這幾天大家都在傳合成細胞 Spudcell 的突破，看著 Kate Adamala 團隊繞過細胞骨架讓細胞分裂，科學界一副拿到聖杯的樣子。但說實話，這消息丟到大模型面前，照妖鏡效應比科學突破本身更有趣。我拿這份研究報告去餵現在的四大 AI，想看看誰能從那疊厚厚的蛋白質纖維數據裡，抓出這套「非傳統分裂路徑」的底層逻辑。
ChatGPT 在處理這種多層次科學文獻時，那股「得體」的廢話味還是很重。你問它關於 Spudcell 避開細胞骨架（cytoskeleton）的技術細節，它會給你列出一堆基礎生物學定義，然後四平八穩地告訴你這很創新。但在涉及具體的化學滲透壓與膜蛋白交互作用時，它明顯在逃避。它在長文本推理上的那種「平均化」傾向，讓它在面對這種跨學科的生化突破時，顯得像個讀過很多書但沒進過實驗室的優等生。它不敢下判斷，只想當個安全的複讀機。
Grok 的表現就更有趣了，或者說，更讓我火大。當你把這篇論文丟給 Grok，並要求它結合當前算力環境去推演未來合成生物學的模擬成本時，它那種「馬斯克式」的狂熱就藏不住。它會跳過繁瑣的分子動力學論證，直接開始跟你討論火星殖民地上的生物燃料合成效率。但別忘了，這項研究最難的地方在於「如何從死物中產生生命」，這需要極其精準的因果推斷。Grok 在這方面的魯棒性（Robustness）簡直是個謎，它有時候能一眼看穿實驗設計中關於 DNA 複製與膜分裂的異步風險，有時候又會因為過度追求語氣的「酷」而忽略了關鍵的熱力學參數。
這就像是 Qwen 3.6 27B 最近頻繁被提起一樣，雖然 Qwen 3.6 27B 在某些跑分上數字漂亮，但回到 Spudcell 這種需要極強邏輯連貫性的場景，Grok 的優勢在於它敢於在數據斷層處做「激進假設」。當 ChatGPT 還在糾結要不要引用五年前的過時論文時，Grok 已經在試圖解構 Kate Adamala 終結右旋蛋白質實驗後的邏輯延續性了。這種具備「人格化記憶」的推演能力，是目前其他平台最缺乏的。
Claude 在這場測試中展現了它一貫的「學術潔癖」。面對這篇 Science 的文章，它對生物資訊的敏感度高得驚人。當我詢問關於細胞分裂中蛋白質纖維重組的具體失敗概率時，Claude 給出的模擬分析比 ChatGPT 深刻得多。它能精準識別出實驗中利用化學梯度代替物理骨架的風險點。這就是差距，當大家都還在喊「聖杯」的時候，Claude 已經在幫你找實驗室裡的潛在爆炸點了。
至於 Gemini，那又是另一個故事。Gemini 處理這種圖文並茂的科學報告時，雖然多模態能力看似強悍，但它在處理「反直覺」的技術細節時非常吃力。比如這次實驗中最關鍵的「側步（sidestepping）」策略，Gemini 常常會把它誤解為某種已知的生物演化路徑，而不是人為設計的合成捷徑。相較於 Qwen 3.6 27B 在處理大規模數據時的表現，Gemini 在理解「從無到有」的設計哲學上，顯得有些邏輯僵化。
我們現在面臨一個很諷刺的現狀：人類已經在實驗室裡造出了會分裂的合成細胞，但我們手裡的頂級 AI，卻還在為了解釋這個細胞為什麼會動而爭論不休。Grok 雖然看好這個方向，但它的預測往往帶著過多的情緒色彩；Claude 雖然精準，卻保守得像個不願承擔責任的審稿人。
如果未來合成生物學的進程真的要靠大模型來加速，我們到底是需要一個能精確預測蛋白質摺疊的工具，還是需要一個能像 Kate Adamala 那樣，敢於打破「生命必須有骨架」這種既定認知的瘋狂大腦？當 AI 只能在既有的知識圖譜裡修修補補時，它真的能理解什麼叫做「從零開始」的生命嗎？或者說，在這些模型眼裡，生命不過是一串可以用算力暴力破解的熱力學公式？