夜雨聆风Anthropic要自己研发药物，AI公司不只卖工具了
2026年6月30日，Anthropic发了一个新产品，叫Claude Science。
官方给它的定位很直白：面向科学家的AI工作台。
截图来源：Anthropic官方公告页，显示Claude Science发布时间和产品定位。
如果只看这个名字，它很容易被理解成「科学版Claude」，也就是把Claude接进PubMed、Jupyter、R、HPC、结构生物学工具、化学信息学工具，然后帮助科学家查文献、跑分析、生成图表、写论文。
这当然已经很重要。
但真正让我停下来多看两眼的，不是这个产品本身。
是后面那一步。
The Verge在7月3日的报道里提到，Anthropic还表示会自己开发药物。Anthropic生命科学负责人Eric Kauderer-Abrams称，公司会关注被忽视疾病，也就是neglected diseases。
截图来源：The Verge，报道发布时间为2026年7月3日。
这个动作有点微妙。
一个前沿AI公司，先做面向科学家的工具，再说自己也要下场做药。它不再只是把模型能力卖给制药公司、实验室和大学，而是开始碰那个更慢、更贵、更重的世界。
药物研发。
核心判断
这件事真正值得看的地方，不是AI能不能一夜之间发明神药，而是AI公司开始把自己放进实验、数据、失败和责任的闭环里。
先把事实讲清楚
Anthropic官方公告里，Claude Science现在是beta版本，面向Claude Pro、Max、Team和Enterprise用户开放。
官方重点讲了几类能力。
它能把科研里分散的工具拉到一个环境里，包括数据库、文件、Jupyter、R、远程机器、SSH、HPC登录节点。它也能生成可审计的artifacts，让研究者知道一个结果是怎么来的，代码、计算、引用和修改历史都能追溯。
截图来源：Claude Science产品页，产品文案强调从数据处理到发表的步骤追踪。
Anthropic还说，用户会和一个generalist coordinating agent交互，这个agent可以访问60多个curated skills和connectors，覆盖genomics、single-cell、proteomics、structural biology、cheminformatics等方向。里面还有reviewer agent，用来检查引用和计算，标记并修正错误。
这套说法其实很Anthropic。
它没有把Claude Science包装成一个「万能科学家」，而是把重点放在科研工作流里的碎片化问题：数据库太多，工具太散，文件格式麻烦，实验结果需要复现，计算过程需要被审计。
这和普通办公场景里的AI助手很不一样。
科学研究不怕你回答慢一点，怕的是你回答得漂亮但不可复现。论文图可以生成得很好看，但如果别人不知道数据从哪里来、脚本怎么跑、参数怎么改，那就不是科研产物，只是幻觉的另一种包装。
所以Claude Science最核心的产品语言，其实是「可追溯」。
这也是为什么NVIDIA同一天也发文讲BioNeMo Agent Toolkit进入Claude Science。生命科学不是普通文本任务，它需要模型、工具、加速计算、专业库和实验数据一起工作。
截图来源：NVIDIA官方博客，说明Claude Science正在接入生命科学计算生态。
到这里，Claude Science还是一个工具平台。
但The Verge报道里的药物研发计划，把事情往前推了一步。
Anthropic不只想让科学家用Claude，它也想让自己的人进入具体研发项目。
为什么不只做工具？
坦率讲，我看到这里的第一反应是：这事儿挺合理，但也挺重。
合理在于，AI drug discovery这条路，如果一直停在「我给你一个工具，你自己去用」这一层，很多关键数据永远进不来。
药物研发不是写代码。
代码写错了，可以跑测试，可以回滚，可以让另一个模型再读一遍。药物研发里的失败，很多发生在现实世界里：细胞实验不行，动物实验不行，毒性不行，药代动力学不行，制剂不行，临床不行。
这些失败很贵，也很慢。
但恰恰是这些失败，最有学习价值。
如果一个AI公司只卖软件，它能看到用户问了什么、模型怎么答、工具调用到哪一步，最多再拿到一些用户愿意共享的反馈。可真正决定药物研发成败的，经常是实验台上的负结果，是某个候选分子为什么死在下一轮验证里。
这些数据，未必会回到模型公司手里。
数据闭环
AI药物研发的核心壁垒，可能不是一次生成多少候选分子，而是谁能持续拿到高质量实验反馈。
概念图：用于解释实验数据、失败记录和模型假设如何形成闭环，不代表Anthropic真实候选药物或实验数据。
这也是Anthropic自己下场的第一层意义。
