ARTICLE · 1047071
当Claude接管生物实验室:AI for Science真正的竞争,才刚刚开始
当Claude接管生物实验室:AI for Science真正的竞争,才刚刚开始美国知名AI大模型Claude的母公司Anthropic，开始运营自己的实体生物实验室，意味着大模型从干实验，进入湿实验。据报道，这间实验室位于旧金山湾区，Claude已经开始参与设计并运行真实的生物实验。 Anthropic没有公布具体研究项目，只强调实验室目前主要聚焦基础生物学，而不是直接下场做药。 如果只是多了一家AI生物实验室，这条新闻其实不算特别新鲜。 FutureHouse、Lila Sciences等公司早已在探索AI与自动化实验室的结合；在中国，晶泰科技、深势科技、和光智成等企业，也在把AI模型、科研智能体和机器人搬进药物与材料研发现场。 01 Claude穿上白大褂入主实验室，真正想做什么？ 过去几年，AI在生命科学领域最耀眼的成果，大多发生在数字世界。 AlphaFold预测蛋白质结构，AI筛选药物靶点，生成模型设计新分子，大语言模型阅读论文、编写代码、分析组学数据。 这些工具解决的是同一个问题：如何从已有数据中，更快找到可能正确的答案。 但生物研究有一道绕不开的墙——计算结果再漂亮，最后也要回到真实实验。 一个AI设计出来的蛋白质，能不能真正表达？能不能稳定存在？有没有生物活性？会不会产生毒性？ 这些问题，靠模型自己“想”是想不出来的。 Anthropic此前公布的一项研究中，Claude为15个靶点设计蛋白质结合体，在其中14个靶点上获得实验成功，单个设计的命中率达到22%至35%。公司还展示了Claude优化30多个开源生物模型、加速分析化学任务等能力。 但这里必须保持清醒：这些数据主要来自Anthropic自己的披露，距离大规模独立复现，更距离药物进入临床，还有很长的路。 所以，Anthropic建立湿实验室的真正价值，不是向外界证明Claude会不会做实验，而是建立一个新的闭环： 模型提出假设，实验室执行验证，结果变成数据，再反过来改进模型。 过去的Claude，主要靠阅读人类写下的论文学习生物学；未来的Claude，可能开始从自己参与的实验中学习生物学。 这就像一个学生过去只能读教材，现在终于可以走进实验室，亲手实验、观察结果、修正认知。 AI不仅长出了“大脑”，还开始长出“双手”、“血液”、“”心跳“”……在生物医药和材料研发链条上的诸多岗位，即将出现AI员工的身影，甚至很多工作环节不再需要人工参与 --这才是这条新闻真正的分量。 
02 AI for Science的壁垒，正在从“模型”转向“系统” 过去投资AI for Science，大家最关心的问题通常是： 模型参数有多大？论文发在哪里？Benchmark超过了谁？预测准确率提高了多少？ 但Anthropic的动作提醒我们，未来真正的竞争单位，可能不再是一个模型，而是一整套科学发现系统。 这套系统至少要有五层能力： 少了任何一层，AI都很难完成真正的科学闭环。 
这会带来三个重大变化。 第一个变化，科研瓶颈正在从“生成大量候选方案”，转向“验证哪些方案真正有效”，The bottleneck is shifting from candidate generation to candidate validation。 AI一天可以生成成千上万个分子和材料配方，但实验室不可能同时验证。 未来最稀缺的资源，除了GPU，可能还有高通量实验设备、标准化流程、机器人工作站，以及能够被机器理解的实验数据。 第二个变化，失败实验将从科研垃圾变成数据资产。 传统科研更愿意发表成功结果，大量失败实验被留在记录本里。 但对AI来说，知道哪条路走不通，和知道哪条路能走通同样重要。谁能系统积累高质量负样本，谁就可能拥有竞争对手无法从公开论文中复制的数据壁垒。 第三个变化，AI for Science将从软件生意变成重资产、长周期的系统工程。 模型、算力、实验室、机器人、试剂和科学家都要花钱。 所以，AI for Science不能只讲“模型更聪明”的故事，还必须回答一个现实问题：和传统研发相比，你到底有没有更快、更便宜、更高概率地得到可验证、可量产的结果？ 03 中国四家公司，正在走出四条不同的路 把Anthropic的动作放回中国市场，会发现中国AI for Science企业并不是同一种模式。 它们从不同位置切入科学发现链条，也面临完全不同的商业化挑战。 