一家以开发大语言模型闻名的 AI 公司，如今开始亲自做生物实验。
日前，路透社披露，Anthropic 已在美国旧金山湾区建立自己的生物实验室。随后，公司生命科学负责人 Eric Kauderer-Abrams 证实了这一消息，并表示，生物学研究最终仍需要通过真实实验检验结果。因此 Anthropic 开始在内部开展相关工作，同时继续与外部实验室合作。
几天后，Anthropic 公布了一项早期成果：约 950 个 Claude 智能体分析了超过 20 万条逆转录酶相关序列，从中发现一种具有类似 CRISPR 重复序列特征的新型酶系统。研究团队随后通过实验确认了该系统的部分特征，但其具体功能和应用价值仍有待研究。
这并不是 Anthropic 在生命科学领域的第一次尝试。过去一年，它陆续推出面向科学家的专门产品，与生物研究机构及药企建立合作，让 Claude 参与蛋白质设计、调用专业模型，甚至探索通过 AI 控制实验仪器。
从这一系列布局来看，Anthropic 在生命科学领域的目标似乎不止于提供 AI 科研工具。它正在尝试让 Claude 连接科研数据、专业模型和实验流程，逐步深入生命科学研究的更多环节。这些动作也透露出一种可能：Anthropic 希望将 Claude 打造成面向生命科学产业的 AI 基础设施。
但一家主要开发通用大模型的公司，为什么要把业务延伸到真实的生物实验室？
从科研工具到科研平台
生命科学研究并不缺少专业软件，也不缺少针对特定问题开发的 AI 模型。
以蛋白质设计为例，研究人员可以使用不同模型生成蛋白质结构、设计氨基酸序列，再预测它们能否与目标分子结合。但这些工具通常各自负责一个环节，科学家仍然需要决定采用哪些模型、如何设置参数，以及从大量计算结果中挑选哪些候选值得进一步实验。
对于整个研发过程而言，单个工具再强大，也不意味着研究就能自动完成。数据、模型和实验之间仍然存在大量需要人工协调的工作。
Anthropic 进入生命科学领域，最初瞄准的正是这一问题。
2025 年 10 月，公司推出 Claude for Life Sciences，让 Claude 能够连接 Benchling、10x Genomics 等科研平台，访问实验记录、处理测序数据，并辅助制定研究方案。此后推出的 Claude Science，则进一步将科学数据库、专业模型和计算资源整合到统一的工作台中，让研究人员能够通过 Claude 完成不同的分析任务。
相比自己开发一整套生物学专业软件，Anthropic 选择让 Claude 与现有工具协同工作。这与专门针对蛋白质结构预测、分子性质计算等任务训练的生物模型有所不同：Claude 不一定亲自完成每一种计算，而是根据研究需求调用合适的工具，并帮助科学家组织工作流程。
这种定位也让 Anthropic 有机会进入更多研发环节。除了早期科研，公司还陆续增加了临床试验管理、监管申报等领域的工具连接，希望 Claude 不只服务于实验室研究人员，也能为药物开发过程中的其他专业人员提供帮助。
不过，要让 Claude 成为科学家经常使用的工作平台，仅仅能够连接数据库和软件还不够。科研人员真正关心的，是它能否可靠地完成实际任务，并减少研究过程中的复杂操作。
Anthropic 因此开始与艾伦研究所、霍华德·休斯医学研究所（HHMI）等机构合作，探索利用 Claude 处理复杂生物数据、辅助实验设计和研究假设生成。公司还推出 BioMysteryBench，通过 99 道基于真实生物数据的任务，检验模型能否自行调用工具、分析数据并给出可核实的结果。
相比这些评测，一项蛋白质设计实验更直观地展示了 Anthropic 的思路。
在这项研究中，Claude 并没有取代 RFdiffusion 等专业模型，而是负责组织它们完成蛋白质设计、参数调整和候选筛选。最终，Anthropic 将 1,320 条设计送往外部实验室，其中 354 条被证实能够结合目标蛋白，整体命中率约为 26.8%。在最终纳入统计的 15 个靶点中，有 14 个获得了至少一种成功结合的设计。
图 | Mythos Preview 和 Opus 4.8 在 15 个目标中实现了 20% 以上的命中率（来源：Anthropic）
虽然这些成果距离真正的药物开发仍然很远，但它们说明，Claude 已经能够利用现有专业模型完成一项较为复杂的研究任务，并产生可以接受实验验证的结果。
