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。
OpenAI走的是另一條路。
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 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。
AI可以壓縮尋找候選藥物的時間，卻不能壓縮一個候選藥物在人類身體裡證明自己的時間。
這也是AI製藥與資本市場之間最明顯的錯位——模型可以幾個月迭代一代，AI公司的收入和估值按季度計算；但一款藥物從早期發現走到臨床結果，通常需要多年。今天由AI找到的候選分子，可能要到數年以後，市場才能確定它究竟是一款真正有效的藥，還是又一個在臨床階段失敗的項目。
因此，很多AI製藥合作雖然標出了數十億美元的潛在金額，真正立即支付的往往只是一小部分。剩餘款項要等候選藥物進入臨床、通過審批或者實現商業銷售後，才會逐步兌現。
2025年6月，阿斯利康與石藥集團達成AI藥物發現合作，潛在總額達到53.3億美元，首付款僅為1.1億美元；2026年1月，法國藥企施維雅與Insilico達成最高8.88億美元的合作，首付款和近期研發付款最高為3200萬美元；同年3月，禮來擴大與Insilico Medicine的合作，潛在總額達到27.5億美元，首付款僅為1.15億美元。
藥企願意為AI醫藥購買更快的發現能力，卻不會在臨床結果出現之前，為全部想像提前付款。
如果AI最終真的改變藥物研發，最大的贏家未必是OpenAI、Anthropic、Google，甚至未必是那些專門從事AI藥物發現的創業公司。
更有可能拿走最大價值的，反而是大型製藥公司。
在AI參與的藥物研發中，模型能力只是其中一個環節。真正決定一款候選藥物能否走到患者面前的，還有幾類更難複製的資產。
首先是專有資料。
公共論文、蛋白質資料庫和化學結構資料，模型公司都可以獲得；大型藥企卻擁有多年積累的內部實驗資料、毒性資料、臨床資料和失敗記錄。尤其是那些沒有被發表的失敗結果，能夠告訴模型那些方向看起來合理，卻不值得再次嘗試。
其次是實驗能力。
在生命科學領域，模型給出的答案只是假設。它必須經過濕實驗驗證，再把結果送回模型，進入下一輪預測和實驗。只有形成“模型提出假設—實驗驗證—資料回流—繼續最佳化”的閉環，AI才有可能真正改善藥物發現。
沒有實驗反饋，再強的模型也只能在已有資料上做越來越精細的預測。
再往後，則是臨床開發和商業化能力。
大型藥企有能力招募患者、營運全球臨床試驗、處理監管申報、承擔數億美元甚至更高的研發成本。藥物獲批以後，還要進行規模化生產、進入醫院、談判醫保並覆蓋全球市場。
更重要的是，大型藥企並不需要決定Google、OpenAI和Anthropic誰才是最終贏家。它們可以同時使用AlphaFold進行結構預測，呼叫通用模型處理文獻、程式碼和分析，購買AI製藥公司的候選分子，再把這些能力接入自己的資料、實驗和臨床體系。
當模型能力逐漸成為可以採購和組合的工具，真正稀缺的可能重新變成生物資料、濕實驗反饋和臨床執行能力。
這種邏輯和AI最先利多輝達的邏輯有一點相似，但位置並不完全相同。
輝達是AI產業上游的基礎設施供應商。無論誰訓練模型，都要購買算力，因此它最早獲得了確定的收入。大型藥企則位於藥物研發的後半程，掌握實驗、臨床、生產和商業化這些價值出口。
模型公司提供能力，AI製藥公司尋找候選分子，最後把候選分子變成一款真正上市藥物的，通常仍然是大型藥企。
當然，大型藥企同樣可能存在資料分散、系統陳舊、部門壁壘和決策緩慢的問題。擁有大量資料，不代表能夠整理和利用這些資料；購買最先進的模型，也不等於真正改變了藥物研發流程。
最終受益最大的，可能是那些最先把模型、專有資料、濕實驗和臨床開發接成閉環的藥企。
從這個角度看，Google、OpenAI和Anthropic選擇的三條路線，也意味著它們最終可能佔據不同的位置。
Google試圖通過Isomorphic Labs繼續往藥物管線深處走，不只提供模型，還想親自推進候選藥物；OpenAI正在建立生命科學推理模型和評估體系，更接近提供科研能力；Anthropic則從工作台和企業部署切入，試圖成為科研組織和藥企內部的工作流基礎設施。
AI製藥最後比的，可能從來都不只是誰擁有最強的模型。更重要的是，誰掌握別人拿不到的資料，誰能讓模型的預測進入實驗，誰又有能力把實驗結果一直推進到臨床和上市。
AI已經讓尋找答案變得更快。
至於這些答案能不能變成真正上市的藥物，還需要按照生物學自己的時間來證明。 (字母AI)