AI巨头开始亲自做实验:Claude母公司Anthropic进军生物医药

过去两年，AI在药物研发中的应用，主要集中在提高研发效率。从读论文、做生信、找靶点，到蛋白设计、临床开发和监管支持，AI已经越来越深地进入药物研发流程。但大多数工作仍然停留在计算和分析层面。Anthropic现在正在往前走一步，让Claude开始进入真实的生物实验环境。

9月18日，路透社披露，Anthropic已经在旧金山湾区建立了一座湿实验室，用于开展真实的生物学实验。公司生命科学负责人Eric Kauderer-Abrams表示，Anthropic正在从计算机中的分析和模拟，进一步走向实验验证。不过，公司也强调，这并不意味着Anthropic要自己做药，更没有计划自己开展临床试验。从Claude for Life Sciences、约4亿美元收购Coefficient Bio，到自主科学Agent、蛋白设计、实验设备接口、机器人，再到今天的湿实验室，Anthropic正在尝试把AI、自动化设备和真实实验连接起来，形成一个从提出问题、设计实验、获得结果，再回到模型继续分析和决策的闭环。相比“AI能不能设计一个新分子”，这件事可能更值得关注。

一、Anthropic真正跨过的，是从“计算”到“实验”的边界

过去几年，AI制药的核心能力主要集中在计算侧：模型、算法、数据库和算力。AI可以预测蛋白结构、生成分子、寻找靶点，但药物研发最终绕不开实验验证。生物学不是数学证明，一个模型预测某个蛋白binder表现很好，并不意味着它真的能够结合；一个靶点在计算中看起来很有潜力，也不代表进入细胞、动物甚至人体后依然成立。这也是AI制药一直面临的一个瓶颈。模型可以快速产生大量假设，但真正把这些假设送进实验室验证，往往更慢、更贵。每完成一轮实验，还需要重新分析数据、判断失败原因，再决定下一步做什么。计算速度越来越快，实验验证反而逐渐成为限制研发效率的环节。

Anthropic过去一年的布局，实际上一直在向这个问题靠近。2025年10月推出Claude for Life Sciences时，它的目标就已经不只是让Claude写代码、查文献或分析数据，而是让模型参与更完整的生命科学研发流程。随后推出的Claude Science，又进一步整合PubMed、Jupyter、R和其他科研工具，让Claude能够在同一个环境中完成更多科研任务。

今年8月，Anthropic展示了一个更具体的案例。Claude参与设计针对15个靶点的蛋白binder，其中14个靶点获得了实验验证成功的设计；在不同实验条件下，单个设计的实际结合成功率达到22%至35%。真正值得关注的并不是某一个成功率数字，而是Claude生成的结果已经开始进入真实实验，并由实验结果反过来检验模型。

因此，Anthropic今天建立自己的湿实验室，并不是突然跨界做药，而是这条路径自然向前延伸了一步。这一步的商业意义也很重要。随着蛋白语言模型、分子生成模型和结构预测工具越来越普及，单纯拥有一个模型，未来很难形成长期壁垒。真正难复制的，可能是模型能否持续获得由自身假设产生的高质量实验数据。如果Claude可以不断提出问题、获得实验结果，再利用这些结果调整下一轮判断，那么Anthropic积累的就不只是一个更聪明的模型，而是一套持续产生独有数据的研发系统。模型可以被追赶，公开数据可以被共享，但这种由“模型提出假设、实验产生数据、数据继续训练和指导模型”形成的积累，会越来越难复制。所以Anthropic这次建立湿实验室真正值得关注的，并不是多了一间实验室，而是AI制药的竞争正在从“谁的模型更强”，逐渐走向“谁能更快完成更多高质量的实验学习循环”。

二、4亿美元收购Coefficient Bio，Anthropic买的可能不是一家Biotech

今年4月，Anthropic以约4亿美元股票收购Coefficient Bio。公开信息显示，这家公司聚焦AI驱动的药物研发规划、临床与监管策略以及新药机会识别，团队随后并入Anthropic的healthcare and life sciences业务。Anthropic真正看中的，可能不是一家公司本身，而是它对药物研发流程的理解。生命科学Agent和普通办公Agent最大的区别，是它不仅要“完成任务”，还要知道什么时候需要补实验、哪些数据足以支持决策、哪些结果会改变开发路径，以及什么时候必须交给人类专家判断。这些能力很难仅靠论文和公开数据获得。因此，这笔收购更像是在补齐Anthropic在生命科学领域最缺的一块：药物研发的workflow knowledge。Claude提供通用推理能力，Coefficient Bio补充行业流程和专业判断，Claude Science连接科研工具和数据源。Anthropic正在搭建的，越来越像一套生命科学研发基础设施，而不只是一个聊天机器人。