这也体现了 Anthropic 与专门开发生物学基础模型的企业之间的一种区别。它并不一定要在每个细分领域训练自己的模型，而是尝试让 Claude 成为使用这些工具的共同入口，帮助科研人员协调不同任务。如果这种方式能够应用于更多研究场景，Claude 的价值也就不再局限于单一科研软件，而在于连接原本分散的数据、模型和工作流程。
不过，蛋白质设计仍然是一项目标相对明确的工作。科学家已经知道自己希望获得什么样的分子，Claude 需要做的是寻找符合要求的设计。而在更具探索性的基础生物学研究中，科学家有时连具体的研究对象都尚未确定。Anthropic 开始尝试让 Claude 参与这类更加开放的研究。
从完成任务，到参与科学发现
自然界存在大量功能尚未明确的蛋白质和基因序列。随着测序技术发展，科学家积累的数据越来越多，但要从中找到可能具有特殊功能的生物系统，仍然需要投入大量时间进行比较分析。
为此，Anthropic 于今年春季组建了一支专门的生命科学研究团队，成员包括具有计算生物学、CRISPR 系统和新型酶研究经验的科学家。与主要负责科研产品开发的团队不同，这支团队直接开展基础生物学研究，希望利用 Claude 从海量 DNA 数据中寻找未知的蛋白质和生物系统，再通过实验验证相关发现。
最近公布的 ART 酶系统研究，就是这支团队开展的早期项目之一。在这项研究中，研究人员给 Claude 提供了寻找未知逆转录酶系统的大致方向，再让约 950 个智能体并行分析超过 20 万条相关序列。
最终，Claude 在一类逆转录酶基因附近发现了规则排列的 DNA 重复序列，其结构与 CRISPR 系统具有一定相似性。研究团队将这一系统命名为 ART，即阵列相关逆转录酶（array-associated reverse transcriptases）。后续实验确认，这些重复序列能够表达产生短 RNA，但该系统的具体生物学功能仍然不清楚。
图丨新型 RT 谱系的智能体发现（来源：Anthropic）
这项研究尚不能证明 Claude 已经能够独立完成科学发现。研究方向由人类科学家确定，候选结果需要人工审查，实际实验也由研究人员负责。
但与此前的蛋白质设计相比，Claude 承担的工作发生了变化。在目标明确的设计任务中，它主要负责选择工具、生成和筛选候选；而在 ART 研究中，它开始参与寻找值得继续研究的问题。
这对 Anthropic 的生命科学布局提出了新的要求。
当 Claude 能够在较短时间内分析大量数据时，它也可能产生远超实验室验证能力的候选结果。Anthropic 在 ART 项目中就发现，一次研究活动可能产生数百甚至数千份候选报告，但科学家不可能逐一进行实验。
因此，问题不仅在于 AI 能否发现更多线索，还在于如何判断哪些线索值得验证。Anthropic 已开始尝试让 Claude 学习研究人员选择科研问题的经验，但相关能力仍处于探索阶段。
更现实的限制来自实验本身。模型可以快速生成候选分子或研究假设，但蛋白质是否具有预期功能、新发现的酶系统究竟发挥什么作用，都需要通过实际实验确认。
这也是生命科学研究与纯粹的软件任务之间的一项重要区别。编程任务往往可以直接运行代码、检查结果，再根据错误进行修改；生物学研究则需要真实样本、实验设备和专业人员，验证周期也可能更长。
对于希望深入科研过程的 Anthropic 来说，仅仅提高模型的计算和分析能力，并不能自动加快所有研究环节。如果实验验证跟不上，Claude 找到再多候选，也很难判断哪些成果真正有价值。
而让模型提出的研究问题更快进入实验，逐渐成为 Anthropic 需要解决的另一个问题。
为什么 Anthropic 需要自己的实验室？
实际上，Anthropic 已经可以通过外部合作伙伴获得实验资源。
此前的蛋白质设计研究就是由外部实验室完成验证。公司还与 Adaptyv Bio、Twist Bioscience 等企业合作举办蛋白质设计竞赛，计划对超过 5,000 条经过筛选的设计开展实验，并公开相关结果。
这种方式能够利用专业机构成熟的实验能力，也不需要 Anthropic 自己建设所有设施。
但随着 Claude 开始参与更加开放的研究任务，实验需求也在发生变化。与测试一批已经设计好的蛋白质不同，探索未知生物学系统时，研究人员往往需要根据每次实验的结果，重新分析数据、调整假设，再决定下一步做什么。
