19世纪中叶，在伦敦繁忙的银行柜台后，被称为”计算员”（Calculating Clerks）的群体日复一日地伏案工作。他们没有屏幕，只有堆叠的分类账本、蘸水笔与名为 Arithmometer 的机械计算设备。在昏暗的煤气灯下，成千上万个数字被精准地誊写、加总与核对。若以脑部代谢的视角审视，其大脑皮层持续的高频放电所承载的负荷，即便置于今日也颇为沉重。然而在当时的社会认知框架中，这仅被定义为一种”坐着的体力劳动”。
古希腊哲学家亚里士多德（Aristotle）最早开始关注人类的”行动层级”框架，他在其伦理学经典《尼各马可伦理学》（The Nicomachean Ethics）中对人类的活动进行了古典划分：以产品为目的的制作（Poiesis / 技艺 Techne）、以行动自身为目的且基于理性选择的实践（Praxis），以及在实践中起主导作用的最高理智德性实践智慧（Phronesis）。而选择（Prohairesis） 则是连接欲望与理性，使实践得以启动的关键环节。若将这一古典框架投射至19世纪的银行柜台，其层级分野依然清晰可见。
位于底层的执行（How / Techne），关乎如何整齐书写数字、如何快速拨动机器。这在当时被视为核心技能，但在本质上，这更接近于一种”生物模拟运算”。规则一旦确定，其形式化程度最高，也因此最易被机械逻辑所置换。
稍高一层的选择（Which / Prohairesis），涉及逻辑的分支与判断。面对一笔复杂的跨国汇兑，应适配何种账目模板，需要调动经验进行匹配。然而，在既定的目标约束下，这依然属于一种闭合回路内的思考。
而处于顶层的定义（What & Why / Phronesis），则是唯一难以被完全形式化的领域。当一位衣衫褴褛却目光坚定的年轻人走进银行申请贷款时，既有的规则手册失效了，银行雇员需要对”价值”与”风险”进行重新定义。
当我们回望当下的工作日常，或许也常处于这三种层级的交错之中。在那些按部就班的流程执行与即时响应的忙碌间隙，真正触及”定义问题”的时刻究竟几何，这恐怕是一个值得在案牍劳形之余，独自玩味的命题。
这种对”脑力劳动”的重新审视，并非源于某一次单点技术突破，而是在 2026 年初的一系列变化中被集中推至台前。2025 年 12 月 30 日，Meta 宣布以全资股权方式收购 Manus，使通用智能体明确脱离了极客实验与工具化应用的语境，开始被视为一种可被大型组织系统性吸收的数字基础设施。数周之后，Anthropic 发布 Claude for Health，在其此前生命科学版本的基础上，进一步将 Agent 直接嵌入生物信息学这一长期被认为具有较高进入门槛的专业领域，也由此触发了跨国药企（MNC）内部部分分析岗位对自身日常工作的重新审视。
如果说 19 世纪的算数计算器（Arithmometer）完成的是将加减乘除从人类大脑中剥离，那么当前这轮 Agent 浪潮则更像是一场针对智力劳动内部结构的”去神秘化”过程。生物信息学长期被视为典型的”高门槛脑力黑箱”，但其复杂性的一个重要来源并不完全来自问题本身，而是源于上下游对中间过程理解的持续、系统性失衡。在大型组织中，实验端的生物学家往往并不清楚分析端的生信科学家具体在做什么，这种由学科交叉与组织分工共同放大的认知断层，使得大量高度重复的参数调整、流程搭建与结果整理，被包裹上了一层不必要的专业神秘性。诸如 Claude for Health 等 Agent 将原本隐含于个人经验与口头协作中的业务流程显性化，并将碎片化的操作路径重组为可复用的有向无环图（DAG）或标准化工作流（Workflow）。这种冲击本身并不等同于某类岗位正在被”取代”,更准确地说，这类变化暴露的是：哪些工作内容从一开始就并不依赖于真正意义上的专家判断（phronesis）。
Agent 带来的”去神秘化”并不意味着其可以马上上升为 MNC 内部的决策中枢。恰恰相反，在现有的真实的研发实践中，计算分析长期处于一个相对克制的位置。无论从技术实践本身，还是从从业者的主观体感中，都并不难观察到：
The work of bioinformatics scientists in pharmaceutical companies is often overlooked by biologists, and the work they do is always supportive work… Biologists would rather refer to one or two papers or limited experimental results than believe in multi-omics big data analysis results. https://www.reddit.com/r/bioinformatics/comments/zuxkst/how_can_the_work_of_bioinformatics_scientists_in/?rdt=55843
