relatório técnico da Anthropic, dez campanhas de repetição não conseguiram redescobrir o array de repetições que define o sistema. Portanto, o resultado sustenta mais claramente a exploração assistida por IA do que uma descoberta autônoma confiável.

O Que a Anthropic e o Claude Realmente Encontraram

O Claude identificou uma nova relação entre componentes genômicos conhecidos, não uma ferramenta funcional de edição genética.

A Anthropic anunciou o resultado em 23 de setembro de 2026, junto com um novo grupo de pesquisa em ciências da vida e um laboratório na Bay Area. O grupo foi formado na primavera de 2026 para testar se modelos gerais de IA podem acelerar a pesquisa biológica fundamental.

Seus pesquisadores pediram ao Claude que procurasse transcriptases reversas incomuns. Uma transcriptase reversa, ou RT, é uma enzima que copia RNA em DNA.

Essas enzimas aparecem em vírus, elementos genéticos móveis, sistemas de defesa bacterianos e diversas ferramentas de biotecnologia. Sua diversidade as torna alvos úteis para a mineração de genomas, que pesquisa grandes bancos de dados de sequências em busca de mecanismos biológicos negligenciados.

A campanha examinou dados derivados de cerca de 1,9 bilhão de clusters de proteínas. Os agentes do Claude reuniram mais de 200.000 transcriptases reversas e identificaram aproximadamente 3.500 sistemas candidatos.

Em seguida, os agentes reduziram essa coleção a cerca de 20 candidatos para relatórios detalhados e revisão humana. O anúncio da descoberta da Anthropic afirma que cerca de 950 agentes processaram 210 milhões de tokens durante a busca de 21 horas.

Um agente inspecionou o DNA bruto ao redor de um gene de transcriptase reversa. Ele notou um longo array de repetições regularmente espaçadas que pesquisadores anteriores não haviam descrito.

O agente também identificou um gene parceiro próximo. A equipe da Anthropic chamou a combinação de ART, abreviação de transcriptases reversas associadas a arrays.

Os sistemas ART aparecem principalmente em bacteriófagos, que são vírus que infectam bactérias. Cada sistema contém uma RT, um gene parceiro vizinho e um longo array de repetições de DNA não codificante.

Essa combinação é a descoberta. A RT subjacente já estava presente em pesquisas anteriores, incluindo trabalhos envolvendo um fago gigante chamado MarsHill. A contribuição do Claude foi reconhecer que a RT, o gene parceiro e o array de repetições poderiam formar um único sistema biológico.

O laboratório da Anthropic então testou parte da hipótese. Seus pesquisadores descobriram que o array de repetições é expresso como RNAs curtos distintos, em vez de permanecer como material genômico inativo.

Esse resultado sugere que o array participa de um processo biológico. Ele não estabelece qual é esse processo, se a RT usa esses RNAs ou se o sistema manipula DNA.

Todo o trabalho físico de laboratório foi realizado por cientistas humanos. O Claude pesquisou os dados, gerou hipóteses, preparou relatórios de candidatos e ajudou a interpretar os resultados.

A Anthropic afirma que os agentes operaram sem intervenção humana durante a campanha computacional central. Humanos ainda escreveram o briefing de pesquisa, selecionaram o problema mais amplo, revisaram os resultados e conduziram experimentos de laboratório.

A empresa publicou um pré-print técnico descrevendo o fluxo de trabalho e as evidências iniciais. O artigo ainda não passou por revisão por pares.

Essa distinção importa porque a revisão por pares pode revelar erros analíticos, controles ausentes, novidade exagerada ou explicações alternativas. Ela também permite que especialistas de fora da Anthropic contestem a interpretação da equipe.

Por enquanto, o ART é mais bem descrito como um arranjo genômico até então não caracterizado, com função desconhecida. Chamar isso de sistema enzimático é razoável, mas descrevê-lo como um mecanismo de edição genética continua sem respaldo.

Por Que a Descoberta da Enzima pelo Claude Ainda Importa

O resultado mais forte não é um novo CRISPR. É uma evidência de que agentes de modelos de linguagem podem gerar pistas biológicas testáveis a partir de dados brutos de sequência.