三、Anthropic暂时不想成为下一家药企

Anthropic目前划得很清楚的一条边界，是不自己推进临床试验，也不希望与制药企业直接竞争。原因并不难理解。Anthropic正在把Claude卖给大型药企。Bristol Myers Squibb、Novo Nordisk、Genentech等公司都已经成为其生命科学客户。如果Anthropic同时建立自己的药物pipeline，客户很快就会面临一个问题：是否愿意把内部研发数据交给一家潜在竞争对手？所以Anthropic现在选择的是一条相对克制的路线：深入药物研发，但暂时不去获取药物本身的全部经济价值。它希望证明的是，自己可以成为药企的研发基础设施，而不是另一家药企。

如果AI有一天真的能够显著提高候选药物成功率，那么只收软件和服务费，可能会变得越来越难以满足资本回报。到那时，Anthropic是否仍然愿意只“卖铲子”，会成为它生命科学战略最值得观察的变化之一。

四、中国Biotech真正该关注的，不是“Claude会不会做实验”

对于中国Biotech而言，这件事最容易被理解成又一个“AI制药故事”，但真正需要关注的是另一个变化：药物研发组织的最小单位可能正在改变。过去，一家Biotech要建立一个新项目，需要biology团队、bioinformatics、med chem、DMPK、regulatory、project management，再大量外包给CRO。人负责在这些部门之间传递信息、读报告、开会、更新timeline，再决定下一步做什么。未来，这套组织结构里相当大一部分“信息流”和“决策准备工作”可能由AI Agent完成。尤其对中国公司影响最大的，未必是AI设计分子，而可能是研发过程里的大量隐性成本：竞争格局追踪、专利搜索、实验数据整理、毒理报告比较、临床方案准备、IND材料起草、BD资料更新、CRO管理以及不同团队之间的信息同步。Anthropic今年针对罕见病推出的AI for Science计划，就明确提出Claude可以用于评估不同治疗模态、bioinformatics分析和regulatory dossier准备。这意味着未来一家20人的Biotech，有可能完成过去需要50人甚至100人才能完成的知识型研发工作。真正有竞争力的中国Biotech，也未必是最早喊出“AI制药”的公司，而可能是那些能够把AI真正嵌入实验—临床前—CMC—监管—BD整个组织流程的公司。

五、AI制药的下半场，可能是“谁控制实验反馈”

Anthropic并不是唯一一个开始把AI接入真实实验的人。晶泰科技已经将AI模型、Agent和实验室机器人连接起来，实现从实验设计、自动执行到数据反哺模型的干湿闭环；Insilico Medicine早在2022年就开始建设AI驱动的机器人实验室，如今又提出从靶点发现、分子设计、自动合成到生物验证的“Prompt-to-Drug”；Lila Sciences更直接把自主实验室称为“AI Science Factory”，让模型提出假设、设计并执行实验，再利用新数据继续学习。Recursion多年积累的自动化实验平台和专有生物数据，本质上也是同一条路线。就连NVIDIA也已经不满足于只提供GPU和模型，而是通过BioNeMo、机器人和与礼来、Thermo Fisher的合作，把AI向真实实验室延伸。

这些公司的路径并不相同，但都指向同一个变化：AI for Science的竞争正在从“谁有更好的模型”，转向“谁能够更快地产生高价值实验数据”。通用大模型可以依赖互联网训练，但真正决定药物成败的实验数据大量锁在药企和实验室内部，特别是失败实验和负结果往往根本不会公开。未来真正稀缺的，可能不是再多一个模型，而是一套能够不断提出值得验证的问题、产生新实验数据并据此继续学习的系统。谁控制这个反馈循环，谁就可能拥有最难复制的数据资产，并进一步影响哪些实验值得做、哪些项目应该继续，以及研发资本投向哪里。从这个角度看，Anthropic建立wet lab并不是一个孤立事件，而是AI制药正在进入下一阶段的一个信号。

细胞治疗赛道全景：谁在赚钱，谁在烧钱，谁在赌未来？

AI制药20年：烧掉数百亿美元之后，谁真正赚到了钱？

渤健最高10亿美元收购RayThera：同一支团队三次创业、三次退出

永远在黎明前：溶瘤病毒七十年沉浮与下一次机会

ADC的进化：从重磅炸弹到技术平台

RDC赛道全景解析：ADC之后，放射性药物正在重写肿瘤治疗

DAC赛道全景解析：当精准递送遇上蛋白降解

AOC赛道全景深度解析：ADC之后，下一个百亿美元治疗模态是谁？

资本为何重新押注RNA？从RNA Editing到RNA Therapeutics的下一轮竞赛