远见网一、三家AI大厂先后把生命科学摆到了更重要的位置
过去几个月，三家AI大厂先后把生命科学摆到了更重要的位置。
1、当地时间6月30日，
Anthropic推出Claude Science。
这是一个给科学家使用的AI工作台：能接入科研数据库，运行代码、分析数据、生成图表、查看蛋白结构，也能把研究过程保存为可审计、可复现的记录。
几乎同一时间，
OpenAI推出GeneBench-Pro，
专门测试AI Agent能否在基因组学、定量生物学等真实科研任务中，处理模糊数据并完成多阶段判断。
更早进入这条路的谷歌，则已经从AlphaFold走到了药物设计。
旗下Isomorphic Labs正在建设AI药物设计引擎，并计划推动首批候选药物进入临床试验。
AI公司的战场，正在从办公室转向实验室。
此前，代码和数学是AI大厂最喜欢的能力考场：代码能不能运行，证明是否成立，很快就能得到答案。
医药却有另一套时间表：AI可以加快靶点发现、分子筛选和早期研发，但后面仍有实验、临床试验和监管审批。
模型几个月就能更新一代，药物却可能要十年才能证明自己。
7月12日，《华尔街日报》因此提出了一个有意思的判断：
如果AI最终真的改变药物研发，最大的赢家未必是OpenAI、Anthropic或者谷歌，更可能是拥有专有数据、实验能力和全球临床体系的大型制药公司。
眼下，三家AI大厂已经选择了不同的入口：谷歌从结构预测走向药物设计，OpenAI押注生命科学推理模型，Anthropic则把Claude Code式的工作台搬进科研流程。
二、最后会成为自己的制药壁垒
问题在于，它们建立的能力，最后会成为自己的制药壁垒，还是变成大型药企可以采购和组合的新工具？
1、Anthropic的科研工作台
Claude Science并不是Anthropic第一次在生命科学领域布局，它已经沿着这条线走了一段时间。
2025年5月，Anthropic推出AI for Science Program，给高影响力科研项目提供免费API额度，其中就特别提到生物学和生命科学方向。
同年10月，Anthropic又推出Claude for Life Sciences，把Claude接入Benchling、BioRender、PubMed、10x Genomics等科研工具和数据库，让它能进入实验记录、文献、单细胞分析、空间组学分析等具体场景。
到今年1月，Anthropic继续扩展Claude for Life Sciences，新增了ClinicalTrials.gov、Open Targets、ChEMBL、bioRxiv、medRxiv、Medidata等连接器，进一步把生命科学能力扩展到医疗健康和临床阶段。
可以说，Claude此前已经开始进入药企和科研机构的工作流，只是这些能力更多分散在连接器、工具调用和企业客户案例里。
比如Novo Nordisk用Claude Code搭建了NovoScribe，自动生成临床研究报告、设备方案、患者材料等监管级内容；
Genmab则与Anthropic合作部署Claude驱动的agent，用于支持临床开发中的数据处理、分析和文档生成；
Bristol Myers Squibb也与Anthropic合作，把Claude提供给数万名员工，希望用于研究、药物开发、制造、商业和医学事务等流程。
Claude Science的不同之处在于，Anthropic把这些能力收束成了一个更明确的产品入口。
按照Anthropic的说法，Claude Science的定位是“一个给科学家使用的AI工作台”，它能接入科研数据库，运行代码，分析数据，生成图表，查看3D蛋白结构、基因组浏览器轨道和化学结构图，也能把一次研究过程里的代码、运行环境、自然语言说明和消息历史保存下来，形成可审计、可复现的研究产物。
如果你的专业和生物相关，哪怕只是本科阶段，大概也能理解这种“工作台”为什么有用。
我的本科毕业论文里，生信分析占了很大一部分，在毕业的时候还给学弟学妹专门写过一份比较简单的BLAST使用教程。
那时候的大部分工作其实就是在各个工具里打转，用CAZy数据库查基因序列，用NCBI ORF Finder把原始核酸序列翻译成蛋白质序列，用BLAST做序列比对，以及很重要的，拿Jupyter Notebook整理那些光是打开都得加载半天的Excel表格——有了AI的辅助，至少在做数据分析那里不用自己从头学怎么写代码。
而这还只是本科阶段为了写论文而接触到的一小部分工作，真正进入科研之后，工具之间的切换只会变得更加复杂。
Claude Science想做的，就是把那些繁琐的步骤放进同一个工作台里。
某种意义上，这很像把Claude Code的逻辑放进了科研场景里——Claude Code会进入代码仓库、终端、PR、review这些软件工程流程，Claude Science也是进入数据库、代码、计算、图表、证据和报告这些科研流程里。