Os bancos de dados de genomas contêm um número enorme de proteínas que os cientistas nunca caracterizaram. Muitas aparecem apenas como sequências, com poucas evidências que expliquem suas funções ou relações.

Pipelines computacionais tradicionais podem agrupar proteínas relacionadas e localizar genes vizinhos. No entanto, os investigadores ainda precisam decidir quais padrões merecem atenção e quais candidatos justificam trabalhos laboratoriais caros.

A Anthropic tentou automatizar uma parcela maior desse julgamento. O Claude não apenas recuperou artigos ou executou uma ferramenta predeterminada de análise de sequências.

Os agentes revisaram a literatura, reproduziram descobertas conhecidas, agruparam famílias de enzimas, inspecionaram vizinhanças genômicas e redigiram relatórios sobre candidatos incomuns. Eles também rejeitaram a maior parte das hipóteses geradas durante a busca.

Esse fluxo de trabalho se assemelha a um funil inicial de pesquisa. A computação explora um grande espaço de busca, um sistema de IA propõe interpretações e cientistas humanos decidem quais resultados merecem experimentos.

O candidato ART surgiu porque um agente examinou a sequência bruta ao redor de uma enzima. Ele reconheceu um padrão repetido que se tornou visualmente evidente quando o trecho correto de DNA entrou em seu contexto.

Essa ação parece simples, mas a pesquisa frequentemente depende de perceber uma anomalia que nenhum pipeline existente foi projetado para sinalizar. Bancos de dados biológicos podem conter padrões importantes por anos antes que alguém os conecte.

Assim, o Claude contribuiu com algo mais valioso do que um resumo genérico. Ele direcionou a atenção humana para um locus específico e propôs uma relação biológica que poderia ser testada.

Feng Zhang, professor do MIT e pioneiro do CRISPR, revisou o pré-print antes do anúncio da Anthropic. Ele classificou como intrigantes os arrays de repetições de RNA associados a transcriptases reversas e disse que eles mereciam investigação adicional.

Sua resposta sustenta o interesse biológico do ART. Ela não valida as alegações mais amplas da Anthropic sobre descoberta autônoma nem as possíveis aplicações do ART.

A distinção entre uma pista interessante e uma ferramenta funcional é central para a pesquisa científica. Novos sistemas naturais frequentemente exigem anos de trabalho bioquímico, estrutural e genético antes que os pesquisadores os compreendam.

O próprio CRISPR ilustra essa linha do tempo. Sequências repetidas foram relatadas pela primeira vez em bactérias décadas antes de os pesquisadores estabelecerem seu papel na imunidade adaptativa.

Mais tarde, os cientistas determinaram como proteínas associadas ao CRISPR usam guias de RNA para reconhecer alvos genéticos. Um marco estudo sobre DNA programável, publicado em 2012, mostrou como esse mecanismo poderia ser redirecionado para a biotecnologia.

O ART não alcançou nenhum dos dois estágios. Os pesquisadores não conhecem sua função natural, muito menos se ele pode se tornar uma ferramenta programável.

Ainda assim, a descoberta da enzima pelo Claude oferece um exemplo concreto de geração de hipóteses assistida por IA. Ela partiu de um prompt amplo até chegar a um candidato que resistiu à revisão humana e produziu observações laboratoriais mensuráveis.

Isso é mais significativo do que ter sucesso em um benchmark científico estático. Um benchmark pergunta se um modelo consegue recuperar uma resposta que os avaliadores já conhecem.

A mineração de genomas pede ao sistema que encontre algo que valha a pena investigar sem conhecer a resposta de antemão. Em seguida, o resultado precisa resistir ao contato com experimentos físicos.

Essa abordagem pode eventualmente mudar a forma como as equipes de pesquisa alocam seu tempo. Agentes de IA podem inspecionar mais sistemas candidatos do que um pequeno grupo de cientistas consegue examinar manualmente.

No entanto, a abundância cria seu próprio problema. Se um agente produz milhares de histórias plausíveis, os pesquisadores ainda precisam de métodos confiáveis para classificá-las.

Pistas falsas consomem recursos de laboratório. Explicações persuasivas também podem criar viés de confirmação, especialmente quando um modelo apresenta evidências fracas em linguagem confiante.

