夜雨聆风
Claude 这次没有只发一个新模型。
6月30日，Anthropic 发布 Claude Science，一个面向科学家的 AI 工作台。它现在以 beta 形式开放给 Claude Pro、Max、Team 和 Enterprise 用户，支持 macOS 和 Linux。换句话说，这不是单纯给模型加几项能力，而是把 Claude 放进科研人员每天真正工作的地方。
这件事容易被写成“AI 改变科研”。
但更准确的说法是，Anthropic 正在把 Claude 从一个聊天入口，往专业工作流里搬。科研只是第一个特别适合讲清楚这个变化的场景。
它不是换个壳的聊天框
科研工作的麻烦，往往不在一个问题有多难，而在工具太散。
查文献可能要去 PubMed，处理数据要写 Jupyter 或 R，跑大任务要连集群终端，看蛋白结构又要换软件。不同数据库有不同格式，不同软件有不同操作习惯。真正的研究时间，被大量“切工具、转格式、等计算、查错误”吃掉。
Claude Science 想解决的就是这层摩擦。
按 Anthropic 官方说法，它把常用科研工具、软件包、数据库和计算资源整合进一个研究环境。研究者可以在里面分析文献、执行多步骤研究、生成图表和手稿，并持续修改到接近发表状态。
这里有个关键点：它不只是回答问题。
Claude Science 里有一个通用协调代理，能调用 60 多个面向科研的技能和连接器，覆盖基因组学、单细胞、蛋白质组学、结构生物学、化学信息学等方向。这个代理还可以拉起其他子代理，也能使用用户自己做的专业代理。
听起来有点像实验室里的“项目协调员”。
研究者说出目标，它负责拆任务、调工具、跑流程、汇总结果。旁边还有一个审阅代理，专门检查引用和计算，发现错误后标出来，必要时修正。
这和普通聊天机器人的差别很大。聊天框负责“说”，工作台开始负责“做”。
科研场景为什么适合 Claude
科研不是一个靠流畅回答就能糊弄过去的场景。
一个图怎么来的，数据从哪里来，代码跑在什么环境里，引用是否真的支持结论，这些都要经得起回看。尤其生命科学、药物研发、医学研究这类方向，错一个数字，后面可能就是一串错误判断。
所以 Claude Science 的卖点没有停在“更聪明”。它反复强调可审计、可复现。
官方介绍里提到，Claude Science 生成图表时，会附带生成该图的精确代码、运行环境、自然语言说明和完整消息历史。几个月后再看，研究者仍然可以追溯这个结果是怎么出来的。
这很重要。
过去很多 AI 工具像一个“很会说话的临时工”。它给你答案，但过程不一定清楚。Claude Science 更像一个会留下工单记录的研究助理。干了什么、用了什么、哪一步出结果，都要能翻账。
它还支持原生显示 3D 蛋白结构、基因组浏览器轨道、化学结构等科研对象。不是把专业内容硬塞进一段文字里，而是直接在科研对象上工作。
对实验室来说，还有一个现实问题：数据不能乱跑。
Claude Science 可以在 macOS 或 Linux 本地运行，也可以通过 SSH 或 HPC 登录节点接入远程机器。Anthropic 称，大型或敏感数据集不必离开实验室已有系统，只有每一步分析所需的上下文会发送给 Claude。
这句话背后是企业和科研机构真正关心的事：模型能力只是门票，数据边界才决定能不能进门。
这背后是 AI 公司在抢专业场景
Claude Science 放在今天看，不只是一个科研产品。
它更像 Anthropic 给市场的一次表态：Claude 不只服务程序员，也要进入更贵、更复杂、更重视合规的专业工作。
这一点和 Claude Code 的路径很像。
Claude Code 进入软件开发流程，不是让开发者在网页里问“怎么写代码”，而是直接进入终端、项目、文件和调试过程。Claude Science 也是类似逻辑：不再让科学家把问题复制进聊天框，而是把 AI 放到文献、数据、图表、代码、计算资源中间。
入口变了，价值也会变。
如果 AI 只停留在聊天框，它卖的是回答次数、token 和模型性能。如果 AI 进入工作台，它卖的就是流程位置、数据连接、团队协作和结果可靠性。
这也是为什么科研场景很有吸引力。
药企、大学实验室、医疗研究机构，对付费能力和准确性要求都更高。它们不缺一个能写摘要的工具，缺的是能接住真实任务、还能留下审计痕迹的工作系统。
Anthropic 官方披露的早期案例也能看出这种方向。Manifold Bio 用 Claude Science 为新实验筛选候选靶点；Allen Institute 的神经科学家 Jérôme Lecoq 用它搭建多代理文献综述模板；UCSF Brain Tumor Center 的 Stephen Francis 用它支持胶质瘤分子流行病学研究，并称部分分析时间压缩到过去的大约十分之一。
这些案例不该被理解成“AI 已经替代科学家”。
更稳的理解是，AI 正在拿走科研流程里那些分散、重复、耗时的环节。科学家的判断还在，只是过去卡在工具之间的时间，被压缩了一截。
但生物方向不能只看效率
Claude Science 的一大重点是生命科学。
这既是机会，也是压力。
机会很明显。生命科学数据多、工具多、流程长，AI 工作台有用武之地。蛋白结构、基因组分析、CRISPR 设计、化学信息学，都是可以被流程化拆解的任务。
压力也同样明显。
AI 进入生物研究后，安全问题会比写代码更敏感。代码写错，多数时候还能回滚。生物方向一旦牵涉危险材料、病原体、实验方案，就不能只谈效率。
Anthropic 自己也在往这个方向收口。官方介绍说，Claude Science 目前基于现有 Claude 模型运行；一些媒体报道也提到，Anthropic 管理层在讨论生物学应用中的可信访问和身份核验问题。
这会成为专业 AI 产品绕不开的分水岭。
普通消费级 AI 追求好用、快、便宜。科研和医疗相关 AI 还要追求可控、可审计、可追责。模型越像工具，责任边界越不能含糊。
所以 Claude Science 值得关注，不是因为它一夜之间把科研自动化了，而是因为它把 AI 产品推向了一个更严肃的位置。
从聊天到工作台，AI 商业化开始变重
过去一年，AI 公司最常讲的故事是模型变强。
参数更大，推理更好，代码更准，多模态更完整。用户听得多了，也会疲劳。真正的问题变成：这些能力到底落在哪些工作里，谁愿意持续付钱，怎么证明结果靠谱。
Claude Science 给出的答案是，把模型装进具体行业的工作流。
科研人员不是每天打开一个空白聊天框，而是面对论文、数据、数据库、脚本、计算集群、图表和手稿。谁能把这些环节连起来，谁就不只是在卖模型，而是在占据工作入口。
这也解释了为什么 Anthropic 要在这个时间点发布它。
Claude 已经在编程、企业办公、法律、科研等方向不断试探。越往后，AI 公司的竞争可能越不像“谁的模型榜单更高”，而像“谁能进入更多高价值岗位的日常流程”。
聊天框是展厅。
工作台才是工位。
Claude Science 的意义就在这里。它让外界看到，AI 应用下一步不是继续把聊天框做得更漂亮，而是钻进那些专业、琐碎、昂贵、不能出错的工作里。
科研只是这一轮换打法的开始。
