過去幾個月，三家AI大廠先後把生命科學擺到了更重要的位置。

當地時間6月30日，Anthropic推出Claude Science。這是一個給科學家使用的AI工作台：能接入科研資料庫，運行程式碼、分析資料、生成圖表、查看蛋白結構，也能把研究過程保存為可審計、可復現的記錄。

幾乎同一時間，OpenAI推出GeneBench-Pro，專門測試AI Agent能否在基因組學、定量生物學等真實科研任務中，處理模糊資料並完成多階段判斷。

更早進入這條路的Google，則已經從AlphaFold走到了藥物設計。旗下Isomorphic Labs正在建設AI藥物設計引擎，並計畫推動首批候選藥物進入臨床試驗。

AI公司的戰場，正在從辦公室轉向實驗室。

此前，程式碼和數學是AI大廠最喜歡的能力考場：程式碼能不能運行，證明是否成立，很快就能得到答案。醫藥卻有另一套時間表：AI可以加快靶點發現、分子篩選和早期研發，但後面仍有實驗、臨床試驗和監管審批。

模型幾個月就能更新一代，藥物卻可能要十年才能證明自己。

7月12日，《華爾街日報》因此提出了一個有意思的判斷：如果AI最終真的改變藥物研發，最大的贏家未必是OpenAI、Anthropic或者Google，更可能是擁有專有資料、實驗能力和全球臨床體系的大型製藥公司。

眼下，三家AI大廠已經選擇了不同的入口：Google從結構預測走向藥物設計，OpenAI押注生命科學推理模型，Anthropic則把Claude Code式的工作台搬進科研流程。

問題在於，它們建立的能力，最後會成為自己的製藥壁壘，還是變成大型藥企可以採購和組合的新工具？

Claude Science並不是Anthropic第一次在生命科學領域佈局，它已經沿著這條線走了一段時間。

2025年5月，Anthropic推出AI for Science Program，給高影響力科研項目提供免費API額度，其中就特別提到生物學和生命科學方向。同年10月，Anthropic又推出Claude for Life Sciences，把Claude接入Benchling、BioRender、PubMed、10x Genomics等科研工具和資料庫，讓它能進入實驗記錄、文獻、單細胞分析、空間組學分析等具體場景。

到今年1月，Anthropic繼續擴展Claude for Life Sciences，新增了ClinicalTrials.gov、Open Targets、ChEMBL、bioRxiv、medRxiv、Medidata等連接器，進一步把生命科學能力擴展到醫療健康和臨床階段。

可以說，Claude此前已經開始進入藥企和科研機構的工作流，只是這些能力更多分散在連接器、工具呼叫和企業客戶案例裡。

比如Novo Nordisk用Claude Code搭建了NovoScribe，自動生成臨床研究報告、裝置方案、患者材料等監管級內容；Genmab則與Anthropic合作部署Claude驅動的agent，用於支援臨床開發中的資料處理、分析和文件生成；Bristol Myers Squibb也與Anthropic合作，把Claude提供給數萬名員工，希望用於研究、藥物開發、製造、商業和醫學事務等流程。

Claude Science的不同之處在於，Anthropic把這些能力收束成了一個更明確的產品入口。

按照Anthropic的說法，Claude Science的定位是“一個給科學家使用的AI工作台”，它能接入科研資料庫，運行程式碼，分析資料，生成圖表，查看3D蛋白結構、基因組瀏覽器軌道和化學結構圖，也能把一次研究過程裡的程式碼、運行環境、自然語言說明和消息歷史保存下來，形成可審計、可復現的研究產物。

如果你的專業和生物相關，那怕只是本科階段，大概也能理解這種“工作台”為什麼有用。

我的本科畢業論文裡，生信分析佔了很大一部分，在畢業的時候還給學弟學妹專門寫過一份比較簡單的BLAST使用教學。那時候的大部分工作其實就是在各個工具裡打轉，用CAZy資料庫查基因序列，用NCBI ORF Finder把原始核酸序列翻譯成蛋白質序列，用BLAST做序列比對，以及很重要的，拿Jupyter Notebook整理那些光是打開都得載入半天的Excel表格——有了AI的輔助，至少在做資料分析那裡不用自己從頭學怎麼寫程式碼。

而這還只是本科階段為了寫論文而接觸到的一小部分工作，真正進入科研之後，工具之間的切換隻會變得更加複雜。

Claude Science想做的，就是把那些繁瑣的步驟放進同一個工作台裡。

某種意義上，這很像把Claude Code的邏輯放進了科研場景裡——Claude Code會進入程式碼倉庫、終端、PR、review這些軟體工程流程，Claude Science也是進入資料庫、程式碼、計算、圖表、證據和報告這些科研流程裡。