它不是为了证明Claude会写一篇漂亮论文，而是为了让模型、实验、失败记录和下一轮假设之间形成闭环。
药物研发的回报周期很长。The Verge采访的专家也提醒，AI设计的药物要真正进入人体、通过监管、到达市场，还远远不是短期故事。候选药物仍然要通过现实实验验证安全性、有效性和可制造性。
这句话听起来很扫兴，但很重要。
AI可以加速一部分搜索，不能替代所有实验。
所以Anthropic如果真的要做药，它面对的不是一个产品发布节奏，而是一个多年周期的实验系统。
被忽视疾病，是一个很聪明也很敏感的切口
The Verge报道里提到，Anthropic会关注neglected diseases，包括罕见病和一些热带疾病。
这个选择很值得看。
从商业上说，被忽视疾病往往不是大药企最愿意押注的方向。病人数量少，支付能力弱，市场规模不清晰，研发投入很难用传统商业逻辑回收。
但从AI研发角度看，它们又有一些特殊吸引力。
一部分罕见遗传病的生物机制可能更清楚，靶点更集中。相比常见复杂疾病里多个基因、组织、环境和生活史交织在一起，罕见病有时更适合作为早期验证场景。
当然，这不能被浪漫化。
罕见病研发依然很难，临床招募更难，终点设计更难，监管沟通也不轻松。所谓被忽视，并不代表它更容易，只是传统商业激励不够。
Anthropic选这个方向，有两层含义。
一层是价值叙事：做那些商业回报不那么明显、但真实患者需要的疾病。
另一层是产品策略：尽量避开和大制药客户直接正面竞争的主战场。
因为一旦Anthropic自己做药，它和制药客户的关系就会变复杂。
以前它是工具供应商，客户买Claude Science、接入模型和工具，目标是提高自己研发效率。现在如果Anthropic也有自己的研发项目，它就不只是卖铲子的人，也开始进入矿场。
这未必一定冲突。
但边界肯定变了。
The Verge也提到，Anthropic尚未说明如果发现有前景的候选药物，会如何处理后续实验、动物测试、临床试验、制造或合作关系。
这几个问题才是重头戏。
谁出钱？谁做实验？谁持有IP？谁承担临床失败？谁和监管沟通？如果客户也在相近方向研发，数据和利益边界怎么处理？
这些问题不如「AI公司造药」几个字刺激，但它们决定了这个故事最后会走向哪里。
概念图：用于解释工具供应商与项目参与者之间的责任边界变化。
AI for Science正在从工具层往实业层走
把Anthropic放到更大的AI for Science坐标里看，会更清楚。
DeepMind很早就用AlphaFold改变了结构生物学的节奏，后面又有Isomorphic Labs专门面向药物研发。Insilico Medicine这类AI-first biotech公司，也已经把AI设计候选药物推进到临床阶段。OpenAI也在科学方向持续布局。
过去几年，AI for Science的主线大概是：模型能不能帮助科学家更快理解世界。
现在多了一条线：模型公司能不能自己组织一部分科学工作。
这两个问题差别很大。
帮助科学家，是工具逻辑。
自己组织科学工作，是实业逻辑。
工具逻辑关心的是产品能力、用户体验、API、工作流、成本、集成和留存。实业逻辑还要关心实验室、数据权利、临床路径、监管文件、供应链、伦理审查和失败成本。
所以我不太想把这件事写成「AI公司要颠覆制药行业」。
这个说法太快，也太轻。
更准确的说法是，前沿AI公司正在试探一种新组织形态：它们先用通用模型建立横向能力，再进入足够复杂、足够高价值、也足够数据密集的垂直领域，亲自构建闭环。
药物研发只是其中一个最硬的场景。
截图来源：Anthropic活动页，活动主题是The Briefing: AI for Science。
如果这条路跑得通，未来可能不止医药。
材料、能源、机器人、工业设计、农业、生物制造，都可能出现类似结构：模型公司不只提供智能能力，还直接进入某个产业问题，用自己的模型、工具、数据和人才跑完整项目。
听起来很大。
但落到当下，还是那句老话：先看闭环。
有没有真实实验？有没有失败数据？有没有可审计记录？有没有明确责任边界？有没有愿意付多年成本的组织耐心？
这些问题，比发布会上的愿景更诚实。
对AI产品经理来说，真正要学的是边界设计
这个选题和AI产品经理很相关，但不是因为「科学家工作台」这几个字很高级。
真正值得学的是，Claude Science把AI产品从聊天框往工作系统里推。
它不是让科学家把问题复制进一个对话窗口，然后等一个答案。它试图接入科研里的真实工具、文件、代码、计算环境、专业数据库和审计记录。
这说明一个趋势：越高价值的AI产品，越不会停留在单次问答。
它会变成一个工作台。
工作台意味着几件事。
Claude Science里reviewer agent的设计就很典型。它不是再加一个更会说话的助手，而是在关键产物旁边放一个检查者，专门盯引用和计算。
