据一篇技术博客文章(原文链接见文末)所述,Anthropic 的 Claude 模型在训练过程中大规模使用了蛋白质序列数据。该文章的链接路径显示,所讨论的对象为 Claude Opus 5.5。除这一说法本身外,公开信息中目前尚无关于数据规模、来源渠道、授权方式以及在训练语料中占比的进一步细节。
蛋白质序列以氨基酸排列的形式记录,本身就更容易被转换成文本,长期以来是生物信息学与蛋白质语言模型的核心训练素材。若上述说法成立,这意味着通用大模型的训练语料已明显超出纯自然语言的范围,延伸到了生物分子序列。
对 AI 从业者而言,有三点影响值得关注。第一是数据边界:通用基础模型与生物领域专用模型的数据集开始出现重叠,“通用”与“垂域”之间的界限不再一清二楚。第二是评测的有效性:模型在蛋白质相关任务上的表现,可能部分来自训练阶段对序列的记忆,并非真正的结构或功能推理,这会直接影响相应 benchmark 结果的可信度。第三是数据治理:生物数据的来源、授权与双重用途风险,通常比通用网页语料受到更严格的审视;一旦这类数据进入大模型训练流程,合规与安全讨论也会随之而来。
对从事 AI for Science 的团队来说,这既可能带来有利影响,因为基座模型自带的领域先验知识可能强于预期;也会带来压力,因为仅靠数据壁垒形成的差异化空间会被压缩。需要指出的是,该说法目前仍来自单一博客来源,其准确性与覆盖范围有待更多信息佐证。
原文链接:http://xinmingtu.cn/blog/2026/claude-opus-5-5-protein-sequences/