首先，Claude Science可以讀取、運行並繼續改寫已有的Python、R和Shell流程，不要求實驗室從頭重建自己的程式碼和管線；它還支援持久化的Python和R核心，變數、資料框和已經載入的模型可以在同一個分析過程中一直保留。

另外，Claude Science可以運行在筆記本、本地Linux機器、HPC登錄節點或雲虛擬機器上；它能通過SSH提交和管理叢集任務，也可以連接Modal帳戶擴展算力。

實驗室已有的內部API、電子實驗記錄本、定製管線，也可以通過連接器接入。

其次，Claude Science內建科學渲染器，可以直接查看蛋白質、序列比對、基因組軌道、化學結構和PDF，不需要額外安裝一堆工具。

比如做蛋白結構分析時，它可以拉取預測結構，疊加結構域和臨床變異，並在3D裡互動查看；做化學資訊學和分子設計時，它可以搜尋生物活性資料，計算性質和相似性，還能在2D結構編輯器裡繪製和修改分子結構。

再往下，Claude Science生成的圖表、表格和notebook，會附帶產生它們的程式碼、運行環境、自然語言說明和對話歷史。也就是說，一張圖不是孤零零地被貼進報告裡，人們能追溯到它是用什麼資料、什麼程式碼、什麼步驟生成的。

Anthropic特別強調，後台reviewer會標記無法追溯的數字、錯誤引用，以及和底層程式碼不一致的圖表。

並且Anthropic還稱，它已經為基因組學、單細胞、蛋白質組學、結構生物學、化學資訊學等生命科學主要方向做了預配置，並可連接60多個科學資料庫和領域專用開源模型。

從查資料庫、讀文獻、跑指令碼，到生成圖表、寫論文草稿、保留可復現記錄，再到接入實驗室已有的資料和計算資源，可以說，Claude Science連接了科研工作的一整套流程。

另外，據The Verge報導，Anthropic還計畫開發自己的藥物，尤其關注那些“被忽視”的疾病。過去一年，公司一直在招聘生物學家，並建立自己的濕實驗室。Anthropic生命科學負責人Eric Kauderer-Abrams也表示，公司會把重點放在傳統藥企商業興趣不足、但確實存在疾病負擔的方向。

以前Claude進入藥企，更多是在文件、資料、臨床營運和研發流程裡提高效率。而現在Anthropic想讓Claude進入更上游的科學發現，甚至親自驗證一遍藥物發現的早期流程。

把視野拉遠一點，醫藥和生命科學已經成了AI for Science裡最核心的一條線。Google、OpenAI和Anthropic都在往這個方向推進，但它們的方式不太一樣。

Google最早打出聲量，也最早把這條線延伸到一家真正的AI製藥公司。

它的標誌性成果是AlphaFold。2020年，AlphaFold 2在蛋白質結構預測上取得突破，後來AlphaFold Protein Structure Database把大量預測結構開放給研究者使用。

蛋白質結構是理解生命活動、尋找藥物靶點、設計候選分子的基礎之一，一個蛋白質長什麼樣，往往決定了它如何發揮作用，也決定了藥物有沒有可能與它結合。

到AlphaFold 3，這條路又往前走了一步——AlphaFold 3試圖預測的是蛋白質、DNA、RNA、小分子配體等生命分子之間的結構和相互作用。而藥物發現的核心問題之一，就是一個候選分子和目標蛋白的特異性結合。

Google DeepMind當時的說法是，在蛋白質與其他分子的相互作用預測上，AlphaFold 3相比現有方法至少提升50%，在一些重要類別上準確率翻倍。

承接這條路線的是Isomorphic Labs，它直接把Google推向了藥物研發的產業鏈。

Isomorphic Labs成立於2021年，是從Google DeepMind體系裡拆出來的AI藥物發現公司，目標是建構AI驅動的藥物設計引擎。

路透社今年5月報導，Isomorphic Labs完成了21億美元新一輪融資，德米斯·哈薩比斯（Demis Hassabis）稱這筆錢將用於大規模建設藥物設計引擎，並推動“解決所有疾病”的目標。報導還提到，Isomorphic預計在2026年底前啟動第一批臨床試驗。