这对很多AI产品都有启发。
金融报告、医疗随访、法务合同、企业知识库、代码发布、内容生产，只要结果会被别人使用，只要错误会造成成本，AI产品就不能只追求「生成得快」。
它必须追求「生成之后能不能负责」。
Anthropic自己做药，则把这个问题又往前推了一层。
当AI公司从工具商变成项目参与者，它就不能只解释模型能力，还要解释责任结构。
这会逼产品设计变得更严肃。
最后，别急着把它神话
我知道，「Anthropic要自己研发药物」这个标题很容易让人兴奋。
但这件事最值得保持冷静。
到目前为止，Anthropic没有公布具体靶点、候选药物、疾病清单、实验合作方、临床计划或商业化路径。媒体报道里的方向很重要，但它还不是一个已经被验证的药物研发成果。
AI公司进入药物研发，也不会让药物研发突然摆脱物理世界。
化合物还是要合成，细胞还是要反应，动物实验和人体试验还是要慢慢走，监管材料还是要一页一页写。
这可能也是这件事最有意思的地方。
过去几年，我们习惯了AI产品的节奏：发模型、发Demo、发API、发榜单、发价格。
药物研发不是这个节奏。
它会迫使AI公司面对更长的时间，更硬的现实，更昂贵的失败。
公开社交平台上也有人把这件事理解成Anthropic在给自己的产品做dogfooding：不是先成为药企，而是从内部学习真实研发工作流和验证闭环。这个评价未必代表行业共识，但它点出了一个很关键的观察。
截图来源：X公开帖子，作为舆论侧观察，不作为事实来源。
如果Anthropic真的走进去，它要证明的就不只是Claude会不会帮科学家整理文献、写代码、画图表。
它要证明一件更难的事。
AI公司能不能在一个需要十年耐心的行业里，把模型能力变成可验证、可追责、可交付的结果。
这才是我觉得值得写的原因。
AI for Science从工具走向实业，听起来像一句大话。
但如果把它拆开看，它其实是一个很朴素的问题：
AI不只给建议之后，谁来承担下一步？
阿多小筑
AI产品经理的实验室
这里记录AI产品从想法到落地的过程：产品结构、Agent/RAG/评估、AI医疗行业、AI工作流、内容自动化、AI审美，以及真实项目里的判断和取舍。
公众号、抖音、小红书同名：阿多小筑。关注这里，一起把AI能力变成可复用的产品和流程。
参考资料
参考链接
[1] Claude Science, an AI workbench for scientists, is now available: https://www.anthropic.com/news/claude-science-ai-workbench
[2] The Briefing: AI for Science: https://www.anthropic.com/events/the-briefing-ai-for-science
[3] Claude Science product page: https://claude.com/product/claude-science
[4] Anthropic wants to develop its own drugs: https://www.theverge.com/ai-artificial-intelligence/961311/anthropic-claude-science-ai-drug-development
[5] NVIDIA BioNeMo Agent Toolkit Brings Accelerated AI to Life Sciences Researchers in Claude Science: https://blogs.nvidia.com/blog/claude-science-bionemo-agent-toolkit/
[6] Anthropic launches Claude Science for pharma researchers: https://pharmaphorum.com/news/anthropic-launches-claude-science-pharma-researchers
[7] Anthropic launches Claude Science: https://news.northeastern.edu/2026/06/30/anthropic-claude-science-launch/
[8] Anthropic launches AI drug discovery program: https://www.cnbc.com/2026/06/30/anthropic-launches-ai-drug-discovery-program-claude-science.html