今天三则新闻，
一则发生在：
实验室。
一则发生在：
创作者工作台。
另一则发生在：
一般人的职场训练。
看起来完全不同，
其实都在回答同一个问题：
当 AI 已经会做事之后，人接下来到底负责什么？
科学家要负责：
验证。
创作者要负责：
选择。
一般工作者则开始面对：
必须学会怎么和 AI 一起工作。
① Claude 跑 21 小时、用了 2.1 亿 Token，从 20 万多个酵素一路筛出新 ART 系统
第一则非常特别。
Anthropic 9 月 23 日公布：
公司新成立的：
Life Sciences Research Group
第一批研究成果。
这次不是：
Claude 帮忙摘要论文。
也不是：
替科学家写报告。
而是让大量 Claude Agents
真正参与：
Scientific Discovery。
约 950 个 Claude Agent 同时找答案
Anthropic 表示，
研究团队创建了一套：
Large-scale Agentic Search。
大约有：
950 个 Claude Agents
在：
21 小时
内工作。
整个过程处理超过：
2.1 亿 Tokens。
它们的任务是：
从大量 DNA 与 Protein Data
找出可能值得真正进实验室研究的：
Reverse Transcriptase Systems。
一开始有超过 20 万个候选
研究团队先收集：
超过：
200,000 个 Reverse Transcriptases。
如果让人一个一个看，
几乎不可能快速完成。
Claude Agents 开始替它们：
找附近 Gene。
比较 Sequence。
分析结构。
阅读相关文献。
判断哪些组合可能不是：
已经知道的系统。
最后先缩到大约：
3,500 个 Candidate Systems。
再一路缩成：
20 个。
这就是 AI 最适合科学研究的一种角色：
不是直接宣布：
「我发现真理了。」
而是把原本大到人根本看不完的：
Search Space
快速压小。
最后找到的是 ART
其中一个最值得注意的候选，
研究团队命名为：
Array-associated Reverse Transcriptases。
简称：
ART。
它出现在：
Bacteriophages
也就是感染细菌的病毒里。
研究人员看到一个很特别的结构：
Reverse Transcriptase。
旁边有一个 Partner Gene。
再旁边还有一大段：
重复排列的 DNA Sequence Array。
整个排列方式，
让研究者想到另一套很有名的生物系统：
CRISPR。
但现在不能写成「Claude 发现下一个 CRISPR」
这里非常重要。
Anthropic 自己也没有这样下结论。
目前知道的是：
这个 Reverse Transcriptase 本身以前就有人辨识过。
Claude Agents 真正协助找到的，
是：
它周围那套更完整、
此前没有被充分描述的：
Gene＋DNA Array System。
也就是说，
新的地方是：
Claude 把原本散落的线索连成了一个值得研究的系统。
但：
ART 到底做什么？
有什么生物功能？
能不能变成新的 Biotechnology Tool？
现在都还不知道。
AI 找候选，人做实验
这也是整件事最值得注意的地方。
Claude 没有自己在实验室：
培养细胞。
操作设备。
宣布结果。
Anthropic 表示，
真正的：
Wet-lab Experiments
仍全部由：
Human Scientists
进行。
而且目前仍在做后续实验，
确认 ART：
究竟有什么功能。
这个分工其实非常清楚：
AI：
找可能性。
人：
验证真实世界。
这和 AI 帮药厂找数据不一样
SasaDaily 9 月 17 日才写过：
Novo Nordisk
开始把 Claude 带进：
药物研究。
当时重点是：
让 AI 整理庞大的研究数据、
协助科学家处理知识工作。
今天 Anthropic 公布的方向又往前一步：
AI 不只是：
读已经知道的知识。
而开始帮研究者：
从大量未知候选里决定「下一个实验值得做什么」。
如果这种模式能持续成功，
科学研究真正被缩短的，
可能不是：
实验本身。
而是：
实验以前那段漫长的搜索。
但科学 AI 最不能省掉的，就是验证
一个 Agent 可以一晚提出：
1,000 个 Hypotheses。
真正的实验室不可能：
一夜验完。
所以 AI 愈快，
下一个 Bottleneck
反而可能变成：
Experiment Capacity。
人员。
设备。
材料。
Replication。
Peer Review。
也就是：
AI 可以让：
提出答案
变得非常便宜。
但：
证明答案是真的
