本文来自微信公众号： 生态学时空 ，作者：复旦赵斌，原文标题：《让论文开口说话，让知识执行任务 | 【感悟】Nature的这个研究，彻底改变了我对知识传递的看法！》
——改写自James Zou团队2026年发表于《自然》的研究（Nature 658,1272–1280）
斯坦福的研究者做了一个名叫Paper2Agent的系统，能把一篇论文连同它的代码库，自动改造成一个能对话、也能动手算的AI智能体。造一个这样的智能体，成本大约是45分钟、14美元。他们拿100篇论文做了试验，成功了74篇；在标准测试里，它的答题正确率明显高于“让通用AI自己折腾代码仓库”。但更有意思的问题不是“它有多能”，而是当一篇论文可以被追问、被调用、被搬到新数据上，科学知识的形态会发生什么变化。
设想你是一位研究肌肉的博士生。你手上有一个很具体的问题：某段DNA上的一个字母变了，会不会改变肌肉细胞里那段染色质的“开合”？如果会，影响有多大？
你知道有个叫AlphaGenome的模型能算这件事。它不久前发表在《自然》周刊上，能拿一段DNA序列，预测单个碱基的改变会怎样牵动基因表达、剪接、染色质可及性这一连串过程。
于是你打开那篇论文。恭喜，你马上就会撞上科研里最常见的一堵墙。因为接下来的大半天时间，你要做的就是：找到论文对应的代码仓库；确认它要哪个版本的Python；装一串依赖，中间大概率失败至少两次；读接口文档；搞明白“一个变异”在代码里该用哪种对象表示；决定输入多长的序列；选你要看的那一种“模态”；最后把结果画成一张能看懂的图。渐渐天黑了，但是你还没有开始做科学呢！
显然，这堵墙并不是某个人的笨，实际上这是今天科学传播方式中的一个结构性后果：论文把“知识”写清楚了，却没有把“使用知识”这件事一起交付出来。因为论文一直以来，就是
一种“被动”的东西
《自然》周刊2026年10月29日刊出的这项研究，作者是斯坦福大学的Jiacheng Miao、Joe R.Davis、Yaohui Zhang、Jonathan K.Pritchard和James Zou。他们在文章里用了一个很朴素的词来形容论文：被动的对象（passive object）。
被动，意味着三件事都得你自己来处理：
第一，你得先发现它。每年发表的文献是百万的量级，在浩如烟海的标题里找到真正相关的那一篇，本身就是一种本事。
第二，你得自己拆解它。哪一段是真正的新贡献，哪一些是从别人那里继承来的，哪一些只是漂亮话术。
第三，也是最难的一步。你得自己判断，这个方法能不能用、怎么用到我手上的数据上。
现代方法学论文的门槛，恰恰卡在第三步。本文中作者举的例子其实蛮有说服力的：AlphaGenome是一个很强的基因组模型，可一个生物学家要用它，得先装好环境，再建对象、传密钥、构造变异对象、挑输出模态。用作者的话说，使用者必须理解这套接口的层级结构和参数语义。对生物学家来说，这是一条不短的学习曲线。
于是出现一个有点荒诞的悖论：科学越专业，论文越难用；论文越多，真正被用起来的恐怕越少。
过去十几年，不少人试过拆这堵墙：可执行论文、Jupyter Notebook、Binder那样的容器环境、CodeOcean、Papers with Code……它们解决的是“代码能不能跑起来”。可跑起来之后呢？你还得改参数、换数据、判断输出对不对、把一堆数字讲成一个站得住的故事。但这些“懂行”的部分，仍然留在少数人手里。
这样说，你也许还是不太明白，我们不妨打个更简单的比方：论文是一份写得极其详尽的菜谱。菜谱再好，厨房里也没有一个厨师。
好了，现在就容易明白了，这篇文章想做的事，就是如何给论文配一个厨师。
要理解他们怎么做的，先要理解三个概念
第一个概念“大语言模型”。你可以把它想成一个读过海量文本的头脑：会说话，会推理，能看懂你的问题。但它没有手，也不能保证自己说的都对。它最出名的毛病叫“幻觉”——不懂的时候，会一本正经地编一个像模像样的答案。