深势科技：搭建AI科学家的“科研基础设施” 深势科技的特点，是布局比较宽。 它以“深势·宇知”科学大模型为基础，向下连接科学计算（药物、材料设计与计算），向上延伸到科学文献阅读、科学实验，并构建科研智能体，形成“读文献、做计算、做实验”的产品矩阵。 如果打个比方，深势科技更像是在建设AI科学家的基础设施与操作系统。 它不只解决某一个具体实验，而是希望把数据、模型、计算资源、实验工具和科研流程组织到同一个平台上。 这条路线的空间很大，可以服务生命科学、材料和能源等多个行业；挑战也同样明显——产品线越宽，越需要证明不同工具之间不是简单拼盘，而是真能形成高频使用和数据反馈。 晶泰科技：让AI真正拥有一双“实验的手” 晶泰科技是国内较早把量子物理、AI计算和机器人实验室结合起来的企业。 它既做小分子、大分子药物发现，也进入材料、能源、农业科技等领域；同时建设了万平方米级智能实验室，用机器人完成合成、检测、纯化和数据采集。 如果说深势科技更像科研操作系统，晶泰科技则更接近一座AI驱动的科学工厂。 它的核心壁垒不只是算法，还包括机器人工作站、化学实验经验、数据治理和规模化交付。 晶泰科技披露，2025年营收达到8.026亿元，同比增长201.2%，并首次实现年度盈利。这个信号很重要：AI for Science开始从“科研故事”进入“商业结果”的检验阶段。 但也不能因此过度乐观。实验服务收入增长，并不自动证明AI已经显著提高药物的临床成功率。平台效率、客户复购和最终研发结果，仍需要更长时间验证。 深度原理：用AI科学家改造材料研发流程 深度原理聚焦AI for Materials，强调把实验、计算模拟与机器学习连接起来。 其Agent Mira可以理解材料研发目标，调用模拟、预测、文献和实验工具，并根据每一轮结果决定下一步，而不是按照固定流程机械执行。 这条路线不追求覆盖所有科学领域，而是深扎材料化学。 因为材料研发特别依赖反复试错：一个新配方从实验室走向规模生产，常常需要多年；实验数据又高度分散、非结构化，很多结果甚至难以复现。 深度原理也因此更加聚焦在数据集和模型算法，但在最后一公里的实验验证上，尚需更多时间来看清楚。 和光智成：不卖预测结果，直接交付真实材料 和光智成的切入点更值得仔细拆解。 它不是简单出售一套材料预测软件，也不是只向客户出售实验机器人，而是试图把材料研发变成一种可以直接采购的结果服务。 用创始人刘宇宙的话说：“客户不为预测结果买单，只为能用的样品掏钱。” 公司的材料设计与合成智能体“Yun蕴算”，先根据客户需要的性能，在庞大的化学空间中寻找候选分子，并规划可能的合成路径；随后由AI决策自主实验室“XuanLab玄基”完成加料、反应、监测和检测；实验结果再反馈给模型，继续调整分子设计和实验条件。 它交付给客户的不是一张分子结构图，也不是一份算法报告，而是经过验证的真实材料样品：客户提出性能需求，AI完成设计和实验，最后把样品送到客户手里。 和光智成还提出“原子世界模型”的概念。 无论高分子、催化剂、发光材料、光刻胶还是药用材料，底层都可以还原为原子之间的作用、化学键的形成与断裂。它希望模型掌握这套跨材料类型的底层规律，从而避免每进入一个行业都从头训练一套孤立系统。 在商业化上，它瞄准的也不是遥远的科研想象，而是企业正在生产的真实材料。与其他几家企业相比，和光智成现阶段规模更小、公司更年轻，但的确死死咬住了“材料能不能真正合成出来”这个产业痛点。这是一条更难，却离客户付费更近的路。 04 写在最后 Anthropic建立生物实验室，并不意味着“AI科学家”已经诞生。 它只是说明，大模型公司已经意识到：如果AI永远只学习人类过去产生的数据，就很难真正突破科学发现的边界。 下一场竞争，不是谁能让AI读更多论文，而是谁能让AI进入真实世界，提出问题、动手实验、面对失败，再从失败中学习。 对中国AI for Science企业来说，模型是大脑，机器人是双手，数据是血液，产业交付才是检验生命力的心跳。 真正的壁垒，是能不能把这四者组织成一个不断学习、不断验证、不断产生商业价值的生命体。 当AI开始穿上白大褂，中国的科学智能企业，最终要交出的不能只是一篇论文、一项预测或者一段Demo。 而是一份客户真正愿意付钱的结果。
第一层是通用推理，读懂文献、拆解问题、提出假设； 第二层是科学模型，完成蛋白质、分子、材料和反应预测； 第三层是实验执行，让机器人和仪器把数字方案变成真实实验； 第四层是数据系统，完整记录成功、失败和异常结果； 第五层是人类科学家，在关键节点判断方向、纠正偏差并承担责任。