仍然很昂贵。
这可能会成为 AI Science 下一个最重要的问题。
② YouTube 把 Gemini 直接放进剪辑流程：你可以用聊天方式叫它重排、裁切、对音乐节拍
第二则，
和每天做视频的人更直接。
YouTube 在 9 月 23 日的：
Made on YouTube
公布一系列新的 Creator AI Tools。
其中很值得注意的是：
YouTube 不再只把 AI 放在：
生成一张图。
生成一段视频。
而是把 Gemini 带进：
Editing。
先做 Draft，再和 Gemini 一路聊着改
新的：
Conversational Editing Assistant
会进入：
YouTube Shorts
以及：
YouTube Create。
创作者可以先用一句 Prompt
产生：
First Draft。
接着不用重新生成整支视频，
而是直接用自然语言要求：
重新排列 Frames。
把某一段 Trim 掉。
让 Music
跟 Beat 对齐。
修改节奏。
再回到：
传统 Timeline
手动微调。
也就是：
AI 先做。
人继续改。
这跟「Prompt 一次生完整视频」差很多
以前 Generative Video
很常遇到一个问题：
第一版：
80% 可以。
但剩下：
20%
不对。
结果你只能：
重生。
再重生。
现在 YouTube 想把 Workflow
往真正的剪辑软件靠。
不是：
Prompt → Final Video。
而是：
Prompt → Draft → Conversation → Manual Edit。
这种模式其实更接近：
真正创作者怎么工作。
YouTube Studio 还准备让同一支视频测三个不同版本
YouTube 也表示，
YouTube Studio
将加入：
Video A/B Testing。
创作者可以准备：
最多：
3 个不同 Cuts。
再比较：
哪一版比较能让观众留下来。
过去 A/B Testing
比较常出现在：
Thumbnail。
Title。
现在开始往：
视频内容本身
延伸。
这代表 AI 视频工具下一步可能不是：
「帮你一次做出最完美版本。」
而是：
更便宜地产生多个版本，再让真实观众决定。
还有一个很重要的新问题：AI 能模仿你的脸，也能模仿你的声音
视频生成愈方便，
另一面就是：
Impersonation
也愈方便。
YouTube 已经有：
Likeness Detection
协助创作者寻找：
疑似使用自己脸部的 AI Generated Content。
现在 YouTube 表示，
今年稍晚会再把：
Speaking Voice Detection
和：
Facial Detection
结合。
也就是：
不只看：
「这张脸像不像你。」
还要进一步处理：
「这个声音是不是也在冒充你。」
Likeness Detection 也要进手机
YouTube 同时准备把：
Likeness Detection
带到：
Mobile App。
这个变化很重要。
因为 AI Deepfake 管理
如果只能让大型 Creator
坐在 Desktop 后台慢慢查，
实际使用门槛还是很高。
搬到手机后，
创作者可以更接近：
每天真正管理频道的地方。
YouTube 还在测试让 AI 学你的留言管理风格
另一个比较不起眼、
但很实际的功能是：
AI-powered Comment Moderation。
YouTube 准备让部分 Creator：
Opt in。
AI 会逐渐学习：
这个 Channel
平常怎么处理留言。
也就是：
不是所有频道都套：
同一套 Moderation Rule。
而是理解：
你的社区边界。
这其实跟视频生成一样：
AI 不只是在：
产内容。
它开始进入：
Creator Operations。
甚至 Live 也要加实时 Auto Dubbing
YouTube 也公布：
Live
将加入：
Real-time Auto Dubbing。
意思是：
直播进行当下，
AI 就可以开始：
跨语言处理。
这和视频上传后再产：
Dubbing Track
完全不同。
如果成熟，
一个 Creator
可能在：
一个国家直播，
另一个语言的观众：
同时看。
这会直接影响：
Creator 能不能跨市场。
YouTube 自己已经不是在问「Creator 要不要用 AI」
YouTube 表示，
2026 年 8 月，
每天已有：
数十万个 Channel
使用 Gemini Omni 的创作能力。
另外，
YouTube 引述美国数据表示，
14～44 岁、
过去一年曾发布视频的人中，
有：
72%
使用过 AI
协助：
Creation
或：
Editing。