A descoberta biológica do Claude da Anthropic mostra os dois lados dessa equação. O sistema revelou um padrão real, mas o caminho até esse resultado foi inconsistente.

A Descoberta Biológica do Claude da Anthropic Dependeu de um Acerto Raro

Dez novas execuções malsucedidas transformam a descoberta original em evidência de possibilidade, não em evidência de um processo de descoberta confiável.

A campanha original da Anthropic envolveu centenas de sessões simultâneas de agentes. Esses agentes dividiram a busca em tarefas, inspecionaram candidatos, avaliaram relatórios e registraram descobertas para revisão posterior.

Uma sessão encontrou a sequência relevante e notou sua estrutura de repetições. Essa observação se tornou a base para a hipótese ART.

Mais tarde, a equipe de pesquisa realizou dez campanhas adicionais usando o mesmo briefing geral e a mesma estrutura de agentes. Nenhuma redescobriu o array ART que define o sistema.

As execuções repetidas não inspecionaram o segmento de DNA a montante que continha o padrão crítico. Sem essa sequência no contexto, os agentes nunca tiveram a oportunidade de reconhecê-la.

Essa falha não apaga a descoberta original. A organização genômica do ART existe, independentemente de o Claude encontrá-la uma vez, repetidamente ou nunca mais.

Ela enfraquece uma interpretação mais ampla da campanha. Um fluxo de trabalho científico confiável deveria produzir um comportamento de busca semelhante quando os pesquisadores o repetem em condições comparáveis.

As novas execuções fracassadas revelam um problema de cobertura. Um agente pode raciocinar bem sobre as evidências que vê e, ainda assim, buscar as evidências relevantes de forma inconsistente.

Essa diferença importa para organizações que avaliam sistemas de pesquisa com IA. A qualidade do raciocínio, por si só, não pode estabelecer um desempenho confiável quando o modelo controla seu próprio caminho de coleta de informações.

Um sistema de busca também deve mostrar o que inspecionou, o que ignorou e por que parou. Caso contrário, um resultado bem-sucedido pode depender de um caminho não documentado por um vasto espaço de busca.

A campanha original também não tinha um denominador convencional para medir o desempenho de descoberta. A Anthropic divulgou diversas contagens úteis, incluindo o número de agentes, candidatos a enzimas e relatórios finalistas.

Esses números não dizem aos leitores com que frequência o fluxo de trabalho produz hipóteses de valor experimental. Eles também não mostram quantas descobertas aparentes fracassam após testes mais aprofundados.

Um candidato bem-sucedido entre milhares ainda pode ser útil. No entanto, compradores, laboratórios e agências de financiamento precisam de mais do que uma anedota impressionante.

Eles precisam de avaliações prospectivas em várias questões de pesquisa. Esses testes devem registrar taxas de sucesso, taxas de falsos positivos, uso de computação, tempo dos cientistas e reprodutibilidade.

A escala da campanha também complica comparações com o trabalho humano. A Anthropic afirma que um cientista especialista poderia passar semanas ou meses conduzindo uma análise semelhante.

Essa comparação permanece incompleta sem medir o esforço humano em torno da execução da IA. Cientistas elaboraram o briefing, construíram a infraestrutura de teste, prepararam bancos de dados, revisaram relatórios e realizaram experimentos de acompanhamento.

O número de 21 horas descreve o tempo computacional decorrido de busca. Ele não representa a duração total do projeto de pesquisa.

Da mesma forma, os 210 milhões de tokens indicam um processamento paralelo substancial. Eles não revelam o custo financeiro nem a infraestrutura necessária para que um laboratório independente reproduza a campanha.

Essas omissões não invalidam o projeto. Elas limitam o que se pode concluir sobre velocidade, acessibilidade e produtividade científica prática.

A alegação mais defensável é restrita. Claude ajudou os cientistas da Anthropic a identificar um padrão genômico negligenciado durante uma grande campanha de agentes.

A reação científica cautelosa reflete a distância entre essa afirmação e a alegação de que a IA pode descobrir nova biologia de forma confiável.

A descoberta científica inclui perceber um padrão, provar que ele importa, explicar seu mecanismo e reproduzir as evidências. A Anthropic concluiu a primeira etapa e iniciou a segunda.

