从聊天工具到网络节点：Claude Science 是什么？
如果要用一句话描述 Claude Science，它不是"更懂生物的 ChatGPT"，而是一个能自己调用工具、自己规划任务、自己验证结果的多智能体科学工作台。2026 年 6 月 30 日，Anthropic 正式宣布推出这款产品，把它定位为"科学家的 AI 工作台"（AI workbench for scientists）。但比这个定位更关键的，是 Anthropic 给它设计的连接方式：它不是孤立的 App，而是一个可以接入企业内部系统、公共数据库、云算力平台和实验管理软件的网络节点。
传统 AI 制药工具往往是"单点工具"：一个模型做结构预测，一个模型做分子生成，一个数据库查文献。科学家需要在 Jupyter Notebook、PyMOL、网页、命令行之间反复跳转。Claude Science 试图做的，是把所有这些节点连起来，让科学家用自然语言描述目标，由 AI 自动完成"查什么、算什么、验证什么、下一步做什么"的编排。
更有意思的是，Anthropic 并不只想"卖铲子"。生命科学负责人 Eric Kauderer-Abrams 在发布会上宣布，公司将启动自己的内部药物发现项目，聚焦被忽视疾病（neglected diseases）——那些传统药企认为商业回报不够、不愿投入的疾病。用 Anthropic 自己的话说："要打造正确的模型、产品和工具来加速这个行业，我们必须和你们一起亲身经历。"
这种变化类似智能手机出现前的软件生态：以前每个功能是一个独立程序，后来它们都被整合进一个操作系统，通过统一接口相互调用。Claude Science 想成为 AI 时代的"科学操作系统"——而药物发现，是它最看重的应用场景之一。
网络布局的四层架构
如果把 Claude Science 在药物发现中的网络布局拆开，可以看作四层同心圆。每一层都向外扩展一层连接能力，同时也增加一层治理复杂度。
| 层级 | 名称 | 作用 | 典型连接 |
|---|---|---|---|
| 第一层 | 基础模型 | 理解科学问题、推理、写代码、生成报告 | Claude 系列大模型 |
| 第二层 | 科学工作台 | 多智能体任务编排、制品版本化、审查与复现 | Claude Science 界面 |
| 第三层 | 技能与连接器 | 把外部工具包装成 AI 可调用的能力 | Benchling、BioRender、PubMed、LatchBio、Helix、NVIDIA BioNeMo、MCP |
| 第四层 | 算力与数据层 | 实际执行计算和存储实验数据 | AWS、Modal、Google Cloud、本地集群、ELN/LIMS |
基础模型层负责"懂科学"。Claude 已经能处理生物学术语、读懂论文、写 Python 和 R 代码。科学工作台层负责"组织工作"：把一个大的研究问题拆成多个子任务，分配给不同的子代理，并在关键节点加入审查者验证。技能与连接器层负责"接入外部世界"：让 AI 能查文献、调结构预测模型、读写实验数据。最底层的算力与数据层，则让 AI 真正能在 GPU 上跑 AlphaFold、在分子动力学引擎里做模拟、在 ELN 里记录实验结果。
这四层合在一起，才构成一个可执行的药物发现网络——不是只会给建议，而是能实际推动项目前进。
MCP 与技能：工具链的"插线板"
要让 AI 调用外部工具，首先需要统一的接口。Anthropic 推动的MCP（Model Context Protocol，模型上下文协议）就是这个"插线板"。它定义了 AI 应用如何安全、标准化地访问外部数据源和工具。
可以把它想象成 USB-C：以前每个设备都有自己的充电线和协议，现在只要统一接口，手机、电脑、耳机、显示器都能用同一根线。MCP 让 Claude Science 能接入：文献数据库（PubMed、Semantic Scholar、Wiley Scholar Gateway）、化学信息（ChEMBL、PubChem）、蛋白质结构（PDB、AlphaFold DB）、基因组数据（Ensembl、ClinVar、Helix）、实验平台（Benchling、10x Genomics）、可视化工具（BioRender）、云算力（Modal、AWS）等。
除了 MCP，Claude Science 还有自己的技能（Skill）系统。技能是更高级别的封装：一个技能可以包含多个工具调用、一套提示词模板和一套输出格式。例如，一个"靶点可药性评估"技能可能自动完成：查文献找靶点表达谱 → 调 AlphaFold 预测结构 → 用口袋分析工具找可成药位点 → 生成 Markdown 报告。科学家只需说"评估这个靶点是否可成药"，整个流程就自动运行。