这些是 YouTube 公布的数据，
不能直接代表：
全球所有 Creator。
但至少显示：
平台现在问的问题已经变成：
不是：
「要不要让 Creator 用 AI？」
而是：
「AI 要放进哪一个创作步骤？」
③ Verizon 投 7,000 万美元：AI 培训开始从公司福利变成基础工作技能
第三则，
没有新模型。
没有新芯片。
甚至没有新 App。
但它可能更直接影响：
一般工作者。
Verizon 9 月 23 日宣布：
推出：
Verizon AI Skills for America。
总投入：
7,000 万美元。
目标是提供：
免费 AI Skills Training。
这 7,000 万美元怎么来？
Verizon 表示，
其中：
5,000 万美元
是新的投入。
另外：
2,000 万美元
来自既有：
Reskilling and Career Transition Fund。
也就是这不只是：
放几支免费视频上网。
而是 Verizon 把：
原本用来处理：
工作转型、
再就业、
技能更新
的资源，
正式拉进：
AI。
谁可以学？
目标族群包括：
Job Seekers。
刚进职场的人。
因技术转型失去工作的人。
Educators。
Small Businesses。
以及希望：
重新学技能
的人。
而且 Verizon 的方向不是：
只教 Prompt Engineering。
培训内容还会包含：
如何把 AI
放进：
真正工作。
课程不是 Verizon 一家公司自己做
参与 Training Content 的公司包括：
IBM。
Google。
Anthropic。
Microsoft。
Coursera。
OpenAI。
另外 Verizon 还会与：
Goodwill Industries。
LISC。
NACCE
等社区与非营利组织合作，
把培训带到：
真正需要就业协助的人。
Reuters 报导，
Verizon 希望透过这项计划：
培训：
数十万人。
为什么电信公司突然开始教 AI？
因为 AI Skills
正在从：
科技职位的加分项
变成：
一般工作的基本能力。
几周前，
我们才看到 UBS
准备要求部分新进员工：
证明：
AI Fluency。
现在 Verizon 做的是：
另一端。
不是：
「你没有 AI 能力就不要来。」
而是：
「那我们先让更多人有机会学。」
这两件事其实应该一起看
如果企业开始要求：
AI Skills，
但真正能取得好的 AI Training
只有：
高薪科技工作者，
那 AI 很可能放大：
Skill Gap。
Verizon 表示，
部分 Premium AI Training
每人每年可能超过：
700 美元。
它要做的，
就是把这一层费用：
拿掉。
至少让更多：
求职者。
小企业。
职涯转换者
有机会接触。
但「上过 AI 课」不等于真正有 AI 能力
这也是接下来最重要的问题。
AI Skills
不能最后变成：
看完 10 小时视频。
拿一张 Certificate。
就算完成。
真正对工作有价值的能力，
应该可以回答：
我工作里哪一步适合 AI？
哪一步不能交？
输出怎么验证？
机密数据能不能放？
AI 错了怎么发现？
到底有没有：
省下时间
或：
提高结果品质？
这些才是：
真正的：
AI Fluency。
今天三则新闻，其实都在重新分配「人」的位置
Claude 的科学研究：
AI 可以从 20 万个候选
快速缩到 20 个。
但：
人必须做实验。
YouTube：
AI 可以帮你剪。
帮你排。
帮你产不同版本。
但：
人仍决定什么值得发布。
Verizon：
AI 可以开始接手更多任务作。
但：
人也必须重新学会怎么工作。
所以 AI 愈强，
人并没有消失。
人的工作只是：
往另一层移。
从：
找所有数据
变成：
验证最重要的数据。
从：
手工做第一版
变成：
判断哪个版本值得留下。
从：
会不会打字、会不会用 Office
变成：
会不会正确地把 AI 放进工作。
这可能就是今天三则新闻真正共同的地方：
AI 正在让：
产生候选答案
变得愈来愈便宜。
因此人真正值钱的部分，
会越来越集中在：
判断。
验证。
责任。
以及：
知道什么时候不能只相信 AI。
今天，和 AI 一起进步一点。
每天学会一个 AI 技巧。
每天节省一点时间。
每天提升一点能力。
SasaDaily，陪你一起成长。
推荐阅读
AI 今日早报｜2026/09/17：Cohere＋Aleph Alpha 签合并、Novo 把 Claude 带进新药研发、Apple 据报重返 AI 服务器
今日 AI 工具｜2026/09/05：Google Vids 添加文档摘要视频，Docs／PDF／Word 直接变脚本、旁白与场景
