研报速递
Anthropic 从模型层下探到生命科学的战略演进：工具生态、物理闭环与护城河重估
执行摘要
Anthropic 对生命科学的投入，并非从 2025 年 10 月突然转向，而是一条由“模型能力—行业工具接入—科研工作台—设备控制—物理实验”逐层下沉的路线。其战略逻辑是：生命科学既具备极强的付费需求和全球价值，又能让通用模型从文档与代码扩展为可规划、调用工具并执行多步骤科研的智能体；一旦模型能缩短“提出问题—形成假设—设计实验—获取结果”的周期，Claude 就不只是被嵌入药企流程，还可能成为科研基础设施本身。[1]
2025 年 10 月 20 日，Anthropic 发布 Claude for Life Sciences，以 Claude Sonnet 4.5 为基础，连接 Benchling、PubMed、BioRender、10x Genomics 等科研平台，并引入 Agent Skills；官方称其在 Protocol QA 上得分 0.83，高于所述人类基线 0.79 和 Claude Sonnet 4 的 0.74。[1] 但这仍主要位于“干实验”层：模型读取数据、起草方案、调用分析工具，而非亲自操作仪器或形成经独立验证的科研结论。
2026 年是能力边界迅速下移的一年：6 月推出 Claude Science，8 月推出 Model Hardware Standard（MHS）研究预览，9 月开放 Life Sciences Verification Program（LSVP）；同时，路透社于 9 月 18 日报道 Anthropic 已在旧金山湾区建设湿实验室，生命科学负责人 Eric Kauderer-Abrams 也确认该设施，并称其采用自有设施与外部伙伴并行的方式。[2] 必须区分证据层级：实验室“存在及正在进行物理生物实验”已有负责人确认和主流媒体核实，但截至 2026 年 9 月 26 日，Anthropic 未公开其具体地址、面积、设备清单、投入金额、完整团队、所有外部合作方、合规状态或实际运行规模；把该实验室称为大规模药物研发中心或“已完成自建闭环”均缺乏公开依据。
Anthropic 最值得重视的变化，是将“干实验—湿实验—模型迭代”由概念变为可采购、可连接、可在合作机构中试运行的系统：Claude 设计实验，MHS 控制液体处理站、机械臂和读板仪，结果返回 Claude Science，再触发下一轮设计。2026 年 8 月公开的蛋白结合剂研究中，Claude Opus 4.8 和 Mythos Preview 在 15 个靶点上 14 个成功设计出结合剂，命中率最高为 35.1%；但这只是结构生物学中的一个窄任务，且实验由 Adaptyv Bio、Twist Bioscience 等外部机构执行，尚不能外推为完整药物研发能力或临床成功率。[6]
横向看，OpenAI 走“专用模型＋可信访问＋工具插件”路线，Isomorphic Labs 走“结构预测与药物设计引擎＋药企里程碑合作＋自有资产”路线，Recursion 则依靠高通量自动化湿实验和专有数据建立闭环。Anthropic 的位置更偏“通用智能体＋开放接口＋选择性自营实验”，既保有向所有科研用户扩展的可寻址市场，也承担客户数据归属、双重用途安全和与药企竞争关系的治理成本。其护城河不会是某一间实验室，而可能来自工作流入口、模型与工具调用、标准化设备接口、验证后的数据反馈以及受监管访问的组合；但这仍是一项待验证的商业与科学假设，而非已经兑现的终局。
一、演进不是跨界，而是通用智能体向科研控制面的延伸
Anthropic 的生命科学路线可分为五个阶段，且后一阶段并非替代前一阶段。 2024—2025 年，Claude 已作为代码编写、文献理解和科研分析工具进入生物工作流；2025 年 10 月以 Claude for Life Sciences 正式把科学平台变成可连接工具；2026 年 6 月又将其升级为可配置运行环境 Claude Science；8 月 MHS 把“软件智能体”推进到“可编程物理设备”；9 月 LSVP 与湿实验室消息则让前沿模型获得真实生物反馈。这个递进关系解释了为什么不能把 2025 年的产品发布和 2026 年的设备、实验动作理解为彼此割裂的事件。
图 1：Anthropic 已从连接器走到自建物理实验能力，但尚不能据此推断其已具备自研临床管线。数据来源：Anthropic 官方发布 [1][3][4]、LSVP 公告 [5] 及路透 2026-09-18 报道 [2]。
