如果把数百万个细胞的数据交给一名研究者，任务很像让一个人翻完一座图书馆：既要逐项检查实验结果，又要查论文，还要判断哪些异常值得追踪。OpenAI、PerturbAI 与 Scripps Research 的做法，是临时组建一支数千名“研究助理”的队伍，让它们分头工作，再把答案汇总起来。
据 OpenAI 官方介绍，这套系统由生命科学推理模型 GPT-Rosalind 驱动，分析了数百万个小鼠脑细胞的既有实验数据，整轮分析耗时 32 分钟。目前公开信息均来自 OpenAI，尚无论文、完整实验数据或第三方复核。
把大课题拆成许多小调查
这里处理的是单细胞数据——研究者不再把一块组织平均成一个样本，而是逐个细胞测量基因活动等特征。这样能看见不同细胞类型和状态之间的差异，代价是数据量和分析难度迅速膨胀。
团队采用了分布式 AI Agent：把大量相对独立的任务交给许多 Agent 并行处理，再汇总结果。每个 Agent 调查一项基因扰动，分析细胞反应、检索科学文献，并提出解释。基因扰动，指研究者有意关闭、修改或增强某个基因，再观察细胞发生了什么，以寻找基因与细胞功能之间可能存在的联系。
这更像把一场庞杂调查拆给许多小组，而不是让数千个 Agent 重复回答同一个问题。OpenAI 称，任务规模扩大后，单个 Agent 的报告只引用了 11 篇文献，分布式系统找到的文献超过 700 篇；在盲评中，专家有 75% 的时候更偏爱分布式 Agent 生成的报告。这里的“数千个”可能指并行或累计运行的 Agent 实例，官方材料没有说明它们是否都是持续存在、完全独立自主的智能体，因此不能改写成“万名 Agent”。
它找到的是下一道题
这套系统给出的一条线索与 DCTN1 基因有关。破坏这个与 Perry syndrome 相关的基因后，神经元中负责制造胆固醇的基因表达增加。Agent 又把这个现象与已有的胆固醇运输研究联系起来，提出一个后续问题：胆固醇在神经元内分布失常，是否参与了神经退行过程？据 OpenAI 介绍，盲评专家认为这一假说新颖、重要，值得继续追踪。
关键在“值得追踪”。研究线索只是从数据模式与文献关系中提出的待验证假设，不是已经确认的新机制，更不是药物靶点或治疗方案。它真正交付的，是下一项可能值得做的实验。
为什么现在值得看
我们此前报道过，OpenAI 向美国高校实验室开放 GPT-Rosalind，并强调模型结论仍需实验验证。这次进展展示了同一模型如何从单次推理扩展到数千个 Agent 并行协作。
它的意义不只在速度。科学数据越来越大，真正耗时的环节往往是逐项解释、查找相关研究和筛选假说。分布式 Agent 展示了一种新分工：机器先扩大检索与初步推理的覆盖面，人类专家再决定哪些线索值得投入实验资源。Agent 因而不只是做演示，而是开始进入规模化科研流程。
局限与未知
- 现有结果只有 OpenAI 一个信源，缺少论文、完整数据和独立复核。
- 官方没有披露 Agent 实例的精确定义、完整评测设置，也没有说明 32 分钟之外的计算成本。
- DCTN1 相关假说仍待专家审查和实验复现；“promising research leads”不等于已经取得生物学或临床突破。