以开发大语言模型著称的 AI 公司 Anthropic，正将业务边界拓展至实体生物实验领域。据路透社披露，Anthropic 已在美国旧金山湾区建立内部生物实验室。公司生命科学负责人 Eric Kauderer-Abrams 证实了这一消息，强调生物学研究最终需通过真实实验验证结果，因此公司在保持外部合作的同时，开始在内部开展相关工作。
近期，Anthropic 公布了一项早期成果：约 950 个 Claude 智能体分析了超过 20 万条逆转录酶相关序列，发现一种具有类似 CRISPR 重复序列特征的新型酶系统。研究团队通过实验确认了该系统的部分特征，但其具体功能和应用价值仍有待进一步探索。
过去一年，Anthropic 陆续推出面向科学家的专用产品，与生物研究机构及药企建立合作，让 Claude 参与蛋白质设计、调用专业模型，甚至探索通过 AI 控制实验仪器。这一系列布局显示，Anthropic 的目标不止于提供 AI 科研工具，而是希望将 Claude 打造为连接科研数据、专业模型和实验流程的生命科学产业 AI 基础设施。
从科研工具到科研平台
生命科学研究虽不缺专业软件和特定 AI 模型，但工具间往往各自为战。以蛋白质设计为例，研究人员需自行决定模型选择、参数设置及候选筛选，数据、模型和实验之间存在大量人工协调工作。
Anthropic 切入该领域的初衷正是解决这一痛点。2025 年 10 月，公司推出 Claude for Life Sciences，实现与 Benchling、10x Genomics 等科研平台的连接，辅助处理数据和制定方案；随后推出的 Claude Science 则将科学数据库、专业模型和计算资源整合至统一工作台。与训练专用生物模型不同，Claude 的核心定位是根据需求调用合适工具并优化工作流程。
这种定位使 Anthropic 得以延伸至临床试验管理、监管申报等环节。为验证可靠性，公司与艾伦研究所、霍华德·休斯医学研究所（HHMI）等机构合作，推出 BioMysteryBench 评测体系，并通过实际蛋白质设计实验展示能力：在涉及 15 个靶点的研究中，Claude 协助设计的 1,320 条序列中有 354 条被证实能结合目标蛋白，整体命中率约 26.8%，其中 14 个靶点至少获得一种成功设计。
图 | Mythos Preview 和 Opus 4.8 在 15 个目标中实现了 20% 以上的命中率（来源：Anthropic）
尽管距离药物开发尚有距离，但这证明 Claude 能利用现有专业模型完成复杂任务并产出可验证结果。其核心价值在于成为连接分散数据、模型和工作流的共同入口，而非在细分领域替代专用模型。
从完成任务，到参与科学发现
在目标明确的蛋白质设计中，Claude 主要负责工具调度与候选筛选；而在更具探索性的基础生物学研究中，Anthropic 正尝试让 AI 参与发现值得研究的问题。为此，公司于今年春季组建了一支包含计算生物学、CRISPR 系统专家的独立研究团队，直接开展基础生物学研究。
新公布的 ART 酶系统研究即为典型案例。研究人员设定大致方向后，由约 950 个智能体并行分析超 20 万条序列。Claude 在一类逆转录酶基因附近发现了结构与 CRISPS 相似的规则排列 DNA 重复序列，命名为 ART（阵列相关逆转录酶）。后续实验确认这些序列能表达产生短 RNA，但具体生物学功能尚不明确。
图丨新型 RT 谱系的智能体发现（来源：Anthropic）
虽然研究方向由人类确定且结果需人工审查，但 Claude 的角色已从执行者转变为线索发现者。这也带来了新挑战：AI 可能在短时间内生成数百甚至数千份候选报告，远超实验室验证能力。因此，如何让 AI 学习科研人员判断线索价值的经验，成为关键课题。
此外，生物学研究与软件编程不同，验证周期长且依赖真实样本和设备。若实验验证滞后，AI 生成的海量候选将难以转化为实际价值。加速模型假设进入实验环节，成为 Anthropic 亟待解决的问题。
为什么 Anthropic 需要自己的实验室？
尽管可通过外部合作伙伴获取实验资源，但随着研究任务转向开放探索，固定流程的合作模式难以满足需求。未知生物系统的探索需要计算分析与实验人员密切配合，根据每次结果动态调整假设。
Eric Kauderer-Abrams 表示，建立内部实验室旨在加快研究推进并积累直接开展生物实验的经验，以便更深入了解 Claude 在真实科研环境中的表现与局限。公司仍将保留外部合作，根据任务性质灵活选择方式。
为实现计算与实验的高效衔接，Anthropic 还在两方面进行技术布局：
一是硬件标准化。公司与 HHMI 旗下 Janelia Research Campus 合作开发 Model Hardware Standard（MHS），通过统一接口让 AI 智能体连接显微镜、液体处理设备等仪器，减少集成障碍。
图 | 传统学术实验室、传统自动化实验室、MHS 实验室三种架构对比（来源：Anthropic）
二是降低计算成本。Anthropic 利用 Claude 优化了 30 多个开源生物分子模型，测试显示运行速度平均提升约 4 倍，有助于降低科研任务的资源门槛。
人才方面，Anthropic 收购了 Coefficient Bio 团队，AlphaFold 核心贡献者 John Jumper 也宣布加入，同时持续招聘计算生物学、实验生物学等领域专家。这些举措旨在增强自主研发能力，减少对外的经验依赖。
Kauderer-Abrams 强调，Anthropic 无意转型为传统制药企业或与生物技术公司直接竞争商业化临床试验。公司更关注罕见病、被忽视疾病等难点，倾向于通过 Claude 为科研机构和药企提供技术支持。自建实验室既是验证模型假设的手段，也是积累生物研究经验的途径，最终目的是让 Claude 成为支撑生命科学研发的基础设施。
参考链接：
https://www.reuters.com/world/anthropic-quietly-sets-up-biology-lab-it-ramps-ai-drug-program-2026-09-18/
https://www.anthropic.com/news/claude-for-life-sciences
https://www.anthropic.com/news/claude-science-ai-workbench
https://www.anthropic.com/research/Claude-accelerates-protein-design
https://www.anthropic.com/news/claude-discovers-novel-enzyme-system
注：封面/首图由 AI 辅助生成