三、Claude Science读取、运行并改写
1、Claude Science读取、运
首先，Claude Science可以读取、运行并继续改写已有的Python、R和Shell流程，不要求实验室从头重建自己的代码和管线；
2、它还支持持久化的Python与R内核
它还支持持久化的Python和R内核，变量、数据框和已经加载的模型可以在同一个分析过程中一直保留。
四、Claude Science内置科学渲染器
另外，Claude Science可以运行在笔记本、本地Linux机器、HPC登录节点或云虚拟机上；
它能通过SSH提交和管理集群任务，也可以连接Modal账户扩展算力。
实验室已有的内部API、电子实验记录本、定制管线，也可以通过连接器接入。
其次，Claude Science内置科学渲染器，可以直接查看蛋白质、序列比对、基因组轨道、化学结构和PDF，不需要额外安装一堆工具。
比如做蛋白结构分析时，它可以拉取预测结构，叠加结构域和临床变异，并在3D里交互查看；
做化学信息学和分子设计时，它可以生物活性数据，计算性质和相似性，还能在2D结构编辑器里绘制和修改分子结构。
再往下，Claude Science生成的图表、表格和notebook，会附带产生它们的代码、运行环境、自然语言说明和对话历史。
也就是说，一张图不是孤零零地被贴进报告里，人们能追溯到它是用什么数据、什么代码、什么步骤生成的。
Anthropic特别强调，后台reviewer会标记无法追溯的数字、错误引用，以及和底层代码不一致的图表。
并且Anthropic还称，它已经为基因组学、单细胞、蛋白质组学、结构生物学、化学信息学等生命科学主要方向做了预配置，并可连接60多个科学数据库和领域专用开源模型。
从查数据库、读文献、跑脚本，到生成图表、写论文草稿、保留可复现记录，再到接入实验室已有的数据和计算资源，可以说，Claude Science连接了科研工作的一整套流程。
另外，据The Verge报道，Anthropic还计划开发自己的药物，尤其关注那些“被忽视”的疾病。
过去一年，公司一直在招聘生物学家，并建立自己的湿实验室。
Anthropic生命科学负责人Eric Kauderer-Abrams也表示，公司会把重点放在传统药企商业兴趣不足、但确实存在疾病负担的方向。
以前Claude进入药企，更多是在文档、数据、临床运营和研发流程里提高效率。
而现在Anthropic想让Claude进入更上游的科学发现，甚至亲自验证一遍药物发现的早期流程。
1、三家公司，三条医疗路线
把视野拉远一点，医药和生命科学已经成了AI for Science里最核心的一条线。
谷歌、OpenAI和Anthropic都在往这个方向推进，但它们的方式不太一样。
谷歌最早打出声量，也最早把这条线延伸到一家真正的AI制药公司。
它的标志性成果是AlphaFold。
2020年，AlphaFold 2在蛋白质结构预测上取得突破，后来AlphaFold Protein Structure Database把大量预测结构开放给研究者使用。
蛋白质结构是理解生命活动、寻找药物靶点、设计候选分子的基础之一，一个蛋白质长什么样，往往决定了它如何发挥作用，也决定了药物有没有可能与它结合。
到AlphaFold 3，这条路又往前走了一步——AlphaFold 3试图预测的是蛋白质、DNA、RNA、小分子配体等生命分子之间的结构和相互作用。
而药物发现的核心问题之一，就是一个候选分子和目标蛋白的特异性结合。
Google DeepMind当时的说法是，在蛋白质与其他分子的相互作用预测上，AlphaFold 3相比现有方法至少提升50%，在一些重要类别上准确率翻倍。
承接这条路线的是Isomorphic Labs，它直接把谷歌推向了药物研发的产业链。
Isomorphic Labs成立于2021年，是从Google DeepMind体系里拆出来的AI药物发现公司，目标是构建AI驱动的药物设计引擎。
路透社今年5月报道，Isomorphic Labs完成了21亿美元新一轮融资，德米斯·哈萨比斯（Demis Hassabis）称这笔钱将用于大规模建设药物设计引擎，并推动“解决所有疾病”的目标。
报道还提到，Isomorphic预计在2026年底前启动第一批临床试验。
谷歌的特别之处在于，它先拿出了AlphaFold这样的单点科学突破，再把这套能力延伸到Isomorphic Labs这样的AI制药实体里。
2、它的路线是
先解决结构生物学里的基础问题，再进入分子相互作用预测，最后往药物设计和临床前管线推进
。
OpenAI走的是另一条路。
3、AI制药
4、最大：的赢家，可能是大药企
但医药恰恰也是最难兑现的方向之一。
首先是专有数据。
其次是实验能力。
再往后，则是临床开发和商业化能力。
AI已经让寻找答案变得更快。