第二个概念是“智能体”（agent）。给这个头脑配上手和眼睛，让它能自己拆任务、调用工具、看结果、发现不对再改，它就成了智能体。像一个刚进组的学徒：聪明、勤快、不怕重复劳动，但需要有人给它立规矩。
第三个概念是MCP，模型上下文协议。这个概念的表达最不像人话，但道理其实很简单：它是插座标准。家里的插头形状统一，随便哪个插座都能用；要是没有标准，每换一个电器就得重新拉一根线。MCP做的正是这件事：把论文里的工具、资料、操作说明按同一种格式摆出来，任何AI都能插上就用。
理解了这三个概念，Paper2Agent的思路就可以一句话说完了：把论文和它的代码库，自动拆成一套符合MCP标准的工具，再把工具接到一个会说话的智能体上。
作者把这种智能体比作一位“虚拟通讯作者”：论文正文、补充材料、数据、代码、分析流程，它全都“读过”，你可以直接向它提问。这里的重点是“熟悉”，不是“权威”。而且这些工具可以架在云上，使用者不必在自己电脑上装任何东西——打开对话框就行。
拆出来的东西有三类，它们的分工是很清楚的。
一类叫“工具”。论文里“给定一个变异，预测它在各种组织、各种模态下的影响”这种能力，被封装成一个函数：给输入，出结果，还带图。你不用管它内部怎么算的。
第二类叫“资料”。论文正文、补充材料、数据集、图表、训练数据的链接，被整理成AI能查、能引的东西。它回答你的时候，能指到原文里的相关段落，或者对应的代码位置。
还有一类，我认为最容易被忽略、也最值钱，叫“操作说明”。
论文里很多关键知识，是用文字之外的顺序表达的。比如单细胞分析：先做质控，再归一化，再选高变基因，再降维，再聚类，再注释细胞类型。这个顺序错了，结果就废了。可一篇论文的方法部分，往往不会把“你必须按这个顺序来”写成一条给人看的清单——它默认你懂行。
Paper2Agent会从论文和代码库里，把这些顺序“读”出来，写成一份说明，塞给智能体；作者特别提到，这一步不需要人工整理。举个他们的例子：单细胞分析里，用户只需要给出数据路径，剩下的流程智能体会自己走完。
到这里，方法看起来并不复杂。真正让它可靠的，是第四件事：考试。
让每个工具都去“考一次试”
这套系统用六个步骤把一篇论文变成智能体：找到并下载代码仓库；配置一个干净的运行环境；在仓库里翻出教程和示例；把教程原样跑通一遍、并记录下每一步的输入输出；把跑通的代码拆成一个个可复用的函数，逐个写测试、修到通过；最后打包成一个MCP服务器。
其中最关键的，就是测试这一环了。
一个函数算不算“学会了”，不看它写得多漂亮，而看它能不能用论文自己的示例数据，复现出论文自己的结果。数值首先要对得上，允许3%的误差；图也要对上，用图像的相似度来比对。对不上就修，最多试六次。六次还不行，这个函数就被剔除，不会进入最终交付的那套工具里。
为什么要这么狠？因为AI写代码会犯错，而且错得很有自信。一个看起来合理、实际上算错的函数，如果被当成工具交到用户手里，产生的不是“不方便”，而是错误的科学结论。
作者的“测试员”智能体还会主动找茬：它自己生成测试、运行、诊断失败原因、打补丁，然后再测一遍。这个循环听起来笨，但它是整套系统可信度的来源。
顺便说一句成本。作者报告：把AlphaGenome那篇论文变成智能体，一共22个工具，全部通过验证，用了大约45分钟，花了14美元，跑在一台笔记本电脑上，全程没有人工干预。
45分钟、14美元。这个数字值得我们停下来思考一下。它并不意味着“科研变简单了”，因为真正难的问题还在人这边。它意味着：那些纯粹消耗人的重复劳动，第一次变得便宜到可以忽略。
下面我们来看看文中所谈论的三个案例：
第一个案例：一场考试，和一次对旧结论的重审
这个案例，就是开头那个AlphaGenome。造好之后，他们给它出了一套卷子：15道题来自官方教程，有标准答案；另外15道是新题，需要它自己组合多个工具、多步推理。每道题独立跑5次。评分不靠AI自评，由两位人类专家按事先定好的标准独立评分，两人的评分一致率是96.7%。结果：教程题98.7%，新题100%。