Google的特別之處在於，它先拿出了AlphaFold這樣的單點科學突破，再把這套能力延伸到Isomorphic Labs這樣的AI製藥實體裡。

它的路線是先解決結構生物學裡的基礎問題，再進入分子相互作用預測，最後往藥物設計和臨床前管線推進。

它沒有像AlphaFold那樣已經成為生命科學基礎設施的單點突破，但它有很強悍的通用推理模型。

OpenAI想證明的是，前沿推理模型也可以成為生命科學家的合作助手。

今年4月，OpenAI推出GPT-Rosalind，把它定義為面向生命科學研究的前沿推理模型，用於支援生物學、藥物發現和轉化醫學研究。按照OpenAI的說法，GPT-Rosalind針對科學工作流最佳化，強化了工具使用能力以及在化學、蛋白工程、基因組學等方向的理解。

GPT-Rosalind更像是OpenAI給生命科學領域定製的一套“推理中樞”。OpenAI自己也說，生命科學研究的難點不只是科學問題本身，還有工作流的複雜性。科學家要在大量文獻、專業資料庫、實驗資料和不斷變化的假設之間來回工作，整個過程又碎又耗時。

之後，OpenAI又繼續把這條線補齊，6月，它把GPT-5.5的agentic coding和工具呼叫能力接進了GPT-Rosalind，強化藥物化學、基因組學、定量生物學、濕實驗排錯等任務。

OpenAI在做模型的同時，也在補評估體系。

LifeSciBench就是這套體系的一部分。它用專家編寫和評審的生命科學任務，評估模型在證據處理、分析、設計與最佳化、科學推理、驗證與操作、轉化與溝通等六類科研工作流裡的表現。

再到GeneBench-Pro，OpenAI把評估進一步推到計算生物學裡，測試AI Agent在基因組學、定量生物學等真實任務中，能否處理不完整資訊、多階段分析和關鍵判斷。

這很OpenAI：先端出模型，再端出一套足夠專業、足夠複雜的benchmark，告訴外界應該如何理解這個模型的能力邊界。GPT-Rosalind是它要賣的能力，LifeSciBench和GeneBench-Pro則是在給這套能力搭一個展示台，怎麼不算一種王婆賣瓜。

Anthropic則是第三種路線，它做的是它最擅長的、把模型放進真實工作流裡。

Claude for Life Sciences階段，Anthropic做的是接入Benchling、BioRender、PubMed、10x Genomics等工具和資料庫；Claude Science則進一步把資料庫、程式碼、計算資源、科學渲染器、圖表、論文草稿和可復現記錄放進一個工作台。

Anthropic進入藥企的方式，也已經從單點試用走向企業級部署。Bristol Myers Squibb今年5月宣佈與Anthropic達成戰略合作，將Claude部署到超過3萬名員工中，覆蓋研究、臨床開發、製造、商業和企業職能，並希望把Claude從對話工具推進到嵌入日常流程和系統的agent能力。

Anthropic並沒有先證明自己能發現一個新靶點，它先證明了Claude能進入藥企和科研組織的日常流程，把分散在系統、資料、文件、程式碼和知識裡的工作串起來。

更進一步，Anthropic還想親自做藥。它一邊給藥企和科研機構賣工具，一邊開始嘗試自己跑一遍藥物發現的早期流程。

這三家公司進入生命科學的方式，其實很符合它們各自的氣質。

GoogleDeepMind是最好的科研土壤（有最深的AI for Science積累），所以能孕育出AlphaFold這樣的果實；OpenAI最強的是通用模型和推理能力，所以先端了一套生命科學專用的推理模型；Anthropic則是在程式設計領域做得足夠出色，因此也把自己在Claude Code上驗證過的產品邏輯，搬進了生命科學裡。

順便一提，除了這三家AI模型公司，這條路上還有一些“AI製藥的賣水人”——不碰核心演算法突破，只搶底層基礎設施。

亞馬遜就是其中的典型，它的入口更偏AWS雲服務和藥企基礎設施。

今年4月，亞馬遜推出了Amazon Bio Discovery，一個面向早期藥物發現的AI應用。研究人員可以在裡面呼叫生物基礎模型，生成和評估潛在藥物分子，並把篩出的候選分子交給整合的實驗室合作方做合成和測試，實驗結果再回流系統，進入下一輪設計。

路透社報導稱，Bayer、Broad Institute、Voyager Therapeutics等都是Amazon Bio Discovery的早期使用方。

亞馬遜還表示，全球前20大藥企中已經有19家在使用它的雲服務。

AI製藥最大的贏家，可能是大藥企

AI for Science的方向很多，數學、物理、材料、氣候、能源，都可以講出很大的故事。但醫藥仍是其中最特別的一條路。

數學適合證明模型會推理，程式碼適合證明模型能幹活。材料和能源其實也很適合AI for Science，尤其是電池、太陽能、催化劑和半導體材料，在公共敘事上也很有力。Google DeepMind此前推出GNoME，本質上就是在講AI如何加速材料發現；OpenAI和Anthropic也都已經把材料、能源、物理、化學放進了更大的科學敘事裡，只是相比醫藥，它們在這些方向上還沒有拿出同樣清晰的產品和商業入口。

