事件分析2026年9月4日

Claude Science 不是新模型：AI for Science 的下一步，不是更会答题，而是更会做科研

Anthropic 发布 Claude Science 时，特意强调了一句"这不是新模型"。这句话恰恰点出了 AI for Science 的关键转折：比模型能力更重要的，是科研的工作流。 一、Claude Science 来了，但 Anthropic 说"这不是新模型" 2026 年 6 月 3...

#AI for Science#Claude

Anthropic 发布 Claude Science 时，特意强调了一句"这不是新模型"。这句话恰恰点出了 AI for Science 的关键转折：比模型能力更重要的，是科研的工作流。

一、Claude Science 来了，但 Anthropic 说"这不是新模型"

2026 年 6 月 30 日，Anthropic 在旧金山举办了一场名为《The Briefing: AI for Science》的专场发布会，正式发布了一个新产品：Claude Science。

按常理，AI 公司发布新产品，通常都会强调"模型更强了""参数更大了""能力更厉害了"。但 Anthropic 这次的第一反应却是反向操作：

"Claude Science is not a new AI model." （Claude Science 不是一个新的人工智能模型。）

这句话很有意思。它不是在谦虚，而是在划清边界。

Claude Science 的定位不是独立新大模型，而是面向生命科学、药物研发的垂直 AI 科研工作台。它底层基于 Claude Opus 4.8 运行，做的是帮助生物学家做科研：读文献、设计实验、分析数据、提出假设。发布当日即开放公开测试版，面向 Claude Pro / Max / 团队 / 企业订阅用户可用。

Anthropic 不强调模型能力，而是强调它的价值在于，把做科研的一套流程，用 AI 重新组织了一遍。

更值得注意的是，Anthropic 这次不是"做一个工具试试看"，而是认真地押注生命科学。2026 年 4 月，Anthropic 收购了 AI 制药公司 Coefficient Bio 作为技术铺垫；发布 Claude Science 的同时，他们还公布了自研新药研发计划。这意味着 Claude Science 不是 Anthropic 的副业，而是它进入生物医药领域的战略入口。

这其实是一个信号：AI for Science 的竞争，正在从"谁更聪明"转向"谁更会干活"。

二、Claude Science 具体怎么做：五个差异化设计

理解了 Claude Science 的定位，我们再来看它到底和其他 AI 科研工具有什么不同。

1. 双 Agent 校验机制：一个写，一个审

普通 AI 科研工具最大的风险是什么？是幻觉。它可能编出一篇不存在的论文，给出一个错误的结论，或者引用一个根本没说过的实验结果。在科研场景里，这种错误代价极高。

Claude Science 的解法不是让模型"更诚实"，而是引入独立审核智能体。

你可以理解为：一个 Agent 负责生成答案，另一个 Agent 专门负责挑错。它不去重复生成内容，而是独立审查第一个 Agent 的结论：引文是否真实存在？数据是否准确？推理是否有漏洞？结论是否过度推断？

这种"双 Agent 校验"的价值在于，把科研里的同行评议机制自动化了。更关键的是，Claude Science 承诺引文 100% 可溯源——每一个引用都能追溯到原始文献，而不是凭空生成。

2. 60+ 专业科学数据库原生打通

做科研的人都知道，最烦的不是读文献，而是找数据。你要去 PubMed 查论文，去 UniProt 查蛋白，去 PDB 查结构，去 GEO 查基因表达，去 DrugBank 查药物……每个数据库有自己的查询语法、数据格式、访问权限。

Claude Science 的做法是原生打通 60 多个专业科学数据库。用户不需要手动导出 CSV、再导入到 AI 工具里。AI 可以直接联网调取权威原始数据。

这意味着什么？科学家问"这个基因在乳腺癌中的表达情况"，Claude Science 不是基于训练数据里的模糊记忆回答，而是直接去数据库里查最新、最权威的原始数据。