“从卖模型到缩短科研反馈回路”是这条路线的经济逻辑。 Claude for Life Sciences 已经把 API 之外的交付对象从模型调用者扩展到药企科学家、实验室管理者、合规人员和实施伙伴；Claude Science 又试图把文献、数据、代码和产物放在一个可审计工作区。因而，Anthropic 的商业模式仍会以 API、订阅、企业席位和云市场分发为基础，但产品价值会从 token 消耗逐步转向节省多少科研工时、缩短多少实验周转时间、提高多少候选命中率。它更接近把 AI 能力嵌入研发流程，而不是取代药企一次性出售“黑箱模型”。
物理实验的出现改变的是数据所有权和迭代速度，而非立即改变收入模式。 若实验由外部 CRO、药企或合作实验室执行，Anthropic 可以验证工作流但很难直接占有数据；若自建设施能够执行部分实验，模型获得结果更快，也能让团队观察自动化中的失败模式。然而，Anthropic 官方发言人在实验室报道后明确表示该设施“并非专门用于药物发现”，负责人则称采用自有设施与外部伙伴并行的“生物技术公司典型做法”。[2] 这意味着近期目标更可能是验证科研闭环、形成可用于通用模型的失败数据，而不是复制传统药企的全流程 R&D。
二、Claude for Life Sciences 建立的是“可接入、可复用、可审计”的工作层
2025 年 10 月的产品发布，本质是让 Claude 从问答助手变成科研流程中的可执行接口。 Anthropic 并未在当日发布一种新的生物基础模型，而是在 Claude Sonnet 4.5 上叠加连接器、Agent Skills、提示库、专属支持和实施伙伴。它首先解决的是科研人员并非只面对一个数据库或一个软件的问题：文献、实验记录、原始测序数据、图表模板和监管材料分散在多个系统，模型若不能访问这些上下文，就只能处理被人工整理后的片段。
官方发布的六类连接器各有明确分工：Benchling 提供实验记录、笔记本和记录的可追溯链接；BioRender 提供经过审核的图示与模板；PubMed 提供生物医学文献；Wiley Scholar Gateway 提供同行评议内容；Synapse.org 支持共享项目与数据分析；10x Genomics 支持用自然语言开展单细胞与空间分析。[1] 此外，Claude 已可连接 Databricks 和 Snowflake，并通过 Claude Code 进行生物信息分析。其产品逻辑不是把所有数据迁入 Claude，而是把模型放进科研人员已经使用的权限体系和数据环境中。
Agent Skills 的关键价值不是“更会写提示”，而是把科研流程变成可版本化的操作单元。 Anthropic 发布的 single-cell-rna-qc 使用 scverse 最佳实践，对单细胞 RNA 测序数据进行质量控制和过滤。科学家可以自行构建 Skill。与每次重新提示相比，Skill 能够固定指令、脚本和参考资料，更适合实验室需要重复执行、审计和合规的工作。它同时也把 Anthropic 的竞争面从模型能力扩展到科研工作流标准化：谁的 Skill 生态更能覆盖实验室 SOP，谁就更可能成为默认智能体。
可用性提升与可靠性边界必须同时陈述。 官方页面列出的用途包括文献综述、假设生成、协议起草、基因组数据分析、监管材料准备和汇报制作；Sanofi 等客户已在内部场景使用 Claude。但这不能证明 Claude 能独立提出经过验证的新机制、保证实验可重复性、替代实验人员的安全判断，或承担临床决策。Protocol QA 的高分也不能替代实验室盲测、跨机构复现、失败样本统计和安全审查。尤其蛋白设计、实验执行与临床结果之间，还隔着表达、纯化、细胞活性、体内药效、毒理、生产和监管多个环节。
三、2026 年的下沉，是把“工作台—设备—访问权限”连成一条控制链
Claude Science 让科研工作从聊天式辅助转为可复现环境，而 MHS 则让模型从点击软件走向调度仪器。 2026 年 6 月 30 日发布的 Claude Science 被 Anthropic 定位为可定制应用，集成科研常用工具与软件包，产出可审计产物，并提供计算资源访问；学术与非营利实验室可获得团队席位支持，AI for Science 项目也有计算资助。[3] 它与 Claude for Life Sciences 的差异，在于前者更像通用科研基础设施，后者更强调生命科学场景与连接器。两者组合后，模型不再只在对话中给建议，而是能够在受控环境中运行分析、保存中间结果、生成代码和报告。
2026 年 8 月 27 日发布的 MHS，则针对多厂商实验设备缺乏共同接口的问题。Anthropic 称 MHS 源于与 HHMI Janelia Research Campus 的合作；任何具备可编程接口的仪器都可使用，模型与设备通过 Model Context Protocol、命令行或代码文件交互。[4] 标准化驱动把设备能力抽象为“读取”和“写入”等原语，并通过自然语言标签生成设备参考文件，包含可调参数与安全边界。对科研智能体而言，MHS 不是一台机器人，而是连接不同硬件的通用控制面。