未來如果AI公司要繼續證明自己能改變科學發現，材料和能源一定會成為下一批重點戰場。

沒有任何一家前沿科技公司最終能逃開“造福全人類”這套敘事。DeepMind長期把AI for Science放在公司使命的中心，哈薩比斯也反覆強調，通用人工智慧最終應該幫助人類理解疾病、發現新藥、應對氣候和能源問題；OpenAI更是直接就把“讓AGI惠及全人類”寫進了自己的使命裡。

這些AI公司訓練的是最昂貴、最前沿、也最容易引發爭議的技術，因此總需要一個更大的公共敘事來解釋：為什麼這件事值得投入這麼多資源，為什麼社會應該允許它繼續往前走。而如果AI能進入藥物研發，它就可以被講成“幫助人類理解疾病、發現新藥、解決被忽視疾病”的故事。

對這些公司來說，醫藥幾乎是最容易把技術能力、商業價值和公共使命同時講圓的方向之一。

但醫藥恰恰也是最難兌現的方向之一。

程式碼寫得好不好，很快就能知道，數學也類似。證明是否成立可以由專家審查，也可以被形式化工具驗證。模型在這些領域取得進展，容易展示，也容易傳播。所以過去一段時間，AI公司很愛拿程式碼和數學證明自己。

醫藥不一樣。醫藥研發當然也需要推理，但它更像是一條漫長的篩選鏈。研究人員要先從疾病機制裡找可能的靶點，再查文獻、查資料庫、看這個靶點有沒有生物學依據；接著篩候選分子，預測結合方式，評估活性、選擇性、毒性和可成藥性；再往後，還要設計實驗、分析結果、寫報告，把每一步整理成別人可以檢查和復現的記錄。

AI最先能做的，不是替科學家拍腦袋，是減少這條鏈路里的重複性工作。

它可以在海量論文和資料庫裡更快找到證據，把散落在不同格式裡的資料整理成可分析的表格；可以幫研究人員寫程式碼、跑指令碼、調參數，生成圖表等直觀結果；可以在成千上萬個候選分子裡做初篩，排除明顯不合適的方向；也可以把實驗記錄、臨床資料和監管文件裡的繁瑣文字工作自動化。

但AI不能替代驗證。一個靶點在文獻和資料庫裡看起來有希望，不代表它在細胞和動物實驗中成立；一個候選分子在模型裡表現不錯，也不意味著它進入人體後依然安全有效；早期實驗成功，更不代表它能通過二期和三期臨床試驗。

製藥行業長期存在一個與摩爾定律方向相反的現象，被稱為“Eroom定律”（或者反摩爾定律）：儘管計算、生物技術和實驗工具不斷進步，每研發出一款新藥所需的時間和成本卻沒有同步下降。

AI製藥和計算藥物發現領域並不缺少漂亮的早期結果，但真正走到臨床後，很多項目仍然會卡在療效不足、安全性問題或人體資料無法復現上。

人體生物學極其複雜，動物模型中的結果可能無法在人類身上重現，同一種疾病也可能包含多個不同機制和患者亞群。最終，候選藥物仍然要在真實患者身上證明自己的安全性和療效。