3. 完整可复现的科研流水线

科学研究有一个基本要求：可复现。别人应该能根据你的方法、数据、代码，重复出你的结果。这个要求在学术界和药企尤其严格——药监部门审核新药时，必须能追溯每一个实验步骤。

Claude Science 把这一点直接做进了产品：

  • 代码保留：所有分析代码都被记录
  • 环境保留：运行时的软件环境被冻结
  • 数据源保留：用了哪些数据库、哪个版本的数据，全部留痕
  • 对话保留：整个研究过程中的交互记录完整保存

这就形成了一条可复现的科研流水线。科学家不需要事后手动整理材料，系统已经自动完成了审计追踪。

4. 多任务并行自主分工

科研工作通常是多线程的。一个项目可能同时需要：查最新文献、跑统计分析、画机制图、写论文初稿。传统做法是科学家自己拆任务、自己调度、自己整合。

Claude Science 引入了多 Agent 并行分工。用户给出高层次目标后，系统会自动拆分子任务，分配给不同的子 Agent 同时执行：

  • 一个 Agent 去查文献
  • 一个 Agent 去跑计算
  • 一个 Agent 去生成图表
  • 一个 Agent 去起草文字

最后再把结果整合回来。这就像一个虚拟科研团队，而科学家是 PI（首席研究员），负责定方向和把关。

5. 针对生物基准专项优化

通用大模型什么都能聊，但一到专业领域就容易"样样通、样样松"。Claude Science 在底层针对生物医药任务做了专项优化，在几个关键基准上表现显著优于通用大模型：

  • 单细胞 RNA 分析：理解细胞异质性、识别细胞类型
  • 蛋白质结构相关任务：与 AlphaFold 等工具的能力互补
  • 生物医药问答：在专业问题上的准确率和深度更好

这种优化不是简单的"多喂了一些生物数据"，而是从模型能力、工具调用、推理方式上，针对科学任务做了系统级调整。

五个差异化设计总结：

差异化点解决的问题
双 Agent 校验机制科研幻觉、引文不可信
60+ 数据库原生打通数据获取繁琐、版本不一致
可复现科研流水线学术合规、药企审计
多任务并行自主分工科研效率低、人工调度复杂
生物基准专项优化通用模型专业能力不足

理解了这些设计，我们就能明白 Anthropic 为什么强调"这不是新模型"。Claude Science 的核心竞争力，不是 Claude Opus 4.8 本身，而是围绕科学研究重新设计的一整套工作流。

三、AI for Science 不是"能回答科学问题"，而是"能完成科研任务"

在继续讲 Hassabis 和 AlphaFold 之前，我们需要先厘清一个概念：AI for Science 到底和普通的 AI 问答有什么区别？

AI for Chat：你问它一个问题，它给你一个回答。任务结束。

AI for Science：你给它一个科学问题，它需要查文献、找数据、设计实验、验证结果、修正假设、再查文献……循环往复，直到逼近答案。

这就像一个医学生和一名医生的区别。

医学生可能背下了整本《内科学》，你问什么病他都能说出一套症状和治疗方案。但让他真的去看一个病人，他可能手忙脚乱：该做什么检查？先验血还是先拍片？这个指标异常意味着什么？要不要会诊？

真正的医生厉害的地方，不是知识量，而是知道怎么把知识组织成一次完整的诊疗流程。

Claude Science 想做的，就是成为一个"会看病"的科研助手，而不是一个"只会背书"的问答机器人。

科研的工作流长什么样？大致是这样的：

观察现象 → 提出问题 → 查阅文献 → 形成假设 → 设计实验 → 收集数据 → 分析结果 → 修正假设 → 再实验 → 发表论文

每一个环节都需要调用不同的能力：读文献需要理解能力，设计实验需要领域知识，分析数据需要统计能力，修正假设需要推理能力。Claude Science 的五个差异化设计，正是围绕这个流程中的不同痛点来安排的：