特别值得注意的是，Claude Science 直接集成了 NVIDIA BioNeMo Agent Toolkit 的技能。这意味着它可以原生调用 BioNeMo 中的 Evo 2（基因组学模型）、Boltz-2（分子结构预测）和 OpenFold3（蛋白质结构预测）等模型。对药物发现来说，这意味着科学家不必在多个平台之间手动切换模型，而是可以在同一个工作流里从序列分析走到结构预测，再走到分子生成。
| 连接类型 | 例子 | AI 能做什么 |
|---|---|---|
| 文献与知识 | PubMed、bioRxiv、Semantic Scholar、Wiley Scholar Gateway | 综述生成、靶点背景、机制假设 |
| 化学数据 | ChEMBL、PubChem、DrugBank | 活性查询、ADMET 参考、类似物发现 |
| 结构与计算 | PDB、AlphaFold DB、Boltz-2、OpenFold3、Evo 2 | 结构预测、对接、分子动力学准备 |
| 实验管理 | Benchling、BioRender、ELN/LIMS、10x Genomics | 读写实验记录、追踪样品、生成报告 |
| 数据平台 | LatchBio、Helix、Databricks、Snowflake | 查询大型分子数据集、临床基因组数据 |
| 算力平台 | Modal、AWS、Google Cloud、本地集群 | 跑批处理、调 GPU、管理计算成本 |
这种布局的妙处在于：企业可以逐步接入。先从最常用的文献和数据库开始，再逐步接入内部实验数据和专有模型，不需要一次性推翻现有 IT 架构。
药物发现 16 步，每一步都能被 AI 接管吗？
药物发现是一个漫长的漏斗：从靶点发现到临床前候选，通常涉及十几个环节。Claude Science 的网络布局，试图在每一个环节都提供辅助，但扮演的角色不同。有些是"自动化"，有些是"增强"，有些则只是"加速信息检索"。
以下是一个简化的 16 步药物发现流程，以及 Claude Science 可能接入的位置：
| 阶段 | 任务 | Claude Science 可接入的角色 |
|---|---|---|
| 1. 疾病理解 | 机制研究、文献综述 | 自动生成领域地图、基因-通路-疾病关联 |
| 2. 靶点发现 | 找可干预的蛋白/基因 | 整合 GWAS、表达数据、蛋白质网络 |
| 3. 靶点验证 | 确认靶点与疾病的因果关系 | 查询敲除/敲入数据、生成验证实验方案 |
| 4. 可药性评估 | 判断靶点能否被小分子/大分子靶向 | 结构预测 + 口袋分析 + 文献证据 |
| 5. 先导发现 | 找到第一批活性分子 | 虚拟筛选、分子生成、专利查新 |
| 6. 先导优化 | 改善活性、选择性、成药性 | 多目标优化、ADMET 预测、SAR 分析 |
| 7. 合成规划 | 设计可合成的分子 | 逆合成分析、路线经济性评估 |
| 8. 实验设计 | 安排生化/细胞/动物实验 | 生成实验方案、推荐对照组、计算用量 |
| 9. 数据采集 | 记录实验结果 | 接入 ELN/LIMS，自动整理数据 |
| 10. 数据分析 | 统计、可视化、建模 | 自动跑 R/Python 脚本、生成图表 |
| 11. 决策支持 | Go/No-Go 判断 | 综合多证据生成备忘录 |
| 12. 晶型/盐型 | 固体形态研究 | 查询已有数据、生成研究计划 |
| 13. 制剂 | 给药方式设计 | 辅助检索处方数据库 |
| 14. 毒理 | 安全性评估 | 整合毒理数据库、预测 hERG 等风险 |
| 15. 法规准备 | IND 申报资料 | 辅助整理文档、检查一致性 |
| 16. 项目复盘 | 总结与学习 | 生成项目报告、提取可复用技能 |
需要强调的是，AI 目前最擅长的仍然是信息密集、计算密集、可验证的环节，比如文献综述、结构预测、虚拟筛选、数据分析。而涉及真实生物复杂性、新颖机制判断、监管决策的环节，仍然需要人类科学家主导。Claude Science 的定位不是替代科学家，而是把科学家从重复性信息劳动中解放出来，让他们把精力集中在真正需要创造力的判断上。
案例：PKU 与 Manifold Bio 的网络协作
在 Anthropic 2026 年 6 月的 The Briefing: AI for Science 活动中，Claude Science 展示了一个 PKU（苯丙酮尿症）稳定剂发现的完整 Demo。这个案例最能说明"网络布局"的实际运作方式。
科学家输入的是一句自然语言："找到能稳定苯丙氨酸羟化酶（PAH）的分子，并给出 Go/No-Go 建议。"接下来发生的是一个多节点协作的工作流：
- 文献节点：Claude 自动检索 PAH 突变、疾病机制、已有稳定剂研究，建立背景知识。