這幾天，Anthropic 的頂級AI模型Fable5重新回歸，與此同時它還做了一個小動作，發佈了單獨面向科研工作者的APP： Claude Science。

Anthropic帶崩一個又一個行業之後，這次卻把一個正在升溫的方向推到了台前：AI4S，AI for Science，用 AI 加速科學發現。

AI4S究竟是什麼？它背後藏著怎樣的的技術、產業趨勢？眼下的機會、未來的變革在那？

CUDA 的啟示：科研工具定義產業生態

AI4S聽起來似乎只是面向科學家的工具創新，好像只是個小賽道。

真正理解產業變革規律就會明白，科研工具影響的不只是科學研究，還會定義下一代科學發現的節奏、格式和產業標準。

這件事二十年前已經發生過一次，那就是輝達拿下AI 時代的武器：CUDA 生態。

在 2000 年前後，很多科學家和工程師已經意識到，圖形處理器 GPU 不只能拿來打遊戲、渲染畫面。

GPU擅長平行計算，可以同時處理大量相似任務。對於物理模擬、圖形計算、數值分析這些工作來說，這正是研究人員夢寐以求的能力。

聰明的科學家們想盡辦法，把普通的電腦演算法轉化成圖形演算法，費盡力氣都要用上GPU。

這個故事的關鍵人物，是當時在史丹佛讀博士的 Ian Buck。他在史丹佛電腦圖形實驗室開發了 Brook for GPUs。

簡單說，這個項目會把C語言自動翻譯成GPU計算用的語言，讓任何科學家和工程師都能更自然地呼叫GPU。

Ian Buck 2004 年完成相關博士研究後加入輝達。隨後，輝達把這條路產品化，2006 發佈CUDA，2007年正式上線。

老黃宣佈要持續為 CUDA 生態投入資源時，市場卻並不買帳。

對當時的大多數投資人來說，把資源投向一套面向科研和工程計算的軟體生態，短期看不到多少顯性收入，更不像顯示卡銷售那樣容易講清楚商業回報。

因為大多數人都看不到 2007 到 2011 年，越來越多高校實驗室開始使用 GPU 做科研計算， 看不到 2009 年，吳恩達開始用 GPU 訓練更大規模的神經網路。

更看不到 2012 年，AlexNet 用輝達 GTX 580 訓練深度學習模型，在圖像識別任務上一戰成名背後的意義。

回頭看，輝達在AI時代的勝出靠的從來不是那個模型迭代的功勞，是更早之前定義了“科研和工程計算該怎麼用 GPU”這件事。

如果說 CUDA 爭奪的是“科學家怎麼算”， Claude Science 爭奪的就是“科學家怎麼做研究”。

Claude Science 這次押注的不是新模型，這個APP產品的本質是 workflow ，也就是工作流的專門最佳化，讓科學家能依靠模型一次性完成找文獻、提假設、設計實驗、分析結果，再生成迭代的過程。

顯而易見的是，Claude Science 一旦成為科研的默認入口，就會沉澱資料、流程、實驗習慣和協作關係。

到那時，後來者要替換它，就會像今天替換 CUDA 一樣困難。

但工具之爭還只是表層，更深層的變化，是科學方法本身正在改變。

王煜全在周四的直播中提醒大家：過去我們習慣把重大科學發現理解成天才的靈光一現，但今天AI大模型融入科研之中， 會把越來越多科學問題變成可以規模計算、迭代的工程問題。

過去，科學發現常常依賴偶然和經驗。後來，計算模擬和結構化設計讓科學家可以更有方向地探索。現在，AI 正在讓一部分科學推走到“暴力破解”階段。

比如直播中介紹的：清華 DrugCLIP 在海量靶點和分子中篩選候選藥物，CuspAI 與 Kemira 用 AI 尋找全新的材料，都是這個邏輯。

頂級人類大腦沒有時間試錯的方向，專業研究者需要幾年反覆篩選的工作，這一次都有望迎來變革。

但對於想在這波趨勢裡做點什麼的人來說，真正困難的不是相信 AI4S 重要，是想明白這些問題：AI4S會按什麼順序產業化？那個環節先爆發？那些公司只是借概念講故事，那些真的卡在產業鏈關鍵位置？

這恰恰是前哨科技特訓營一直在訓練的能力：不只是告訴你“眼下什麼概念火”，更要帶你把一個新技術拆成“科學原理—工程瓶頸—產業鏈位置—商業化時點”，自己判斷一個趨勢到底走到了那一步。

AI4S 只是這次直播拿來做拆解的案例之一。

王煜全在直播裡提醒大家：這一波 AI4S，本質上利多中國，因為工程模式恰恰是中國最擅長的。

從高鐵、電動車、太陽能到消費電子，中國產業體系一次次證明：只要一個問題可以被拆解、迭代、降本、規模化，中國就有極強的追趕甚至反超能力。

一邊，美國在喊要“用曼哈頓計畫的規模”去投入 AI4S，另一邊卻在大幅削減高校的科研經費。

偏偏基礎研究正走到“砸錢就能出成果”的節點上，美國卻在這個節骨眼上收了手，眼下的微小變數還不致於立刻分出勝負，但至少給中國留出了一個窗口。

王煜全在直播中給出了AI4S產業趨勢的未來判斷：三年之後，隨著第一批 AI 設計的藥物陸續上市，中國製藥會進一步拉近與最前沿的距離。

再往後各行業逐一展開，中國的工程縱深還會持續受益。 (全球風口)

彙整鉅亨號中所有使用「Claude Science」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`