  • 双 Agent 校验 → 解决"分析结果"和"修正假设"中的可靠性问题
  • 60+ 数据库打通 → 解决"查阅文献"和"收集数据"的效率问题
  • 可复现流水线 → 解决"发表论文"前的合规和审计问题
  • 多任务并行分工 → 解决整个流程中的人工调度问题
  • 生物基准优化 → 解决专业能力不足的问题

它不是让模型更"博学"，而是让模型更"会做事"。

四、回到哈萨比斯：他做 AI，从来不是为了聊天

要理解 AI for Science 这件事为什么重要，得回到一个人：Demis Hassabis。

2024 年 10 月，诺贝尔化学奖颁给了三个人：

  • David Baker：美国华盛顿大学教授，计算蛋白质设计
  • Demis Hassabis：DeepMind CEO，AlphaFold 推动者
  • John Jumper：DeepMind 科学家，AlphaFold 2 核心作者

他们获奖的原因，是解决了生物学里最古老的问题之一：蛋白质结构预测。

蛋白质是生命的基础。从肌肉收缩到免疫反应，从消化食物到传递基因，几乎所有生命活动都依赖蛋白质。而蛋白质的功能，取决于它的三维结构。一个由几百个氨基酸组成的长链，会折叠成极其复杂的空间结构。这个结构决定了它能做什么。

问题是什么？预测这个结构极其困难。

传统方法是用 X 射线晶体学或冷冻电镜做实验，测一个蛋白质结构需要几个月、几年，甚至几十年。而蛋白质的种类数以亿计，人类已知的结构只是冰山一角。

从 1972 年 Christian B. Anfinsen 获得诺贝尔化学奖开始，蛋白质折叠问题就被称为"生物学领域的圣杯"之一。近 50 年里，无数科学家试图用计算机预测蛋白质结构，但进展缓慢。

直到 AlphaFold。

五、AlphaFold：AI for Science 的第一次"诺奖级"胜利

AlphaFold 的故事始于 2016 年。

DeepMind 团队决定把 AI 从围棋转向科学。Hassabis 的野心很大：他想用 AI 解决真正困扰人类的科学问题。蛋白质结构预测是清单上的第一个。

2018 年，AlphaFold 第一次参加 CASP（蛋白质结构预测的关键评估）竞赛，获得第一名。但当时只解决了部分问题。

2020 年，AlphaFold 2 在 CASP14 上大放异彩。它的预测精度接近实验方法，被认为基本解决了单链蛋白质结构预测问题。

2021 年，AlphaFold 2 论文发表于《Nature》，论文标题是《Highly Accurate Protein Structure Prediction with AlphaFold》。同时，DeepMind 与 EMBL-EBI 合作，公开发布了超过 2 亿种蛋白质结构的预测结果，免费提供全球科学家使用。

这是什么概念？

在此之前，人类通过实验方法确定结构的蛋白质大约只有 20 万种。AlphaFold 一夜之间，把这个数字扩大了一万倍。

2024 年，Hassabis 和 Jumper 因为这个贡献，与 David Baker 共同获得诺贝尔化学奖。

这是 AI for Science 的第一次诺奖级胜利。不是 AI 回答问题，而是 AI 改变了人类做科研的方式。

六、哈萨比斯的初心：AI 是理解智能的工具，更是解决科学问题的工具

Hassabis 做 AI 的初心，从来不是为了做一个聊天机器人。

他 1976 年出生于伦敦，父亲是希腊裔塞浦路斯人，母亲是新加坡华人。他 4 岁开始下棋，13 岁达到国际象棋大师级，是当时世界排名第二的同龄棋手。后来他进入剑桥大学学习计算机科学，又在伦敦大学学院（UCL）获得神经科学博士学位。

他的兴趣一直很明确：理解智能本身。

下国际象棋是为了理解策略和决策。学习神经科学是为了理解人脑。创立 DeepMind 是为了用 AI 探索智能的本质。

2010 年，Hassabis 创立 DeepMind。公司名里的 "Deep" 来自深度学习，"Mind" 来自心智。他选择的第一个重大突破方向是围棋——因为围棋的复杂度极高，是测试通用智能的好战场。但围棋从来不是终点。