Sua transparência sobre as repetições malsucedidas é valiosa. Esses resultados negativos oferecem a pesquisadores externos um alvo mais claro para aprimorar a busca baseada em agentes.

Sistemas futuros poderiam exigir que os agentes inspecionem janelas genômicas fixas ao redor de cada candidato. Eles também poderiam acompanhar a cobertura e designar revisores independentes para contestar alegações de novidade.

Esses controles tornariam o sucesso menos dependente de um agente seguir um caminho excepcionalmente produtivo. Até lá, ART continua sendo uma pista promissora encontrada por meio de um processo frágil.

A Comparação com CRISPR Para no Padrão de Repetição

ART se assemelha a uma característica arquitetônica do CRISPR, mas não há evidências de que os dois sistemas realizem operações biológicas comparáveis.

Matrizes CRISPR contêm sequências repetidas de DNA separadas por espaçadores variáveis. Bactérias e arqueias usam esses espaçadores como um registro molecular de material genético de invasores passados.

As células transcrevem a matriz em RNAs-guia. Proteínas associadas ao CRISPR usam esses guias para reconhecer alvos genéticos correspondentes.

Essa programabilidade transformou um sistema imunológico microbiano em uma plataforma de edição genética. Pesquisadores podem projetar um RNA-guia que direciona uma enzima a uma sequência de DNA selecionada.

ART também contém uma longa matriz de repetições, e a Anthropic descobriu que a matriz produz RNAs curtos distintos. Essas observações justificam perguntar se ART realiza alguma operação programável.

Elas não respondem a essa pergunta. A Anthropic não estabeleceu que a transcriptase reversa ART interage com os RNAs curtos.

Os pesquisadores também não mostraram que ART reconhece um alvo correspondente, corta DNA, copia informações para um local escolhido ou protege fagos de outra ameaça biológica.

Até mesmo a direção natural da atividade permanece incerta. ART ocorre principalmente em fagos, enquanto muitos sistemas CRISPR conhecidos operam em bactérias e arqueias.

As repetições de ART também diferem do arranjo clássico de repetições e espaçadores que dá aos sistemas CRISPR sua memória de direcionamento adaptativo. A semelhança estrutural, por si só, não estabelece equivalência funcional.

A natureza contém muitas sequências repetidas. Algumas regulam a expressão genética, algumas produzem moléculas de RNA e outras refletem duplicação sem realizar uma tarefa programável.

A proteína parceira de ART pode se mostrar essencial. Ela também pode desempenhar uma função com pouca relação com a edição genética.

O anúncio da Anthropic reconhece essa incerteza. A empresa afirma que ainda não conhece a função de ART e descreve o padrão como “reminiscente” do CRISPR.

No entanto, associar a descoberta à história do CRISPR convida a uma interpretação pública mais forte. Leitores podem facilmente passar de “arquitetura de repetição semelhante” para “novo sistema de edição genética”.

Esse salto é prematuro. Nenhum resultado publicado mostra uma enzima semelhante ao CRISPR da Anthropic editando qualquer genoma.

A comparação também coloca uma descoberta muito inicial ao lado de uma das tecnologias mais importantes da biologia moderna. Esse enquadramento eleva as expectativas antes que o mecanismo básico tenha sido identificado.

Uma analogia mais precisa diz respeito à ordem da descoberta. O CRISPR começou como uma estranha sequência repetida cuja importância não foi compreendida de imediato.

ART agora é outra sequência repetida estranha associada a maquinaria molecular. Ela merece investigação justamente porque os pesquisadores não sabem o que faz.

O precedente histórico oferece tanto incentivo quanto contenção. Alguns sistemas inexplicados se tornam ferramentas valiosas, enquanto muitos permanecem curiosidades biológicas especializadas.

Sistemas de transcriptase reversa já apoiam diversas linhas de pesquisa. Retrons geram moléculas incomuns de DNA-RNA e foram adaptados para engenharia genômica e registro molecular.

A edição prime combina uma transcriptase reversa com a maquinaria de direcionamento CRISPR para introduzir alterações genéticas selecionadas. ART poderia eventualmente revelar outra estratégia útil para processar ou copiar ácidos nucleicos.

