9 月 18 日，路透社披露，Anthropic 已经在旧金山湾区建立了一座生物湿实验室，开始把 Claude 接入真实的生物实验。
Anthropic 生命科学负责人 Eric Kauderer-Abrams 随后确认了这一消息。他表示，生物学最终仍然要在真实实验中接受检验，因此公司已经开始自己完成一部分实验，同时把另一部分交给外部合作伙伴。知情人士还称，Anthropic 正在探索让 Claude 直接指挥实验室里的机器人单元，在有限人工介入的情况下完成实验。
单看这条消息，似乎很容易被理解成 Anthropic 开始向生物医药跨界。但它真正想补上的，其实是今天 AI for Science 最现实的一块短板：在 AI 已经可以越来越快地提出设计的前提下，真实世界验证这些设计的速度，并没有同步提高。
AI设计越来越快，实验开始成为瓶颈
AI 药物发现并不是“模型算一下，就能得到一款药”。
模型能够根据蛋白质结构、序列以及已有实验数据，快速生成大量候选蛋白或分子，但这些结果归根到底只是计算机中的预测。它们到底能不能和靶点结合、结合得有多强、在细胞中是否有效，以及最终进入完整生物体后会发生什么，都必须经过真实实验验证。
因此，AI 制药真正需要跑通的，是一个不断循环的过程。模型提出设计，实验室把设计制造出来并测试，再把真实数据返回模型，模型根据结果重新设计下一批候选物。也就是通常所说的“设计—构建—测试—学习”闭环。
过去几年，AI 主要加速的是其中的“设计”环节。一个模型可以一次生成数百、数千甚至更多候选序列，但实验端依然要经过 DNA 合成、蛋白表达、纯化、结合测试和细胞实验等一系列物理流程。模型越快，这种速度差反而越明显。
Anthropic 自己最近的一项实验很好地展示了这个问题。今年 8 月，公司公布了一轮蛋白质设计实验。Claude Opus 4.8 和 Mythos Preview 针对 15 个靶点设计蛋白结合剂，随后需要由 Adaptyv Bio 和合成生物学公司 Twist Bioscience 分别把这些数字设计真正制造出来，并进行独立湿实验验证。
最终，Claude 在 15 个靶点中的 14 个上成功设计出了能够结合的蛋白。在同时处理所有靶点的实验中，两个模型的命中率分别达到 22.6% 和 26.7%，高于 Anthropic 所引用的传统蛋白设计项目约 10%—15% 的典型水平。
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）
这里更值得注意的，其实不是模型成绩本身，而是实验端开始成为新的约束。
Claude 可以在几十个小时里完成大量数字设计，但这些候选序列最终都要进入真实实验。如果全部交给 Twist、Adaptyv Bio 这样的外部机构验证，随着实验批次增加，外部服务成本、排期以及数据回传周期都会逐渐拉长。
Twist 的订单增长已经反映出这种需求。今年 8 月，公司披露，其 AI 相关订单从 2025 财年的约 2500 万美元增至 2026 财年的约 5000 万美元，并预计 2027 财年可能进一步达到约 1 亿美元。
对 Anthropic 来说，当实验越来越频繁，完全依赖外部验证的效率和成本都会受到限制。自建湿实验室，相当于把一部分关键实验能力掌握在自己手里，从而缩短“设计—实验—再设计”的反馈周期。
Claude真正走上实验台
但自己拥有一间实验室，还不等于 AI 可以真正控制实验。
传统实验室里，不同厂商的仪器通常拥有完全不同的软件和通信接口。液体处理器、机械臂、显微镜和微孔板读取器能够分别自动工作，却很难天然组成一个统一系统。要把它们接起来，经常需要工程师花费数周甚至数月搭建定制方案。
如果 Claude 每做出一次决策，仍然需要研究人员在不同仪器之间手动搬运样本、设置参数，那么整个实验吞吐量依然取决于人的速度。
Anthropic 今年 8 月发布的 Model Hardware Standard，也就是 MHS，针对的就是这一层问题。
它可以被理解为一套让 AI 智能体控制物理设备的通用接口。显微镜、液体处理器、机械臂以及其他可编程实验设备，可以通过相对统一的方式告诉模型：自己当前处于什么状态、可以执行哪些操作，以及哪些安全边界不能越过。
Anthropic 希望把过去需要为每台设备编写的定制接口，压缩成模型能够直接理解和调用的标准化能力。在早期测试中，MHS 已经把部分实验设备集成时间从过去的数周甚至数月缩短到数小时乃至数分钟。
图｜MHS 工作示意图（来源：Anthropic）
在基因泰克（Genetech.Inc) 的一项 BCA 蛋白质浓度实验中，Claude 同时协调液体处理器、机械臂和微孔板读取器。它不仅执行既定步骤，还可以根据实验结果重新调整参数；当部分硬件出现异常时，系统在某些情况下还能够自行诊断并恢复。
华盛顿大学 David Baker 和 Sudarshan Pinglay 实验室则把 MHS 接入了更加真实的科研流程。博士生 Zihao Song 用它连接分散的实验设备，让 Claude Code 实时读取 qPCR 曲线、在关键节点暂停实验，并协调机械臂和液体处理设备完成样品板转移。团队最终希望把这套系统扩展到完整的蛋白质设计闭环：AI 生成候选蛋白，自动执行实验，读取结果，再决定下一轮应该设计什么。
这也是 Anthropic 湿实验室值得关注的地方。过去，这些能力分散在不同机构里：Claude 负责思考，外部实验室负责验证，实验数据经过一段时间再回到 Anthropic。现在，模型、科研软件、硬件控制协议和真实实验空间开始被接进同一套系统。
如果这一趋势继续发展，AI 制药的竞争重点可能会发生变化：模型不再只是比谁能更快设计候选分子，真正拉开差距的，还包括谁能更快完成物理世界的真实验证，并把结果重新用于下一轮迭代。
不过，当模型开始直接进入实验流程，安全边界也必须随之延伸到设备、材料和实际操作。科研效率与现实世界风险，将同时成为下一阶段需要解决的问题。
参考链接：
1.https://www.reuters.com/world/anthropic-quietly-sets-up-biology-lab-it-ramps-ai-drug-program-2026-09-18/
2.https://www.anthropic.com/news/model-hardware-standard-research-preview
3.https://www.anthropic.com/news/claude-science-ai-workbench