这类研究没有完全固定的流程，需要计算分析与实验人员保持密切配合。
Anthropic 生命科学负责人 Eric Kauderer-Abrams 在接受路透社采访时表示，建立内部实验室，一方面是为了加快部分研究工作的推进，另一方面也是为了让团队积累直接开展生物实验的经验。公司并不会因此停止与外部实验室合作，而是根据具体任务选择更合适的方式。
因此，自建实验室并不意味着 Anthropic 打算独立完成所有生命科学研究，而是让它能够直接参与部分实验，了解 Claude 在真实科研环境中的表现与局限。
为了让计算研究和实际实验更好地衔接，Anthropic 还在尝试解决另外两个问题：如何让 AI 更方便地使用实验设备，以及如何降低专业生物模型的计算成本。
在实验设备方面，Anthropic 与 HHMI 旗下的 Janelia Research Campus 合作开发了 Model Hardware Standard（MHS）。这套规范希望让 AI 智能体通过统一接口，连接显微镜、液体处理设备和机械臂等不同仪器，减少实验室设备之间的软件集成工作。
图 | 传统学术实验室、传统自动化实验室、MHS 实验室三种架构对比（来源：Anthropic）
它与 Claude Science 的思路存在相似之处。后者希望将计算机中的科学数据库、专业模型和工具连接起来，而 MHS 则尝试把这种连接延伸到真实实验设备。
与此同时，Anthropic 还利用 Claude 优化了 30 多个开源生物分子模型。在公司公布的测试中，相关模型的运行速度平均提升约 4 倍。这些改进主要针对已有模型的计算实现，有助于降低部分科研任务的计算资源需求。
尽管这些工作尚处于不同的发展阶段：MHS 仍然是研究预览版，模型优化的实际收益也取决于具体任务和运行环境。但它们与科研平台、自建实验室的布局存在联系：Anthropic 不只希望 Claude 能够理解研究任务，还希望它能够更方便地使用完成这些任务所需的资源。
这一方向也体现在人才投入上。Anthropic 收购了具有计算药物发现背景的 Coefficient Bio 团队，因 AlphaFold 研究获得 2024 年诺贝尔化学奖的 John Jumper 也宣布加入公司。与此同时，Anthropic 也正在招聘计算生物学、实验生物学和化学等领域的专业人员。
对于一家通用大模型公司而言，这些人才不仅能够帮助改进 Claude 的科研能力，也让它有条件自己开展部分生物研究，而不必完全依赖外部机构提供研究经验。
不过，Anthropic 并不打算因此转型为传统制药企业。
Kauderer-Abrams 向路透社表示，公司尤其关注罕见病、被忽视的疾病以及部分难以成药的研究问题，但目前不计划自己开展商业化临床试验，也不希望直接与以药物上市销售为核心业务的生物技术企业竞争。
从目前的布局来看，Anthropic 更倾向于通过 Claude 为科研机构和药企提供技术支持，而不是亲自承担药物开发的全部过程。自建实验室既能帮助团队验证模型提出的研究假设，也有助于积累实际生物研究经验。
这也让 Anthropic 过去一年的一系列动作有了更清晰的联系：从连接科研数据和专业模型，到参与蛋白质设计、探索未知生物系统，再到建立自己的实验能力，Claude 正在进入生命科学研究的更多环节。这些布局或许也表明，Anthropic 希望让 Claude 不只是科学家使用的一款 AI 工具，而是逐步成为支撑生命科学研发的基础设施。
参考链接：
https://www.reuters.com/world/anthropic-quietly-sets-up-biology-lab-it-ramps-ai-drug-program-2026-09-18/
https://www.anthropic.com/news/claude-for-life-sciences
https://www.anthropic.com/news/claude-science-ai-workbench
https://www.anthropic.com/research/Claude-accelerates-protein-design
https://www.anthropic.com/news/claude-discovers-novel-enzyme-system
注：封面/首图由 AI 辅助生成