2014 年 DeepMind 被 Google 收购后，Hassabis 开始向科学领域进军。他在多个场合说过，AI 最有价值的应用之一，是帮助人类科学家解决复杂问题。

AlphaFold 之后，DeepMind 继续推出：

  • AlphaFold 3：不仅可以预测蛋白质结构，还可以预测蛋白质与 DNA、RNA、小分子的相互作用
  • AlphaMissense：预测基因突变是否会导致疾病
  • AlphaGeometry：解决数学几何问题
  • Materials Project 合作：用 AI 发现新材料
  • Weather Forecasting：与英国气象局合作，用 AI 改进天气预报

Hassabis 的路线图一直很清晰：AI 不应该只是聊天、画画、写代码，它应该帮助科学家更快、更准确地理解世界。

七、DeepMind 之后，AI for Science 进入"工作流时代"

AlphaFold 是一个里程碑，但它不是终点。它的成功模式有一个隐含前提：问题要足够明确，数据要足够充分。

蛋白质结构预测正好满足这两个条件：

  • 问题明确：给定氨基酸序列，预测三维结构
  • 数据充分：几十年的实验积累了大量已知结构

但科学研究中的大多数问题，并不这么"干净"。

比如药物研发：

  • 问题不是"这个分子能不能结合靶点"，而是"这个分子在人体内安不安全、有没有效、能不能量产"
  • 数据分散在文献、专利、临床试验、数据库里，格式各异
  • 需要跨学科团队（化学家、生物学家、毒理学家、临床医生）协作多年

这种场景下，单一模型再强也解决不了所有问题。需要的是一整套工作流：

  • 从海量文献中提取信息
  • 从多个数据库中调取数据
  • 用不同模型做预测和模拟
  • 自动验证和交叉核对
  • 保留完整记录以供审计
  • 多人/多 Agent 协作分工

这正是 Claude Science 试图做的事情。它不是说 Claude Opus 4.8 比 AlphaFold 更懂蛋白质，而是说：在复杂的科研流程中，一个会组织工作流的 AI，比一个只会答题的 AI 更有用。

八、从 AlphaFold 到 Claude Science：两条路径，一个目标

AlphaFold 和 Claude Science 都是 AI for Science，但它们的路径很不一样。

AlphaFold 是"专用模型"：

  • 针对一个特定问题（蛋白质结构预测）
  • 使用特定架构（Transformer + 进化特征 + 结构模块）
  • 需要大量领域知识和数据
  • 一个模型解决一个难题

Claude Science 是"通用工作流"：

  • 不针对单一问题，而是面向整个科研流程
  • 调用通用大模型（Claude Opus 4.8）的能力
  • 通过双 Agent 校验、数据库打通、可复现流水线、多任务分工来完成任务
  • 一套系统，可以服务多个科学领域

这两条路不是对立的，而是互补的。

AlphaFold 告诉我们：在数据充分、问题明确的领域，专用 AI 可以取得突破性的成果。

Claude Science 告诉我们：在问题模糊、流程复杂的领域，通用 AI 可以通过重新组织工作流，成为科学家的得力助手。

未来的 AI for Science，很可能是两者的结合：

  • 专用模型：负责计算、预测、模拟等专业任务
  • 通用工作流：负责调度、整合、推理、呈现、验证

九、为什么科学领域特别需要工作流？

科学研究有几个特点，决定了它不能只靠一个"更聪明的模型"：

第一，科学问题很少是单一问题。

一个生物学家不会问"蛋白质 A 的结构是什么？"，他问的是"蛋白质 A 在某种疾病中的作用是什么？它跟哪些分子相互作用？能不能成药？"这个问题需要调用蛋白质结构、基因表达、文献知识、化学性质等多个信息源。