对照组是把同一个代码仓库直接交给Claude（业界很强的通用AI编程助手），教程题82.7%，新题78.7%；另一个专门做生物医学的智能体Biomni，两项分别是37.3%和56.0%。
在30道开放式的研究型问题上——没有标准答案，要自己搭多步流程，还要能做出生物学解释——Paper2Agent拿到82.7%，Claude加仓库是56.2%，Biomni是72.2%。速度上，它的中位耗时只有对照组的约二分之一到三分之一（教程题约1/2和1/3，新题约1/3和1/4）。
但这一节里最让我停下来想了很久的，并非这些分数，而是它把论文自己的分析重做了一遍。
论文里有一个经典问题：人的1号染色体上有一个变异，与血液里的低密度脂蛋白胆固醇（俗称“坏胆固醇”）水平相关。这个区域附近挤着好几个基因。到底哪一个才是“因”，哪一个只是“跟着”？原论文的叙述里，重点落在CELSR2和PSRC1上。Paper2Agent造出来的智能体，把SORT1排在了第一位。
它给出的理由很具体：这个变异对SORT1表达影响的“分位数得分”是0.99983——你可以理解成，在所有被评估过的变异里，它对SORT1的影响排在最极端的那一档；SORT1编码的sortilin蛋白，直接参与低密度和极低密度脂蛋白的分泌；而在肝脏的基因型—组织表达数据库（GTEx）里，这个变异与SORT1表达的关联，P值是1.1×10⁻¹⁰。
作者没有写“AI推翻了论文”。他们写的是更有意思的一句话：CELSR2和PSRC1的分位数得分同样高达0.99998，而且它们也都是显著的表达数量性状位点。换句话说，三个基因的证据强度，几乎一样高。
这恰恰暴露了人类遗传学里一个长期存在的困难：在一个变异同时调控好几个邻近基因的位点上，想凭计算“指认凶手”，本身就很难有唯一答案。
要理解这件事难在哪儿，得先理解两个词。
GWAS（全基因组关联分析），可以理解成在基因组上画圈：它把几百万个常见变异逐个和某种性状做统计比对，圈出“这一段路上有事”。但它画的是路段，不是人。一个相关的区段里，可能挤着几十个基因，它们挨得太近，统计上分不开——这叫连锁。
eQTL（表达数量性状位点），更进一步：它告诉你这个变异影响了哪个基因的“开关”，也就是表达量。可如果它同时影响三个基因的开关呢？那三个都是eQTL，三个都可能有问题。
所以这项工作的价值，不一定是“给出了正确答案”。有时候，它的价值是让“重新检验一个旧结论”这件事，从一周的工作变成一句话的功夫：你只要问一句“用独立证据重新评估这个位点”，它就把所有模态、所有组织的结果摆在你面前。
科学里很多争论，卡住的不是想法，是复现的成本。当成本降下来，被重新讨论的问题就会变多——这大概是这篇文章最不显眼、但影响最深远的一点。
第二个案例：一句话，干完一天的活
第二个案例更朴素，也更能让做过实验的人会心一笑：单细胞分析。
单细胞测序能一个细胞一个细胞地读出基因表达，一个样本动辄上万个细胞。分析它有一套行规：质控、过滤、归一化、选高变基因、降维、聚类、注释细胞类型。这套流程在各种教程里被讲过无数遍，可第一次上手的人几乎都会卡住。
Paper2Agent用45分钟、13美元，造出7个工具，全部通过验证。然后它演示了一件事：用户只输入一句话——
“我的数据是data.h5ad，请做标准单细胞质控。”
智能体自己跑完了质控和过滤，把17,041个细胞、23,424个基因留下来，画出三张质控图。再往前一步，用户说“请做标准的单细胞预处理和聚类流程”，它就把整条流水线走完：高变基因、降维、Leiden聚类、UMAP可视化、差异表达、细胞类型注释。
作者把它的输出和一位人类研究者处理同一份数据的结果放在一起比对：分出来的群、注释出的细胞类型、标记基因，基本一致。
更有说服力的是泛化测试：他们换上7个来自不同组织、不同测序平台的数据集，智能体会根据数据的实际情况自己调整参数。
这件事的意义在于：专家的“手感”，比如什么时候该多滤掉一点细胞、聚类分辨率调到多少，在过去只能靠师傅带。现在，它被写进了操作说明里，变成了可以复用的流程。
第三个案例：三个智能体开了一场小会