Essas possibilidades continuam sendo hipóteses. Elas não devem ser apresentadas como capacidades.

A próxima evidência decisiva deve vir de experimentos, não de analogias. Pesquisadores precisam mostrar se a enzima é ativa e identificar a molécula sobre a qual ela atua.

Eles devem determinar se os RNAs curtos guiam a enzima, servem como moldes, regulam a expressão ou desempenham um papel não relacionado.

Estudos de perturbação genética poderiam revelar quais componentes de ART são necessários. Trabalhos estruturais poderiam mostrar se as proteínas formam um complexo com RNA ou DNA.

Somente depois que essas perguntas forem respondidas os cientistas poderão avaliar se a comparação com CRISPR esclarece ART ou apenas a promove.

Cientistas Humanos Ainda Carregam o Ônus da Prova

Claude ampliou a busca, mas o julgamento humano e a validação em laboratório ainda determinaram se sua produção contava como ciência.

A Anthropic descreve Claude como tendo descoberto ART de forma autônoma, com orientação de alto nível dos cientistas. Essa descrição se aplica à campanha computacional de 21 horas, mas não a todo o processo de pesquisa.

Humanos selecionaram transcriptases reversas como alvo. Eles reuniram os dados e as ferramentas aos quais os agentes poderiam acessar.

Os pesquisadores também criaram a infraestrutura de coordenação e decidiram como o modelo deveria relatar candidatos. Eles revisaram as propostas que permaneceram e escolheram quais experimentos realizar.

Cientistas de laboratório então expressaram componentes biológicos, analisaram dados de RNA e interpretaram os resultados. Claude ajudou nessas etapas, mas não as conduziu fisicamente.

Essa divisão de trabalho não é uma fraqueza. Ela pode representar o modelo mais prático, no curto prazo, para a ciência apoiada por IA.

Modelos podem explorar grandes espaços de informação e gerar explicações candidatas. Cientistas podem aplicar julgamento especializado, projetar controles e testar alegações contra o mundo físico.

Os problemas surgem quando “autônomo” comprime essa colaboração em uma narrativa sobre o modelo agindo sozinho. Essa linguagem pode obscurecer a infraestrutura científica por trás de uma produção bem-sucedida.

A busca do modelo também foi moldada por conhecimento prévio incorporado em seu treinamento e nas ferramentas fornecidas. Claude reconheceu que repetições em tandem próximas a uma enzima poderiam se assemelhar a sistemas biológicos conhecidos porque cientistas haviam documentado esses padrões.

Sua contribuição envolveu recombinação, atenção e priorização em um grande conjunto de dados. Se esse processo deve contar como descoberta depende menos de rótulos filosóficos do que de valor de pesquisa mensurável.

Um cientista de IA útil deve produzir descobertas que resistam a exame independente. Ele também deve explicar seu caminho de busca de modo suficiente para que outra equipe possa auditar o resultado.

O preprint da Anthropic fornece mais detalhes metodológicos do que um anúncio de produto comum. Ele inclui o desenho da campanha, o funil de seleção, o comportamento dos agentes e as execuções repetidas negativas.

Essa transparência oferece a cientistas externos uma base para testar o trabalho. No entanto, a replicação independente ainda não ocorreu.

A Anthropic também é proprietária do modelo, opera o laboratório e redigiu o relatório. Seus pesquisadores têm motivos científicos e comerciais para apresentar Claude como um sistema de descoberta eficaz.

Esse conflito não invalida as evidências. Ele aumenta a necessidade de validação por equipes sem interesse na adoção de Claude.

Grupos independentes devem primeiro confirmar a organização ART relatada em genomas de fagos. Em seguida, devem reproduzir as descobertas sobre expressão de RNA e testar as interações propostas entre os componentes.

Uma equipe separada também poderia repetir a busca computacional usando os mesmos dados e prompt. Outro teste útil compararia Claude com pipelines convencionais de bioinformática e outros sistemas de IA.

A comparação deve medir mais do que se cada método encontra ART. Pesquisadores devem examinar quantos candidatos novos cada sistema produz e quantos sobrevivem aos experimentos.