MHS 的价值在于降低异构设备集成成本，而不是宣布实验室已经无人化。 Anthropic 称，传统设备集成往往耗时数周乃至数月，MHS 可将部分工作缩短至数小时或分钟；智能体可以跨设备编排流程、实时调整参数，并在一些情况下从硬件错误中恢复。[4] 公开案例包括 Genentech 的 BCA 蛋白浓度实验、卡内基梅隆大学的连续稀释实验和华盛顿大学的 qPCR 流程。这些案例证明设备控制与编排具有可行性，却仍是特定任务演示，不能证明 MHS 已可泛化到细胞培养、动物实验、无菌操作、复杂多步骤合成或高监管场景。
LSVP 把前沿模型能力与生物安全从“默认拒绝”改成“按用途与组织治理”。 2026 年 9 月 17 日，Anthropic 宣布 LSVP beta，向经研究资质、安全标准和伦理监督审查的团队与机构开放 Mythos、Opus 和 Sonnet；早期已有数十家组织参与。[5] Standard Use 覆盖基础科研、研发、制造、临床开发、监管等广泛任务；High-risk Use 面向单项目，去除生命科学相关拦截，但网络安全等其他安全措施仍保留。Mythos 的 High-risk Use 初期仍受美国政府合作与额外审查限制。
LSVP 体现了 Anthropic 对“双重用途”的结构性妥协：通用 Fable 模型会拦截专业生物和药物研发请求，但经审查机构又有推动真实科研的需求。官方因此转向用途绑定、流量监控和异常识别，并让机构管理员参与处置。数据用于监控时保留 30 天、严格隔离、不用于训练且生命科学研究团队不可访问。[5] 这不消除风险，而是把责任从平台单点拦截转为平台、机构与安全治理共同承担。
四、湿实验室证据足够证明“已下场”，但不足以证明“已经规模化”
公开证据能确认实验室存在及物理生物实验正在进行，不能确认其建设规模、资金或完整运行能力。 路透社于 2026 年 9 月 18 日以知情人士和负责人采访为基础报道，Anthropic 在旧金山湾区建立 wet lab；Kauderer-Abrams 在采访中确认该设施，并表示真实实验一部分在自有设施、一部分与外部伙伴完成。[2] 这是“负责人确认＋主流媒体原始采访”的中高证据组合，足以把“是否存在实验室”回答为“存在，且正在开展物理生物工作”。
把湿实验室视为验证闭环，比把它解释为制药公司前哨更准确。 Anthropic 若只有 API 和 Claude Science，模型反馈必须等待外部实验数据回流；自建设施缩短了部分实验的周转，也可让工程团队直接观察硬件、试剂、实验偏差和安全限制。2026 年 8 月的蛋白结合剂研究已经证明“Claude 设计—外部 CRO 合成与测试—返回结果”的闭环可运行；自建实验室则可能补上更短周期的迭代层。[6] 但负责人称采用自有设施与外部伙伴并行，说明 Anthropic 并不打算立即复制药企的全套研发资产，至少在公开信息层面仍更像选择性自营验证。
实验室最敏感的商业问题是数据，而非仪器数量。 Anthropic 既向药企销售 Claude，又可能通过自有实验、LSVP 用户和合作机构获得模型反馈。即使客户数据不用于训练，模型使用频率、成功与失败模式、工具调用序列、实验瓶颈和安全异常仍是战略资产。LSVP 的 30 天隔离、非训练用途和机构管理承诺降低了部分冲突，但大型药企会关心数据位置、保留期限、政府访问、员工权限和知识产权。若 Anthropic 进一步把实验能力延伸到自有药物资产，供应商与客户边界将更尖锐；这正是负责人强调“并非专门用于药物发现”的现实原因。
五、产品闭环已初具雏形，但距离自主实验室仍有明确断层
理论上，Anthropic 已形成“干实验—湿实验—模型迭代”的完整链路。 第一层是 Claude Science、Claude Code、PubMed、Benchling 等完成文献检索、假设、协议、序列分析和数据准备；第二层由 Claude 调用专业生物模型或 Skill，选择候选并生成实验指令；第三层通过 MHS 将液体处理站、机械臂、读板仪、显微镜等仪器编排起来；第四层由实验结果返回工作台，Claude 判断失败原因、修改参数并进入下一轮。与仅输出文本相比，这是从建议系统向闭环科研系统的质变。
2026 年 8 月蛋白结合剂研究是最强的“真实反馈”证据，但仍不是通用药物研发证据。 Anthropic 研究者让 Claude Opus 4.8 和 Mythos Preview 自主完成多靶点设计战役：研究靶点、选择表位、安装并运行开源结构预测与设计模型、在硅质筛选并输出排名候选。Adaptyv Bio 与 Twist Bioscience 合成并测试候选物，15 个靶点中 14 个获得结合剂。单靶点 24 小时任务命中率为 35.1%，48 小时合并 16 靶点任务中 Mythos Preview 和 Opus 4.8 分别为 26.7% 和 22.6%，而 Anthropic 引用的典型蛋白设计项目约为 10%—15%。[6]