如果前两个案例是单打独斗，那第三个更像一场小型学术会议。
研究对象是一种皮肤病：银屑病。基因组研究早就找到了一个与它相关的变异位点（编号rs887314）。这个位点附近有好几个基因：GPR137、BAD，还有若干邻居。谁是真正起作用的那个？
第一个智能体，基于AlphaGenome，负责算。它把GPR137排在第一，理由是：这个变异对CD4阳性T细胞里GPR137表达的预测影响，分位数得分是0.997，在整个位点的所有基因里排最前。
但计算预测只是“嫌疑”，不是“定罪”。于是人把任务交给了另外两个智能体：一个来自“大规模并行报告基因检测＋单细胞CRISPR干扰筛选”的论文——这套技术能直接把一段调控DNA改掉，看下游基因的表达怎么变；另一个来自Perturb-seq的论文——它能一个个把基因“关掉”，看整个转录组怎么变。
这里有个细节值得说一下：智能体自己读了这两篇论文的正文和补充表，提出了十种可以验证GPR137的策略。人类研究者从里面挑了一种：签名相关性分析。意思很直白——如果扰动那个DNA位点引起的变化，和敲掉某个基因引起的变化高度同步，那这个基因大概率就是中间人。
结果：只有GPR137被敲掉时，表达变化和扰动位点的变化显著同步（刺激8小时，相关系数0.61；刺激48小时，0.63）。同样排在前面的BAD敲掉之后，两者没有显著相关。
还有一个更妙的细节：细胞“静息”、也就是不被刺激时，这个相关性不显著（0.29）。在有些人看来这是“结果不稳”。但做过免疫学的人会读成另一个意思：这个位点的作用，依赖T细胞是否被激活。这与领域里已知的规律吻合——调控T细胞的那些元件，作用强弱会随刺激状态大幅变化。
一个“不显著”，最后成了一条生物学信息。这是我觉得整篇文章最漂亮、也最容易被忽略的地方：不是所有有价值的发现，都长成“显著”的样子。
这种方法有多可靠，边界在哪里
作者拿三批完全不同的论文做压力测试：100篇计算生物学论文、26篇偏数据与发现的论文、10篇非生物领域的论文（人工智能、统计、经济学、博弈论、天体物理）。100篇生物学论文里，74篇成功造出了智能体，一共生成599个工具，593个通过验证。在300道教程题上，正确率91.2%，高于“直接让AI用代码仓库”的80.3%。10篇非生物论文的42个任务，正确率98.1%——说明这套方法不只对生物学有效。而另一批偏数据与发现的论文，本身造不出工具，只能做“资料层”（把论文、数据、图表整理成AI能查的资源），在100道综合题上也拿到89.0%，比让通用AI用浏览器翻仓库高出7个百分点，花的钱只有对方的1/34，耗时只有1/15。
再说它站得住的那一面。把问题换个问法，结论不变；把对照组的模型换成更新的版本，领先依然在。往代码仓库里人为制造12种“病灶”——删掉依赖、改坏路径、拼错函数名、换成废弃的接口——智能体能发现、能修好，最终还能跑通。问它论文里没有的问题，它100%拒答，不会硬编一个答案。
然后是必须说清楚的。
第一，不是所有论文都能变成智能体。那100篇里没能成功的26篇，原因很简单，就是没有可执行的代码、数据找不到、环境配不起来、脚本只对那一份数据有效。这与其说是方法的失败，不如说是领域的老问题被照了出来，因为很多论文的可复现性本来就不及格。
第二，“和标准答案一致”不等于“正确”。尤其那些开放式问题，本来就可能有好几种站得住脚的答案。作者自己写得很清楚：这类基准测试衡量的是“忠实执行”的能力，而不是分析本身的正确性。
第三，错误会被继承。这套系统的验证标准是“和论文的结果一致”。如果原论文的代码本身有bug，智能体会非常忠实地把这个bug学下来，再稳定地复现它，而且更快。工具再好，也照不出它没被要求照的地方。
第四，安全与产权。把代码变成可以自动执行的智能体，等于给它开了一扇门：它能跑命令，能访问网络。作者在补充材料里专门讨论了由此带来的安全、知识产权和署名问题。
第五，维护。上游代码一更新、依赖一升级，智能体可能就坏了。这不是一劳永逸的东西。