第二，科学答案需要验证。

AI 给出一个答案，科学家不会直接相信。它必须能解释依据、展示推理过程、指向可验证的实验。工作流的价值就在于，把"结论"和"证据链"一起呈现出来。

第三，科学进步是迭代式的。

一次实验的结果，往往会引出新的问题。科研不是一问一答，而是"提出假设 → 实验 → 修正假设 → 再实验"的循环。工作流让这个循环可以被 AI 辅助加速。

第四，科学知识高度分散。

最新的发现可能发表在 2024 年的某篇论文里，也可能藏在 1980 年的某个实验数据里。科学家需要同时在大量文献和数据中穿梭。AI 工作流可以把这些碎片连接起来。

所以，Claude Science 选择从"工作流"入手，是有道理的。它不需要比所有生物学家都聪明，它只需要帮生物学家少浪费一点时间、少漏掉一篇论文、少走一条弯路。

八、中国在这方面的机会：不止是做更好的中文模型

AI for Science 给中国提供了一个不同的竞争维度。

过去几年，中国 AI 产业的注意力主要集中在：

  • 做大模型（Qwen、文心、Kimi、DeepSeek）
  • 做应用（豆包、元宝、各种 Agent）
  • 做芯片（昇腾、寒武纪）

这些当然重要。但 AI for Science 提醒我们，模型不是终点，科学发现才是。

中国有几方面的优势：

第一，数据优势。

中国的人口基数、疾病谱、农业需求、材料需求，产生了很多独特的科学问题。比如罕见病研究、中药现代化、新能源材料、农业育种。这些问题有独特的数据，也有独特的应用场景。

第二，工程落地能力。

DeepSeek 证明了中国团队在工程优化、成本控制和开源协作方面的能力。这种能力完全可以迁移到 AI for Science 领域：把昂贵的科学计算流程，变得更便宜、更易用。

第三，跨学科人才储备。

AI for Science 需要既懂 AI 又懂科学的人。中国每年培养的理工科学生数量巨大，如果能把这些人导向交叉领域，会产生巨大的潜力。

第四，产业需求。

从制药（AI 制药）到材料（AI 材料设计）到能源（AI 电池优化），中国有强烈的产业升级需求。AI for Science 可以直接服务这些需求，而不是只做"聊天工具"。

中国可以做的，不是复制 AlphaFold 或 Claude Science，而是找到自己有独特数据和需求的科学领域，用 AI 工作流重新做一遍。

九、结语：AI 的终极价值，是让人类更快地回答大问题

Claude Science 的发布，Anthropic 特意强调"不是新模型"，这其实是在重新定义 AI 的竞争维度。

大模型时代，我们经历了两个阶段：

第一阶段：比模型能力。

  • 谁的参数多？
  • 谁的 benchmark 分数高？
  • 谁的聊天更自然？

第二阶段：比工作流设计。

  • 谁能把模型的能力，嵌入到真实的任务流程中？
  • 谁能让 AI 不只是回答问题，而是完成复杂的长期任务？
  • 谁能让科学家、医生、工程师更愿意把 AI 当成合作伙伴？

Claude Science 属于第二阶段。它不需要一个无所不知的模型，它需要一个会科研流程的助手——会查文献、会调数据、会跑计算、会交叉验证、会留痕审计。

Hassabis 从创立 DeepMind 开始，就相信 AI 的终极价值是帮助人类理解世界。AlphaFold 是这一信念的第一次诺奖级证明。Claude Science 是同一信念在工作流层面的延续。

未来，我们可能会看到更多这样的产品：

  • AI 化学助手，帮助设计新分子
  • AI 材料助手，帮助发现新材料
  • AI 气候助手，帮助模拟地球系统
  • AI 天文助手，帮助筛选望远镜数据

它们不一定都叫 "Science"，但它们的共同点是：不是让 AI 代替科学家，而是让 AI 成为科学家的加速器。

正如 Hassabis 所说，AI 最伟大的应用，不是赢得游戏，而是帮助人类解决真正重要的问题。

返回文章列表