图 2：Claude 在 15 靶点蛋白结合剂设计中的命中率高于 Anthropic 引用的典型项目，但这只是结构生物学窄任务。数据来源：Anthropic 2026-08-18 预印本/官方研究页面 [6]。
可用性的核心瓶颈不是模型能否生成方案，而是实验设计空间、观测结果与行动权限能否连续传递。 Claude 能调用大量开源蛋白设计模型，是因为这些模型有清晰输入、输出和中间步骤；同样的结构尚未普遍存在于复杂细胞实验、体内模型或临床研究中。若实验室设备没有统一状态表达、权限控制和安全边界，模型即使能生成文本方案，也难以判断何时停止、何时报警、如何消毒、如何防止污染或误操作。MHS 试图用标准化驱动和 read/write 原语解决设备接口，但生物实验的不确定性和安全边界远超软件 API。
失败数据可能是比成功案例更重要的战略资产。 一项设计是否结合只是最末端标签；真正能改善下一轮决策的，还包括模型为何选择某表位、为何安装某开源模型、参数如何变化、实验为何中止、结果偏差来自算法还是试剂。若 Anthropic 能把这些带权限、时间、设备和实验结果的轨迹纳入受控反馈，它将获得传统工具厂商难以复制的纵向数据。反之，若客户数据不能用于训练、外部 CRO 数据不归 Anthropic，或实验结果不可结构化，闭环仍只是一项工程演示。
六、战略动机是占领科研智能体入口，而非单纯押注制药收入
第一层动机是市场价值：生命科学具备高客单价、强流程约束和大量专业知识壁垒。 药企研发链条长，涉及文献、数据、实验、合规和跨部门协作，单位效率提升可以对应显著经济价值。Anthropic 已有 Sanofi、Novo Nordisk、Genentech 等生态关系；2026 年 9 月 16 日 Novo 官方公告称，双方将针对 Novo 科学家和计算团队提出的关键药物发现问题开发解决方案，并测试 Claude Science，同时强调数据治理和人类监督。[8] 这种合作使 Claude 成为研发流程工具，而非只是内部文案助手。
第二层动机是模型能力：生物学是最难验证、迭代反馈最丰富的真实环境之一。 Anthropic 的使命性叙事强调提高科学进展速度；从产品角度看，生命科学迫使模型处理多模态证据、长链条规划、工具调用、因果推断和不确定性。若 Claude 能在有真实反馈的实验室中稳定减少实验轮次，其智能体能力会向材料、化学、农业和环境科学外溢。反之，若生物学误差无法通过自动化收敛，生命科学也会成为检验通用智能体可靠性的高压测试场。
第三层动机是人才与控制面：团队、接口和合作伙伴共同把外部依赖变成内部能力。 Coefficient Bio 的收购加强了药物研发规划与生物智能体经验；John Jumper 离开 Google DeepMind、加入 Anthropic 的消息在 2026 年 6 月由本人与 Google DeepMind 确认，说明结构生物学与蛋白设计人才流动加强。[9] MHS 又试图建立设备控制标准。模型、人才、连接器、工作台和硬件接口组合起来，Anthropic 便有机会定义“智能体如何进入实验室”，而不仅是为已有平台提供模型。
资源投入的证据显示“重要性”，却不支持对投入规模作精确估计。 2025 年官方页面已列出赛诺菲、Benchling、Broad Institute、10x Genomics、Genmab、Komodo Health、Novo Nordisk、Stanford、PwC、Schrödinger、LatchBio、EvolutionaryScale、Manifold、FutureHouse、Axiom 等使用者或合作伙伴；实施伙伴包括 Caylent、Deloitte、Accenture、KPMG、PwC、Quantium、Slalom、Tribe AI、Turing，以及云伙伴 AWS、Google Cloud。[1] 到 2026 年，团队又扩展至 Claude Science、MHS、LSVP 和湿实验。公开材料未披露生命科学专属预算、人员数量或计算资源，因此不能据此计算 ROI。
Anthropic 的护城河是“工作流入口＋标准化接口＋受治理访问”，而不是拥有一种无法复制的生物模型。 通用模型会快速迭代，生物基础模型也可能被开源生态追赶；真正更难的资产是：科学家习惯、企业身份与权限、实验记录连接、软件包与 Skill、仪器控制标准、可追溯产物、可信访问及失败反馈。若 MHS 成为事实标准，Claude 会从应用层延伸到设备控制层；若药企仍掌握数据和实验，Anthropic 最多是关键技术供应商。其终局取决于闭环数据能否被合法、稳定、规模化地反馈，而不是实验室名义上的所有权。