作者自己的定位是：Paper2Agent是一个“放大科学发现、改善可及性、可复现性和论文复用”的工具，而不是科学结论的权威来源。开放的研究判断，仍然在人这边。
一个更大的问题：知识该以什么形式存在？
最后，我想谈一个比技术更值得想的问题。过去几百年来，科学知识的标准形态其实也改变过多次了，近三百多年来的主要形式是文本，包括论文、专著和教科书等。文本的好处显而易见，稳定、可引用、可争论，但坏处是它只记录，不执行。
这项研究提出新的知识形态是：知识可以是一个可执行的对象——一个能被提问、被调用、被迁移到新数据上的东西。
作者顺着这个思路提了一个很具体的建议：既然期刊现在要求“数据可用性声明”、“代码可用性声明”，那么下一步应该有一种“智能体可用性声明”，说明这篇论文的贡献有没有、以及怎样被做成了一个智能体。
读到这里，聪明的你可能已经意识到这个建议背后有一个更尖锐的判断：一篇论文如果连智能体都造不出来，可能正说明它的可复现性有问题。换句话说，能不能被智能体化，完全可以当成未来审查论文的一块试金石。
我个人觉得，这句话对整个科学界都是一记提醒。我们习惯了用“被引用多少次”衡量一篇论文的影响力，却很少用“别人能不能真的用起来”来衡量。而后者，可能才是公共资金支持科研时，公众真正关心的那件事。
科研论文离我们普通人有多远，多数人是都有体会。我们对科学的了解，绝大多数是二手的：一条“某种食物致癌”的新闻刷屏，翻到原文才发现，实验做在小鼠身上，剂量高得离谱；一则“新药有效”的报道，原文写的是二期临床、几十个人，中间隔着新闻稿、标题、翻译，信息一层层损耗。想核实，最可靠的办法是回到原始论文，可原始论文只对同行友好。如果论文本身可以被追问：这个结论是在人身上还是小鼠身上？样本多大？换一种细胞还成立吗。你看，“回到源头”这件事，第一次不必让你先成为专家。当然，能追问不等于你有能力做判断：工具降低的只是“问一句”的门槛，证据够不够硬，仍然要靠专业知识和训练才能判定。
不过，方便本身也带来一个问题：当论文都变成了能直接给答案的智能体，还有多少人愿意自己去核对、自己去判断？作者给出的答案是：提出假设、判断证据、选择方向，仍然是人。工具越强，人的判断越贵。
回到那位博士生，未来的知识不应该成为门槛
现在，我们回到文章开头的那位博士生的你。你现在可以打开对话框，问一句：“这个变异对肌肉细胞染色质可及性的影响是什么？”几分钟后，你就可以拿到数值、拿到图，还拿到一句解释，比如“这个变异落在一个增强子区域里”。
然后呢？
你仍然要问自己：这个结果可靠吗？和你已知的肌肉生物学对得上吗？它和你另一个实验的结果矛盾，是谁错了？下一步，我你做什么实验？
工具把“一天”还给了你。这一天，你可以用在更值当的地方：把问题问得更准，把结果的来路弄清楚，决定下一步做哪个实验。
而回头看，被省下的那些时间，本来就不该花。论文的作者早就把它实现过一遍，代码也大多公开在仓库里；可下一个人要接着往前做，还是得自己重搭一次。这不叫接力，这叫每个人都在重复劳动。
我们太习惯这样的情形了，习惯到把它算进“做研究就是这样”的成本里。实际上，一份工作如果需要每个人重做一遍，它就不算真正的知识，只能算门槛。知识本该是可以直接被继承的：前人走到哪儿，后人从哪儿开始。
所以，当论文变成可以被追问、被调用的东西，省下的不只是几个小时，而是“继承”本身：后来的人不必先照原样造一个起点，可以直接站在前人停下的地方。
眼下，这条路才刚开头。但如果方向成立，改变的不会是某一篇论文好不好用，而是知识怎么往下传。这件事，从第一本学术期刊算起，三百多年没怎么变过。憧憬一下我们的未来，到那时候，我们传递知识，拿到的不再是一份说明书，而是一个已经会干活的合作者。
天还是会黑。这一次，天黑之前，他做的是科学。
说明：文中的数据与实验细节均取自Miao等人发表于《自然》的原文（Nature 658,1272–1280,2026）及其图表、方法部分；第九、十节里的一些延伸讨论属于笔者的解读，不代表原作者观点。为便于理解，文中对GWAS、eQTL、MCP等术语做了通俗转述，严格定义请以原文为准。