Claude Science几周干完两年活，10倍科研提速真来了？

新智元报道

【新智元导读】这一次，干完Anthropic并未单纯追求更聪明的两年科研模型，而是活倍直击科研工作的核心痛点：首次将科研过程拆解为一条可逐步审计的标准化流水线。

曾经需要耗时两年的科研科研任务，如今仅需几周即可交付。提速

Allen Institute的干完神经科学家Jérôme Lecoq及其团队，将一篇长篇综述的两年撰写周期从近2年大幅压缩至几周。Lecoq手中积压了约10篇综述，活倍部分篇幅超过100页，科研每一条引用均经过智能体的提速逐句严格核对。

助力这一效率飞跃的干完，是两年Anthropic最新推出的Claude Science。

2026年6月30日，活倍Anthropic正式发布Claude Science，科研定位为面向科学家的提速专属AI工作台。（图源：Anthropic官方博客）

据Anthropic披露，此类工作若由传统人工完成，需耗时两年。Claude Science的核心突破在于其定位并非单一的智能模型，而是一个面向科学家的AI工作台。它首次实现了科研流程的可审计化（Auditable）与流水线拆解。

目前，Claude Science已在macOS和Linux系统开启Beta测试，面向Pro、Max、Team及Enterprise用户开放。

重构科研工具链：终结碎片化困境

科研工作者深知日常工作的繁琐：
* 数据孤岛：项目需在数十个数据库间频繁切换，各库拥有独立的Schema和查询语言；
* 格式壁垒：文件格式繁杂，每种格式均需临时搭建管线或寻找专用查看器；
* 工具割裂：PubMed检索文献、Jupyter运行代码、R语言统计分析、集群终端提交任务……工具间的频繁切换严重挤占了思考科学问题的时间。

Claude Science的核心价值在于场景整合：它将文献分析、多步计算、图表优化及论文成稿等全阶段，统一封装于同一执行环境中，确保思路不中断。

• 部署灵活：支持本地macOS/Linux运行，可通过SSH连接远程服务器，或挂载至高性能计算（HPC）登录节点。
• 数据跟随：遵循“数据在哪，计算就在哪”的原则，类似Jupyter的使用体验。
• 算力调度自动化：接管蛋白质折叠、基因组管线等重型计算任务。用户只需起草计划，系统会在调用新资源前征求授权，并在提交前提供审查与撤销机制，实现从单GPU到数百GPU的弹性扩展。

Claude Science将8组scVI超参数扫描任务分发至实验室A100集群，右侧Notebook与智能体共享实时内核，变量与状态同步更新。（图源：Anthropic官方博客）

此外，系统严格遵循隐私保护原则：敏感数据保留在原系统，仅向Claude发送每一步所需的上下文信息。

全链路可追溯：每张图都自带“源代码”

科研领域对图表（如蛋白质三维结构、基因组轨道、化学式）依赖极高。Claude Science在生成图表的同时，强制输出可复现的代码与环境信息。

• 全要素打包：每张生成的图表均附带确切代码、运行环境、自然语言说明及完整对话历史，形成闭环。
• 即时复现：面对审稿人要求重跑数据的需求，用户可瞬间复现输入、过程与结果，解决长期困扰科研界的“复现危机”。
• 交互式修改：用户可通过自然语言指令（如“去除网格线”、“纵轴改为对数”）直接修改生成代码，智能体自动执行更新。
• 多分支并行：支持在任意节点Fork会话，并行测试不同思路，互不干扰。

左侧为跨138个物种的细胞图谱，右侧同屏展示生成代码。圈注指令即可驱动智能体修改图表，确保每个结果均可追溯至代码。（图源：Anthropic官方博客）

Actor-Critic架构：一个写，一个审

Claude Science并非单智能体作业，而是采用协调智能体+专家智能体的架构：

1. 技能库：协调智能体掌握60余种预配技能与连接器，覆盖基因组、单细胞、蛋白质组、结构生物学及化学信息学。
2. 动态分工：任务复杂时，系统自动派生子智能体，或调用用户自定义的专家智能体。
3. 审查智能体（Reviewer Agent）：专门负责核查引用准确性、计算逻辑及图表一致性。发现错误时，自动标记并修正。

在Allen Institute的案例中，团队采用Actor-Critic（执行者-批评者）配对模式：一个智能体负责生成内容，另一个专门评估其准确性与引用真实性。这种机制构成了“AI内部同行评审”的雏形。

关键边界：人在回路（Human-in-the-loop）
系统自动化的是流程，而非科学判断。所有涉及新资源调用的决策均需人工授权，每一步均可复核与撤销。此外，Claude Science已集成NVIDIA BioNeMo Agent Toolkit，原生支持Evo 2、Boltz-2、OpenFold3等生命科学模型，并允许用户导入私有数据与管线作为可复用技能。

首发聚焦生命科学

Claude Science的首发领域锁定生命科学，开箱即用支持基因组、单细胞、蛋白质组等分析，并对接UniProt、PDB、Ensembl、ClinVar、ChEMBL、GEO等60+科学数据库。

实战案例：
* Manifold Bio：利用Claude Science进行组织靶向药物靶点提名，综合评估表面表达、运输及安全性，基于自有数据标准对候选药物排序。相比传统编程助手，Claude Science能端到端处理数据并携带项目上下文。
* UCSF脑瘤中心：流行病学副教授利用该系统分析数千个微效种系变异对脑胶质瘤易感性的影响。据Anthropic数据，该分析耗时仅为过去的1/10，且经团队独立复核，结果准确可靠。

注：目前10倍提速主要应用于综述写作、基因组分析及特定管线自动化，尚不代表整体科研效率的全面倍增。

重新定义科研可信度

传统科研可信度依赖同行评审与结果复现，但代码丢失、环境变更常导致数月后连作者自身也无法复现结果。Claude Science通过“代码+环境+历史”的闭环机制，首次系统性解决了可复现性难题，提升了科研结果的长期可信度。

赛道竞争：三种不同的AI科研路径

生物科研AI赛道呈现三足鼎立之势，各巨头策略迥异：

1. Google（模型壁垒）：依托AlphaFold、AlphaGenome等独家底层模型，构建技术护城河。
2. OpenAI（智商与判断力）：
3. 推出GPT-Rosalind，专注生物推理与药物发现。
4. 发布GeneBench-Pro，测试模型在基因组学、群体遗传至临床诊断中的“科研判断力”。
5. 结果：最强模型GPT-5.6 Sol得分28.7%（Pro模式31.5%），远低于人类水平。
6. 局限：模型擅长起步，但在异常数据剔除、假设推翻后的路径调整等关键判断上仍显不足。

GeneBench-Pro测试显示，即便最强模型得分也仅约30%，暴露出AI在复杂科研判断上的短板。

1. Anthropic（工作流与可审计性）：
2. 不追求单一模型的绝对智商，而是通过工作流自动化与人在回路机制，解决落地难题。
3. 对于科学家而言，结果的可复现性与长期稳定性远比榜单上的微小分数提升重要。

Claude Science的战略核心，在于让AI科研真正融入实验室日常，通过流程革新而非单纯模型迭代，推动科研范式的实质性转变。

参考资料：
* https://www.anthropic.com/news/claude-science-ai-workbench
* https://openai.com/index/introducing-genebench-pro/

编辑：元宇

(责任编辑：焦点)