七、竞争者的差异不在“有没有生物模型”，而在闭环由谁控制
OpenAI 的路径最接近 Anthropic，但更强调专用模型和受信生态。 2026 年 4 月 16 日，OpenAI 发布 GPT-Rosalind，定位为生物学、药物发现和转化医学研究模型，通过受信访问计划向合格组织的 ChatGPT、Codex 与 API 开放；其 Codex 生命科学研究插件连接 50 多个科学工具和数据源，并列出 Amgen、Moderna、Allen Institute、Thermo Fisher、Novo Nordisk 等合作方。[10] 9 月 11 日更新后，OpenAI 称其开始全球提供，并新增 LabWorkBench 等评测，聚焦故障排查、优化和湿实验室操作；但工具连接与评测仍不等同于 OpenAI 自营大型湿实验室。
OpenAI 还通过与 Ginkgo Bioworks 合作证明“模型—机器人—云端实验室”可行：GPT-5 接入云端自动化湿实验室，进行无细胞蛋白合成优化，公开材料称蛋白质生产成本降低 40%。[11] 该闭环的价值是降低进入门槛和实验周转，但自动化硬件、试剂准备与流程监督仍是瓶颈。总体看，OpenAI 的强项是专用前沿模型、Codex 工具生态和大型客户网络；弱点是它仍需依赖外部自动化设施，且工具生态由插件标准连接，不像 MHS 把通用设备控制协议本身产品化。
Isomorphic Labs 的优势是结构性药物设计深度和资产型商业化，弱点是闭环依赖合作药企实验。 2026 年 1 月 20 日，Isomorphic 与 Johnson & Johnson 宣布跨模态、多靶点研究合作：Isomorphic 负责 in silico 预测和设计，J&J 负责实验检测并推进项目；平台覆盖小分子、抗体、肽和分子胶。[12] 这一分工清楚表明，Isomorphic 的“实验闭环”并非必然来自自有实验室，而来自与具备实验能力的药企深度耦合。
Isomorphic 从 AlphaFold 延伸出以结构预测为核心的药物设计引擎，并采用里程碑、特许权使用费和合作推进的商业模式；它与礼来、诺华和 J&J 的合作均把计算设计与外部实验体系结合。其护城河是结构生物学积累、药物设计模型和多靶点合作资产；风险则是临床成功率、合作药企对数据和候选物控制，以及外部实验反馈的速度。公开官方资料并未证明 Isomorphic 已拥有完整自营湿实验室。
Recursion 与英矽智能代表另一条从实验规模出发的路线，对 Anthropic 构成最实质的“数据飞轮”参照。 Recursion 运营自动化高通量实验室，官方称每周最多处理 220 万样本，已生成约 36 PB 专有数据，覆盖 phenomics、转录组、蛋白组与 ADME，并称从靶标识别到临床试验入组的每个数据点都会反馈平台。[13] 其壁垒是实验规模、专有数据和临床阶段资产；缺点是资本开支、运营复杂度和平台适用范围受既定实验体系限制。
英矽智能的 LabClaw 则展示智能体驱动自动实验：系统编排物料准备、细胞培养、基因编辑和高内涵成像，自动处理铺板、转染、成像及结果回传，研究人员仅需在关键节点确认。[14] 这是从生成模型出发、向自动化实验室延伸的“自下而上”闭环。与 Anthropic 相比，这类 TechBio 公司拥有更深的生物数据和实验执行能力；Anthropic 的优势则是通用模型、企业客户、云生态和设备接口的标准化潜力。
图 3：Anthropic 已下探到物理实验，但 Recursion 的通量、专有数据与实验资产闭环仍明显更深。评分为本报告基于公开证据的分析性编码，不是企业 KPI。数据来源：本报告对各机构 2026 年官方披露的综合判断 [1][4][6][11][12][13]。
八、商业化仍由 API、企业部署与生态伙伴承载，药物资产尚不是主叙事
现阶段最清晰的商业形态仍是“模型与工具订阅＋企业交付＋云渠道”，而非自营制药收入。 Claude for Life Sciences 通过 Claude.com 和 AWS Marketplace 提供，Google Cloud Marketplace 在当时为即将上线；咨询与实施伙伴负责客户落地。[1] 2026 年 8 月，Anthropic 又提供科学家团队席位与 AI for Science credits，Claude Science 则面向真实科研问题开放。[3] 这表明其目标既有收入，也有模型反馈、用户扩展和生态锁定。