Isso esclareceria se modelos de linguagem de propósito geral acrescentam julgamento científico além da automação. Também poderia revelar onde modelos especializados em sequências continuam sendo mais confiáveis.

O resultado, portanto, pressiona dois grupos. Empresas de IA devem sustentar alegações sobre agência científica com desempenho reprodutível.

Instituições de pesquisa devem decidir como avaliar fluxos de trabalho que combinam modelos estocásticos, infraestrutura proprietária e experimentação humana.

Seções tradicionais de métodos pressupõem que outro laboratório possa repetir um procedimento. Sistemas de agentes complicam esse padrão porque o comportamento do modelo pode mudar entre execuções e versões do modelo.

A reprodutibilidade pode exigir a preservação de prompts, configurações de ferramentas, identificadores de modelos, logs de agentes, bancos de dados e configurações de amostragem. Um procedimento escrito, por si só, talvez já não seja suficiente.

Esse é o significado duradouro do anúncio da Anthropic. ART é um candidato biológico interessante, mas a campanha também funciona como um caso de teste para relatar ciência assistida por IA.

Três Sinais Decidirão se a Alegação se Sustenta

A função biológica de ART, a replicação independente e o desempenho repetível dos agentes determinarão se isso se torna um marco ou um alerta útil.

O primeiro sinal é um resultado mecanístico. A Anthropic ou outro laboratório deve estabelecer o que a transcriptase reversa ART, a proteína parceira e a matriz de RNA realmente fazem.

Uma interação direta entre a RT e os RNAs derivados da matriz fortaleceria a ideia de que esses componentes formam um sistema funcional. Evidências de direcionamento programável tornariam a analogia com CRISPR mais significativa.

Uma função diferente não tornaria ART desimportante. Ela restringiria a história de uma possível plataforma de edição genética a uma nova peça da biologia dos fagos.

O segundo sinal é a confirmação experimental independente. Outro grupo de pesquisa deve reproduzir as descobertas sobre RNA e verificar a organização genômica usando seus próprios métodos.

A revisão por pares ajudará, mas a publicação por si só não resolverá a questão. O apoio mais forte viria de laboratórios que não participaram do projeto da Anthropic.

A validação independente fortaleceria a alegação biológica mesmo que o fluxo de trabalho de descoberta de Claude permaneça inconsistente. A incapacidade de reproduzir as observações relatadas enfraqueceria todo o anúncio.

O terceiro sinal é se campanhas de agentes conseguem repetir a busca. A Anthropic deve mostrar que fluxos de trabalho aprimorados inspecionam de forma confiável regiões genômicas relevantes e recuperam descobertas em múltiplos alvos.

Encontrar ART novamente seria útil, mas testes prospectivos mais amplos teriam mais peso. Pesquisadores precisam ver o sistema identificar novos candidatos antes que os humanos saibam qual resposta esperar.

Esses testes devem divulgar o total de computação, o tempo de revisão humana, as hipóteses malsucedidas e as taxas de acerto em laboratório. Também devem comparar os resultados com equipes de especialistas e softwares convencionais.

Uma plataforma confiável não precisaria fazer com que cada execução produzisse o mesmo candidato. Precisaria apresentar uma probabilidade estável de gerar pistas valiosas e auditáveis.

Sem essas evidências, a descoberta enzimática do Claude continua sendo um estudo de caso marcante. Ela não estabelece um mecanismo automatizado para o progresso científico.

A interpretação cautelosa ainda é relevante. Claude explorou um enorme espaço genômico, identificou uma organização que havia sido negligenciada e ajudou a transformar essa observação em um programa de pesquisa testável.

Ao mesmo tempo, os humanos formularam a pergunta, validaram as evidências e agora enfrentam o trabalho mais difícil. Eles precisam determinar se ART desempenha alguma função importante.

A descoberta biológica do Claude da Anthropic deve, portanto, ser julgada pelo que acontecer após o anúncio. O sistema revela um mecanismo reprodutível ou a comparação com CRISPR perde força sob testes?

Leitores que acompanham a ciência assistida por IA devem observar esses três sinais, em vez do tamanho do enxame de agentes. Exijam evidências funcionais, replicação independente e taxas de descoberta repetíveis antes de tratar ART como uma nova plataforma de edição genética.