随着创新药研发逐步进入”low-hanging fruit”枯竭后的阶段，围绕已验证靶点的线性开发路径正在收敛。更简单的逻辑结构已经难以支撑持续的创新输出，研发价值开始向更为复杂的系统生物学问题集中。这类问题往往由异构数据驱动，其突破性的起点，依然高度依赖于对新靶点或新作用机制（MOA）的生物学洞察。随着可被充分验证的靶点空间逐渐缩小，创新重心正在向更复杂、也更难以被形式化的新 MOA 转移。在这一过程中，生物信息学更多承担的是验证与解释的角色，而非对结果的先验预言。
在一些反复引用的成功案例中，计算的关键作用也往往发生在时间轴的后半段。一个具有代表性的例子是 Scott 等人在 2016 年发表于 Science Translational Medicine 的研究，该研究分析了 GLP1R 低频错义突变 rs10305492 与空腹血糖降低、2 型糖尿病风险下降及心血管保护效应之间的关联。在 FDA 已要求所有新型降糖药物必须证明心血管安全性的背景下，这项人群遗传学研究为后续 GLP-1 激动剂的 CVOT 提供了重要的生物学合理性先验证据，并对监管态度的演化产生了持续影响。
Our results provide an encouraging signal that these agents may be associated with benefit, a question currently being addressed in randomized controlled trials. https://www.science.org/doi/10.1126/scitranslmed.aad3744
这种以”事后确认”为核心的工作模式，在统计意义上往往是严谨的，但其活动范围始终限定在既定规则之内：在已被定义的问题空间中寻找支持性证据。这构成了当前多数 MNC 内部生物信息学团队的日常状态，以数据为实验结论提供结构化的背书。相比之下，真正意义上的事前预测、以算法为核心驱动力的药物研发，仍然高度依赖于对生物学本质更深层次的理解，其实现路径也必然涉及更长时间尺度上的技术与认知演进，而难以仅由计算背景的科学家单独完成。既然”算法预测一切”在可预见的未来仍难以成立，那么 Claude for Health 或 Manus 所带来的冲击，便不太可能主要体现在研发结论本身。
更显著的变化，或许并不发生在”结果”层面，而是发生在研发过程中——人的精力被消耗在什么位置这一问题上。
Agent 也好，workflow 也罢，其核心作用并非将人从思考中剥离出去，而是将人从那些已高度可形式化、却价值密度有限的劳动中抽离出来，使有限的认知资源重新集中于那些暂时仍无法被形式化、却真实决定创新方向的生物学问题，其他领域亦是如此。回到历史维度，“白领”及其所对应的工作组织方式，本身也是特定技术与制度条件下的产物：它诞生于信息难以标准化、计算成本高昂且流程难以复制的工业化中后期，延续于信息逐步自动化、计算成本降低且流程可复制的信息时代，或许消亡于信息高度结构化、计算成本持续下降、流程可系统化的 AI 时代的未来。
历史提供了足够的明示，与伦敦计算员一同消失的，还包括在汽车时代逐步失去领先优势的大英帝国。1865 年出台的《红旗法案》以安全之名要求机动车辆行驶时必须有人手持红旗在前引导，并将车速限制在每小时 4 英里以内，这一试图用既有生产关系保护马车产业的制度安排，使英国在随后到来的汽车工业变革中系统性地落后了数十年。人们总是试图用旧制度约束新生产关系，就像当今的我们仍然试图用流程节点、岗位说明书与 KPI 体系，将人固定在既定位置以应对新生产力的不确定性。其结果往往并非风险的消除，而是人力与技术潜在价值的双重滞留。
但这并不是一场简单的”替代”或”升级”，而是一场深刻的”解放危机”。被从流程中解放出来的人，并未被现有组织与制度提前准备好新的位置。当那副名为”专业流程”的甲胄被剥落后，我们不仅失去了繁琐，也失去了掩体。剩下的，只有那个在亚里士多德看来最纯粹、却也最令现代人感到陌生的古老任务：运用实践智慧（Phronesis），去定义什么是真正值得解决的问题。