LSVP 实际把最先进模型从通用产品隔离出来，形成按组织、用途和模型等级的访问产品。 Standard Use 为团队年度授权，覆盖 Mythos 5.1、Opus 5 与 Sonnet 5；High-risk Use 为项目级、六个月续期，并进一步放宽生命科学拦截。用途申报、流量监控、异常上报和 30 天保留构成治理产品。[5] 对大型药企而言，这种模式降低了误拦截；对 Anthropic 而言，也把合规责任转化为持续管理关系。但价格、客户续费和具体模型用量未在公开资料中完整披露。
合作伙伴网络的角色不是装饰，而是解决身份、数据与行业流程壁垒。 Deloitte、Accenture、PwC、KPMG、AWS、Google Cloud 等伙伴帮助 Claude 进入企业治理、合规、数据工程和研发流程；Benchling、10x Genomics 等平台则解决专有系统接入。[1] 若 Anthropic 仅靠 API，客户需自行完成数据接入、权限、验证和安全设计；通过伙伴与行业连接器，它可降低部署门槛，同时也必须分享部分交付价值。
Novo 合作是战略验证，但仍是试点式、用途驱动的合作。 Novo 官方称双方会共同处理 Novo 识别出的药物发现挑战，开发针对具体科学问题和流程的解决方案，并首先在特定 R&D 流程中测试 Claude Science；合作还包含 AI 驱动软件开发和明确的数据治理、人类监督。[8] 这比“Novo 把全部研发交给 Claude”更克制，也更符合药企对数据和知识产权的现实约束。未来观察重点不是是否签署合作，而是合作是否从试点进入生产、是否披露可量化效率指标、是否产生新资产，以及这些资产归谁。
九、关键风险不在模型能力本身，而在可靠性、双重用途与供应商—客户冲突
科学可靠性风险首先是“基准好”与“实验真”的错位。 Protocol QA、BixBench 等离线评测可以衡量协议理解和生物信息任务，却不能覆盖实验试剂差异、仪器漂移、细胞状态、生物重复和跨实验室可重复性。Anthropic 2024 年的早期湿实验室研究只有 8 名参与者、任务也较基础，未观察到 AI 提升；该结果不能证明 Claude 无效，却说明复杂实验环境中的 tacit knowledge 和实验噪声仍需大规模研究。[7]
自动化会放大正确决策的价值，也会放大错误传播速度。 如果模型在文献综合阶段选择错误表位、在协议生成阶段忽略关键控制、或在设备编排阶段误读安全参数，智能体可能连续调度多轮失败实验，甚至造成生物或物理安全风险。MHS 的驱动、权限与安全边界是必要控制，但“标准化接口”不等于“模型理解所有生物后果”。适合近期部署的形态仍应是人在回路：模型提出建议、规划实验、调用设备，专家在关键节点批准、检查和干预。
双重用途风险使生命科学成为 Anthropic 最具张力的场景。 同一病毒学、蛋白工程或合成生物学知识既可用于疫苗和治疗，也可能被转用于生物风险。Anthropic 一方面建设物理实验能力，另一方面通过 LSVP 实行研究资质、安全标准、伦理监督、用途绑定和流量监控。[5] 关键挑战不是一次性拒绝有害提示，而是识别长期任务、智能体群、账户劫持和内部人风险。LSVP 的离线监控比实时拦截更适合合法复杂研究，却也要求数据保留、跨组织响应和责任边界透明。
客户数据竞争是比技术竞争更早到来的商业风险。 药企最核心的数据往往不在公开论文中，而在失败实验、筛选结果、终止原因、毒理、临床前决策和候选物结构。客户不会轻易允许供应商利用这些数据训练通用模型，也不会欢迎供应商成为同赛道药物开发者。Anthropic 的隔离、非训练承诺与“非专门药物发现”表态缓解了冲突，但未来若发布临床候选物或内部管线，客户可能重新评估合作关系。OpenAI 与 Isomorphic 的边界也面临类似问题，但 Anthropic 同时掌握通用模型、工作台、设备接口和实验设施，矛盾最集中。
资本效率与规模的不确定性仍很高。 湿实验室建设、自动化设备、实验人员、试剂、安全和合规均需要持续投入；与纯软件 API 相比，回报周期更长且更受实验成败影响。当前没有公开可核实的预算、融资专项或实验室利用率，因此不能判断其经济性。对 Anthropic 而言，更可取的路径可能是保留少量、用途明确的核心设施，用于验证设备控制、科学工作流和安全边界，同时将高吞吐、专业检测和高监管实验交给 CRO、药企或自动化平台。
十、结论与待观察信号
Anthropic 的战略已经由“让 Claude 读懂生命科学”进入“让 Claude 影响物理实验结果”，但尚未进入“以自研药物资产为中心”的阶段。 2025 年 10 月的 Claude for Life Sciences 完成了工具和流程接入；2026 年的 Claude Science、MHS、LSVP 和湿实验室则分别补足科研执行、设备控制、权限治理与物理验证。路线逻辑一致：模型能力越强，工作流入口越深；设备连接越多，反馈越连续；反馈越连续，智能体的科研价值越高。