- 结构节点：调用结构预测工具，对 2100 个候选化合物进行折叠评估，看哪些可能结合并稳定 PAH。
- 筛选节点：2200 个化合物经过多轮过滤，最终 723 个通过初步阈值，4 个经独立模型验证后"存活"。
- 决策节点：生成 Go/No-Go 备忘录，列出候选分子的优势、风险、下一步实验建议。
整个过程中，科学家没有手动切换 10 个不同的软件。Claude Science 作为网络中枢，调度了文献检索、结构预测、过滤标准和报告生成。这正是"网络布局"的价值：不是让某个模型更厉害，而是让多个工具围绕一个科学目标协同工作。
真实企业案例：Manifold Bio 的靶点提名
如果说 PKU Demo 是 Anthropic 的"样板间"，那么 Manifold Bio 的使用案例则更像"已入住的住宅"。Manifold Bio 是一家专注于组织靶向药物（tissue-targeting medicines）的生物技术公司，他们的药物像"定向导弹"一样精准归巢到特定器官或细胞类型，从而在身体需要的地方起效、在不需要的地方 sparing。
Manifold 的实验平台能一次性在体内测试数百万个候选 binder 对应数百个靶点的分布。但在选择下一轮实验该测哪些靶点时，他们需要综合表面表达、细胞内化、安全性、与过去项目经验的匹配度等多维度信息。Claude Science 的价值在于，它能把这些判断做成端到端的工作流：自动拉取正确的数据、应用 Manifold 从内部专有数据中学到的标准，并对候选靶点进行排序。
Manifold 的反馈很直接：Claude Science 与普通编程助手的区别在于，它能在公司过去项目的上下文里做判断，而不是每次从零开始写脚本。这正是"网络布局"在企业落地的关键——不是连接工具，而是连接工具 + 数据 + 组织记忆。
类似地，Xaira 也把 Claude Code 和 Claude Science 嵌入了从假设到验证的完整管线；BMS 则在 2026 年 5 月与 Anthropic 达成合作，把 Claude 部署给超过 30,000 名员工，用于小分子和大分子候选药物的早期筛选。
智库与 VC 怎么看：热闹背后，临床仍是瓶颈
Claude Science 的发布在科技和医药圈引起了广泛关注，但专业智库和 VC 的视角比媒体更冷静。他们的共识是：AI 确实在重塑药物开发的技术栈，但真正的瓶颈不是"能不能发现分子"，而是"发现的分子能不能在临床上证明有效"。
BMS 的激进目标：12 年 → 7-8 年，成功率翻倍
在 Anthropic 的发布会上，BMS 研发负责人 Robert Plenge（或同场高管）给出了一个引人注目的数字：借助 AI 平台，药物候选的批准周期可能从约 12 年压缩到 7-8 年，制药行业的整体成功率可能从约 8% 提升到 16%。BMS 还表示，公司已经把所有小分子候选药物以及大量大分子候选药物在进湿实验室前先过一遍 AI 筛选，并设定了用 AI 工具把开发周期缩短 30% 的内部目标。
这些数字非常振奋人心，但也需要放在背景中理解。12→7-8 年的压缩主要发生在发现到临床前阶段；而临床 I/II/III 期，尤其是需要证明疗效的 II/III 期，仍然受限于患者招募、生物学复杂性和长期随访，短期内很难被 AI 大幅压缩。
KARP Research：发现端被验证，临床端仍是赌注
KARP Research 在 2026 年初发布的一份研究报告指出，AI 驱动的药物发现已经显著压缩了"靶点到 IND"的时间（1.5-3 年），并改善了 I 期安全性结果。但关键问题是：AI 发现的药物在 II/III 期疗效上是否优于传统方法？这仍是一个未验证的假设。
报告追踪了 173 个 AI 发现的临床项目，其中 15 个已进入 III 期。2026 年因此被称为"验证之年"——如果这 15 个项目能交出漂亮的疗效数据，AI 制药的叙事将被彻底证实；如果失败，市场可能会从"变革叙事"退回"效率工具叙事"。
Analysis Atlas：没有 AI-only 药物获批，监管框架刚起步
Analysis Atlas 的综述提出了一个更尖锐的提醒：截至 2026 年，还没有一个"主要由 AI 发现"的药物获得 FDA 批准。2025 年 1 月 FDA 发布了首份针对 AI 支持药物监管决策的草案指南，采用基于风险的七步可信度评估框架。这意味着 AI 模型不会被抽象地"批准"或"拒绝"，而是根据它支持的具体决策及其风险被评估可信度。
a16z 与 Sapphire Ventures：不均匀的边界
