Anthropic AI for Science：挖走AlphaFold之父、自研药物、60+科学工具，这次玩真的

Anthropic说要用AI"压缩50-100年的生物学进步到5-10年"。听起来像PPT吹牛？但当他们挖走了AlphaFold之父、收购了一家生物科技公司、开了湿实验室、还自己开始研发药物的时候……你会发现，这帮人是认真的。

6月30日，Anthropic举办了一场名为"The Briefing: AI for Science"的直播发布会。

发布会上扔出了三颗炸弹：

1. Claude Science——一个整合了60+科学数据库和计算工具的AI科研工作台
2. 内部药物发现计划——Anthropic自己下场做药，聚焦被忽视的罕见病
3. John Jumper加入——AlphaFold之父、2024年诺贝尔化学奖得主从Google DeepMind跳槽到Anthropic

每一条单独拎出来都是大新闻。 但比这三条更有意思的，是Anthropic在"AI for Science"这件事上的整体架构思路——它没有训练一个"更懂生物学的模型"，而是搭建了一套"让普通模型也能做好科研"的工具系统。

今天这篇文章，从架构师的角度拆解Anthropic的AI for Science战略。

一、一个改变认知的数据：16.9% → 92.8%

在聊产品之前，先看Anthropic自己发的一篇研究论文，这组数据彻底改变了我对"AI做科研"的理解。

Anthropic构建了一个叫VirBench的基准测试——120个病毒序列检索查询，覆盖40种病原体。然后用多个前沿模型"裸跑"（不给任何工具），测准确率：

等一下，Claude Sonnet 4裸跑只有16.9%？这也太拉了吧？

但加了一个确定性检索工具（gget virus）之后，直接飙到92.8%。而且所有模型加了工具后的运行稳定性都在0.92-1.00之间——几乎每次跑都是同样的结果。

这组数据揭示了一个核心洞察：

"可靠的数据集构建不应该依赖于最新或最贵的模型。"——便宜的模型+确定性工具 > 昂贵的模型+没有工具。

用人话说：给一个实习生配上GPS导航和详细的操作手册，他的表现可以超过一个没有任何工具的资深向导。 AI做科研也是一样——模型的"智商"没那么重要，"装备"才是关键。

这就是Claude Science的设计哲学：不卷模型，卷工具链。

二、Claude Science：不是新模型，是新工作台

2.1 一句话定义

Claude Science = 现有Claude模型 + 60+科学工具和数据库 + 多Agent协作 + 计算资源管理

Anthropic自己说得很明确："Claude Science不是一个新的AI模型，也不是一个更懂生物学的模型。它运行的就是现有的Claude模型（包括Claude Opus 4.8），没有特殊权限，没有门槛。"

用人话说：Claude Science不是给Claude换了个更聪明的脑子，而是给它配了一整套实验室装备。

2.2 三层Agent架构

Claude Science的核心是一个三层多Agent系统：

第三层是最精妙的设计。 科研领域最怕的不是"不知道答案"，而是"给了一个看起来对但实际上错的答案"。审查Agent的存在，就是为了解决AI最大的科研信任问题——幻觉。

用人话说：协调Agent是项目经理，专家Agent是各领域的研究员，审查Agent是同行评审专家。一篇"论文"出来之前，先内部peer review一遍。

2.3 整合了哪些工具？

Claude Science预配置了60+科学技能和数据库连接器，覆盖五大领域：

还有一个关键集成：NVIDIA BioNeMo工具包。 这意味着Claude Science可以直接调用Evo 2（基因组模型）、Boltz-2（蛋白质结构预测）、OpenFold3等专业模型——不是用Claude来预测蛋白质结构，而是用Claude来调度蛋白质结构预测模型。

这个架构设计值得细品： Claude不试图成为"全能科学家"，而是成为"首席研究协调员"——自己不做实验，但知道该用什么工具、调什么数据库、找谁来做。

2.4 计算资源管理

科研计算往往需要大量GPU资源。Claude Science的处理方式是：

关键原则：数据不离开你的基础设施。 只有必要的上下文信息会传输给Claude。

而且Claude Science在提交任务前会先生成计划、请求授权——"我准备用这些数据跑这个分析，需要这些资源，可以吗？"——用户确认后才执行。

用人话说：它不是那种趁你不注意就把你信用卡刷爆的AI助手，而是每笔开销都先请示的老实人。

三、内部药物发现计划：AI公司亲自下场做药

这可能是整场发布会最大胆的宣布。

Anthropic宣布启动内部临床前药物发现计划，聚焦被忽视的疾病——罕见遗传病和热带疾病。

3.1 为什么自己做药？

生命科学负责人Eric Kauderer-Abrams的解释非常直白：

"我们这么做是因为我们相信，要为行业打造正确的模型、产品和工具，我们必须亲身经历这个过程。"

翻译一下： 光给药企做工具不够，得自己走一遍药物发现全流程，才能真正理解痛点在哪。

用一个架构师能理解的类比： 这就像云服务商自己也跑业务——AWS做电商（Amazon本身就是最大客户），所以AWS能发现传统云服务商发现不了的问题。Anthropic自己做药，是为了让Claude Science成为"自己就在用的工具"，而不是"给别人用的工具"。

3.2 为什么选"被忽视的疾病"？

聪明的商业策略 + 真实的社会价值。

1. 传统药企不碰——这些疾病的市场太小，药企算不过来经济账
2. AI的优势最大——在数据稀少、研究人员不足的领域，AI的加速效果最明显
3. 公关价值——"AI公司用AI为穷人做药"，这个故事比"AI帮大药企多赚钱"动人得多
4. 监管友好——政府和监管机构对罕见病药物审批有快速通道