最合理的终局判断是“生命科学基础设施＋选择性闭环”，而不是“替代药企”。 Anthropic 具备模型、云生态、连接器、Skill、工作台、设备协议和受控访问，若还能把自有实验与外部合作形成低延迟反馈，它有机会定义 AI 进入实验室的操作系统。但成功依赖三个条件：一是实验结果可被结构化并合法反馈；二是专家仍能在关键节点控制风险；三是客户信任 Anthropic 不会把合作数据转化为自身药物资产。
以下信号将决定这一战略能否从演示变成可持续业务：
1. 湿实验室实体化信号：Anthropic 是否正式披露地址、设施规模、人员、设备、合作 CRO/药企、启用日期和安全审批；若持续只由媒体和负责人确认，应继续标记为有限证据。 2. 自营闭环信号：是否发布“自有实验室—Claude Science—MHS—实验结果—再训练/再设计”的完整案例，包括失败率、轮次、人工介入比例和成本。 3. 数据治理信号：LSVP 是否公布数据隔离架构、保留期限、政府访问、模型改进方式及知识产权条款；药企是否因潜在竞争而不扩大合作。 4. 客户商业化信号：Claude for Life Sciences、Claude Science 和 MHS 是否从试点进入生产部署，是否披露节省工时、实验周期、命中率或合同规模。 5. Novo 等项目信号：试点是否扩展为长期项目，是否产生明确资产，以及成本、收益和数据归属如何分配。 6. 模型—实验验证信号：蛋白设计的高命中率能否扩展到细胞实验、体内模型、毒性、药代和临床前开发，并给出跨靶点和跨实验室复现。 7. 标准生态信号：MHS 是否被更多设备商、云平台和实验室采用；若只停留在 Anthropic 合作演示，其“设备操作系统”价值有限。 8. 竞品边界信号：OpenAI 是否进一步建设或收购自动化实验能力；Isomorphic 是否披露自有湿实验；Recursion 和英矽智能是否将专有数据、自动化与临床结果继续拉开差距。
最终判断是：Anthropic 已证明自己进入生命科学并非概念营销，但尚不能证明已经拥有行业领先的实验闭环。 它真正的赌注，是把通用模型的推理、调用和协调能力变成科研基础设施；湿实验室则是为验证这一假设而承担的物理风险。未来 12—24 个月，公开披露的运营细节、合作项目数据、设备采用率和安全治理结果，将比模型基准或实验室传闻更能决定其成败。
引用来源
[1] https://www.anthropic.com/news/claude-for-life-sciences
“Our goal is to make Claude capable of supporting the entire process, from early discovery through to translation and commercialization.”
[2] https://www.reuters.com/world/anthropic-quietly-sets-up-biology-lab-it-ramps-ai-drug-program-2026-09-18/
“We believe that to do biology, the final test is still, and will be for a while, in real lab work.”
[3] https://www.anthropic.com/news/expanding-our-support-for-scientists
“In June, we launched Claude Science, a product that integrates the tools that researchers most commonly use, produces auditable artifacts, and provides flexible access to computing resources.”
[4] https://www.anthropic.com/news/previewing-the-model-hardware-standard
“MHS enables AI agents to operate multiple lab and manufacturing instruments, such as microscopes, liquid handlers, and robotic arms, in parallel.”
[5] https://www.anthropic.com/news/life-sciences-verification-program