a16z 的观点是：AI 对制药的改造不会均匀发生。发现端（discovery）因为反馈周期短、实验可扩展、基准明确，会最先被 AI 攻克；毒性预测次之；临床疗效预测最难；药物开发（development）将长期是瓶颈。Sapphire Ventures 则进一步指出，药物开发本质上是一个"运营模式问题"——依赖碎片化、以人为中心的工作流。AI 的机会不仅在于模型性能，还在于用 AI-native 软件替代服务支出。
制药企业的三种网络部署策略
对于制药企业来说，选择如何部署 Claude Science 这样的 AI 网络，核心不是技术问题，而是数据安全、合规成本和集成复杂度的平衡。目前主要有三种策略：
策略一：云端全托管（适合中小型 biotech）
直接使用 Anthropic 提供的 Claude Science 云端服务，通过 MCP 接入公共数据库和云算力。优势是启动快、成本低、无需维护基础设施。缺点是内部数据需要上传到云端，对大型药企的合规部门来说可能是障碍。适合数据敏感度较低、希望快速验证 AI 价值的初创公司。
策略二：本地/私有云部署（适合大型 pharma）
在企业的私有云或本地数据中心部署 Claude Science 的模型端和工作台端，只让 MCP 和技能连接器访问经过审批的内部系统。优势是数据不出企业边界，合规友好。缺点是需要自己管理模型、算力和更新，成本更高。辉瑞、诺华、基因泰克这类公司更倾向于这种方案。
策略三：混合网络（最现实的中间路线）
最主流也最现实的做法是混合：用云端 Claude 处理公开文献和通用推理，把内部实验数据和专有结构数据留在本地；只在必要时把匿名化的中间结果上传到云端计算。例如，科学家可以在本地查询内部化合物库，但把结构预测任务丢到云端 GPU 集群。这种"分而治之"的策略，兼顾了效率与合规。
| 部署策略 | 优势 | 劣势 | 适合谁 |
|---|---|---|---|
| 云端全托管 | 启动快、成本低、维护少 | 数据出境、合规风险 | Biotech、学术团队 |
| 本地/私有云 | 数据安全、合规友好 | 成本高、运维复杂 | 大型 pharma |
| 混合网络 | 兼顾效率与合规 | 架构设计复杂 | 大多数企业 |
选择哪种策略，最终取决于企业愿意把多少科学数据交给 AI 网络。这不仅是技术决策，也是商业和治理决策。
网络布局的四大风险
任何网络都有风险。Claude Science 在药物发现中的网络布局，目前面临四个主要挑战：
1. 数据安全与隐私。药物发现数据是药企最核心的资产。一旦 AI 网络接入内部 ELN、化合物库和临床数据，就面临数据泄露、模型训练滥用、跨境合规等风险。企业需要清晰的权限模型和数据边界。
2. 模型自恋与幻觉。当 AI 成为信息中枢，它可能过度自信地给出错误建议，或者把训练数据中的偏见带入新药设计。在制药领域，一个错误的分子合成路线或一个错误的靶点假设，可能浪费数百万美元和数年时间。因此，"审查者"子代理和人在回路机制至关重要。
3. 工具链碎片化。虽然 MCP 试图统一接口，但药物发现工具链极其复杂。不同软件的数据格式、许可模式、更新节奏差异很大。AI 网络能否真正打通这些异构系统，还需要大量工程工作。
4. 监管与可解释性。FDA 等监管机构要求药物研发决策可追溯、可解释。2025 年 FDA 发布的 AI 支持药物监管决策草案指南已经奠定了基于风险的七步可信度评估框架。如果 AI 网络生成了一个候选分子，企业需要能说清楚：依据哪些数据、用了哪些模型、为什么做某个决策。这要求整个工作流都有审计日志和版本控制。
未来：从"工具链"到"科学操作系统"
Claude Science 的药物发现网络布局，目前还处在"高级工具链"阶段。下一步可能演化成真正的科学操作系统：每个项目有持久的工作空间，每个实验自动关联假设和数据，每个决策都有可追溯的证据链，每个成功或失败都能沉淀为可复用的技能。
这种愿景如果实现，将改变药物发现的组织方式。研究团队可能不再按"计算化学家""结构生物学家""药物化学家"严格划分，而是围绕项目目标组织，AI 作为共同的工作层，让不同背景的人用同一种"语言"协作。计算科学家可以封装一个对接技能，药物化学家可以封装一个 SAR 分析技能，生物学家可以封装一个通路分析技能——所有人都能调用彼此的技能。
当然，这个愿景不会一夜之间实现。它需要更成熟的 MCP 生态、更可靠的多智能体协调、更严格的数据治理，以及最重要的——科学家对 AI 的信任。信任不是靠宣传建立的，而是靠一次次可验证的辅助决策积累起来的。
对于关心 AI 制药的人来说，最值得关注的不是"Claude Science 是否比某个单一模型更强"，而是它能否成为一个稳定的、可扩展的、值得信任的网络中枢。正如 a16z 和 KARP 所提醒的：发现的分子会变多，但临床疗效的验证不会自动变容易。Claude Science 真正的考验，在于它能否帮助科学家从更多候选中挑出更可能成功的那一批，而不是制造更多需要失败的实验。