3.3 配套基础设施

Anthropic不只是说说而已，他们的基础设施投入实打实：

从发论文到建实验室到挖人到发产品，整整18个月的系统性布局。 这不是临时起意，是早就规划好的战略。

四、挖走AlphaFold之父：Anthropic最贵的一次招聘

4.1 John Jumper是谁？

4.2 为什么这个人最重要？

AlphaFold2的核心架构Evoformer使用注意力机制来捕获长程序列依赖关系——这个架构可以迁移到其他科学建模问题。

用人话说：John Jumper不是一个只会做蛋白质的人，而是一个证明了"AI可以解决基础科学问题"的人。 他的方法论和架构直觉，比他在蛋白质领域的具体成果更有价值。

4.3 人才流动的信号

这次挖人发生的时间点很有意思：

• 同一周Noam Shazeer（Gemini联合负责人）也从Google离开，去了OpenAI
• DeepMind工程师离开去Anthropic的概率是反方向的11倍
• 有未经证实的报道称，AlphaFold的其他核心贡献者Jonas Adler和Alexander Pritzel也在考虑加入Anthropic

Google DeepMind正在经历一场"科学人才失血"。 而Anthropic正在成为AI科研人才的首选目的地。

五、实际落地案例：不是PPT，是真在用

5.1 Manifold Bio：药物靶点筛选

Manifold Bio使用Claude Science进行组织特异性治疗药物的靶点识别——评估数百个候选靶点的表面表达和转运特性。

以前需要： 多个研究员分工查数据库、跑分析、汇总结果 现在需要： 告诉Claude Science"帮我评估这些候选靶点的表面表达水平"

5.2 Allen Institute：文献综述加速

Allen Institute的Jerome Lecoq利用Claude Science构建了20个自定义技能的计算审查模板：

• 读取数千篇论文
• 提取论点和发现
• 构建叙事弧线
• 生成跨研究对比图表

原来的时间线：2年。 现在大幅缩短。

5.3 UCSF：变异分析提速10倍

Stephen Francis使用Claude Science进行胚系变异分析，速度提升约10倍。

5.4 Bristol Myers Squibb

BMS已经在研发和生产环节部署了Claude——这是大药企的实际生产使用，不是实验性试点。

六、BioMysteryBench：AI真的能做科研吗？

Anthropic还发布了另一个重量级基准：BioMysteryBench——99道由专家编写的生物信息学问题。

AI在整体准确率上超过了人类专家，而且解决了7道人类专家解不出的题目。

但有一个关键限制：约44%的最难题目胜利是"脆弱的"——在5次尝试中只能复现不到2次。

用人话说：AI偶尔能灵光一现想出专家想不到的方案，但这种灵光一现不够稳定——有时候灵，有时候不灵。 这也解释了为什么Claude Science需要审查Agent——不是所有"灵感"都是对的。

七、架构启示：AI for Science的正确姿势

站在架构师的角度，Claude Science给了我三个深刻的启示：

7.1 工具比模型重要

VirBench的数据已经证明了：便宜模型+好工具 > 贵模型+没工具。

这个原则不只适用于科研，也适用于所有AI应用场景。与其花3倍价格用最新最强的模型，不如投资构建确定性的工具链——数据库连接器、API编排、结果验证器。

7.2 多Agent协作是必然趋势

Claude Science的三层Agent架构（协调→执行→审核）揭示了一个规律：复杂任务不适合让单个Agent一路干到底。

• 协调Agent负责"想"（理解意图、拆解任务）
• 执行Agent负责"干"（调用工具、产出结果）
• 审核Agent负责"查"（验证准确性、纠正错误）

这三个角色分离的设计，和微服务架构的思想如出一辙——单一职责、各司其职、可独立迭代。

7.3 "自己吃自己的狗粮"

Anthropic自己下场做药物发现，本质上是在验证自己的产品假设。这和优秀的平台公司都有相同的特质——AWS自己是最大的AWS用户，Anthropic要让自己成为Claude Science最大的用户。

如果连自己都不用自己的产品做核心业务，怎么说服别人用？

写在最后

看完整场发布会，我觉得Anthropic的AI for Science战略有一个最本质的洞察：

AI做科研的瓶颈不是模型的"智力"不够，而是模型没有正确的"装备"。

16.9%到92.8%的准确率跃升，不是因为换了一个更聪明的模型，而是因为给了它一个靠谱的检索工具。这个发现的意义远超科研领域——它说明AI应用的价值创造，很大程度上不在模型层，而在工具层和编排层。

John Jumper的加入、内部药物发现计划的启动、60+工具的整合——所有这些都在传递同一个信息：Anthropic不只是在做一个更好的聊天机器人，而是在建设一个AI驱动的科研基础设施。

至于这个基础设施能不能真的"压缩50-100年的进步到5-10年"？我不知道。但我知道一件事：当一个AI公司开始自己建实验室、做药物、挖诺奖得主的时候，它的野心已经超出了"卖API"的范畴。

一句话总结：Claude Science告诉我们，AI for Science不是"让模型变聪明"，而是"给模型配装备"。做架构的人都懂——系统的能力上限不取决于最强的组件，而取决于组件之间的协作质量。

我是RiemannChow，一个在架构领域摸爬滚打多年的技术人。如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。关注「老周聊架构」，每周深度解读AI和架构的最新趋势。