“We are introducing the Life Sciences Verification Program (LSVP), which gives life science professionals access to our Mythos, Opus, and Sonnet models with a refined set of safeguards more permissive for biology-related work.”
[6] https://www.anthropic.com/research/autonomous-de-novo-protein-binder-design-with-claude
“Claude designed binders against 14 of them, and 354 of 1,320 designs bound, a hit rate of 27%.”
[7] https://www.anthropic.com/responsible-scaling-policy-biorisk
“In 2024, we did a preliminary wet lab uplift trial with basic biology lab protocols… This was a very small (n=8) experiment.”
[8] https://www.novonordisk.com/news-and-media/news-and-ir-materials/news-details.html?id=916768
“As an initial aim, Novo will test Claude Science for specific workflows in R&D and address scientific problems where the joint capabilities… are expected to have the greatest impact.”
[9] https://www.narracomm.com?p=995/
“After nearly 9 years, I have decided to leave Google DeepMind and join Anthropic (after taking some time to recharge).”
[10] https://openai.com/blog/introducing-gpt-rosalind-for-life-sciences-research/
“We’re also introducing a freely accessible Life Sciences research plugin for Codex, helping scientists connect models to over 50 scientific tools and data sources.”
[11] https://openai.com/blog/gpt-5-autonomous-lab-protein-production-cost/
“We created an AI-driven autonomous lab with Ginkgo Bioworks, successfully reducing protein production costs by 40%.”
[12] https://storage.googleapis.com/isomorphiclabs-website-public-artifacts/Isomorphic_Labs_Enters_into_a_Research_Collaboration_with_Johnson_Johnson.pdf
“Isomorphic Labs will be responsible for in silico predictions and design while Johnson & Johnson will conduct experimental assays.”
[13] https://www.recursion.com/technology
“Our labs can process up to 2.2 million samples per week.”
[14] https://insilico.com/news_sc/rgga92ofe1-labclaw
“设备自动完成铺板、转染与成像等任务后，系统随即接管数据处理，自动计算基因编辑效率与细胞表型评分，并将结果实时回传至数据库。”
发表评论
发表评论: