Claude Science：科研提效神器登场
两年的活，如今几周干完。最近，Allen Institute的神经科学家Jérôme Lecoq和他的团队，把一篇长篇综述的写作时间，从将近2年压到了几周。Jérôme Lecoq手头上积攒了约10篇综述，不少超过100页，每一条引用都被一个智能体逐句核对过。帮他干活的，是Anthropic刚推出的新应用Claude Science。2026年6月30日，Anthropic发布Claude Science，定位为面向科学家的AI工作台。（图源：Anthropic官方博客）据Anthropic介绍，这套活儿过去这位科学家和他的团队要干两年。
革新科研工具链
Anthropic给Claude Science的定位，并非一个更聪明的科研模型，而是一个面向科学家的AI工作台。它真正的突破在于：第一次把科研这件事，拆成了一条能被逐步审计的流水线。如今，Claude Science已在macOS和Linux上开启beta，对Pro、Max、Team、Enterprise用户开放。
做过科研的人，都懂那种繁琐：一个项目要在几十个数据库之间来回跳，每个库都有自己的schema和查询语言；文件格式五花八门，每种都得现搭管线、现找查看器；手边还摆着一排工具，PubMed查文献，Jupyter跑代码，R做统计，集群终端提交任务……不停转场，真正用来思考科学问题的时间，经常被这些搬运、拼接、调试工作耗费殆尽。而Claude Science干的事，正是将这些碎片场景打包「收纳」进同一个执行环境：文献分析、多步计算、图表打磨、论文成稿，全部阶段在同一个环境里走完，不必再为换一个工具而中断思路。它能跑在本地的macOS或Linux上，也能通过SSH连到远程机器，或者挂在高性能计算（HPC）的登录节点上。就像平时用Jupyter那样，数据在哪，它就去哪。就连算力调度这块，它也包了。折叠一个蛋白质，或者在海量数据上跑一条基因组管线，这种大活过去要研究者亲自伺候，搭计算任务、排队等集群、盯着成功还是失败、再把结果拉回来，一来一回半天就没了。Claude Science把这套流程接管了：先起草计划，碰新资源前先问一声，写任务、提交任务之前都让能审查或撤销，把分析从1个GPU一路扩到数百个。Claude Science把一次8组scVI超参扫描派到实验室A100集群运行，右侧Notebook与智能体共用同一个实时内核，变量和状态实时同步。（图源：Anthropic官方博客）更重要的一点，敏感数据不离开原系统，只有每一步真正需要的上下文才会发给Claude。
每图自带可追溯代码
科研这行天生就跟图打交道，蛋白质三维结构、基因组浏览器轨道、化学结构式，这些本就是图。Claude Science顺着这一点，在出图、出稿的同时，把生成它们的代码一并交出来，还能把它们原生渲染出来。更关键的在可复现性（reproducibility）。每当Claude Science生成一张图，它都会把生成这张图的确切代码、运行环境、纯语言说明和完整对话历史，一并打包「钉」在图上。左侧一张跨138个物种的细胞图，右侧同屏挂着生成它的确切代码，圈注一句就能让智能体改图。每个结果都可复现、可追溯到代码。（图源：Anthropic官方博客）一篇论文从投稿到见刊，常常隔着大半年；几个月后，等审稿人要重跑某张图，就可以很轻松地把输入、过程、结果整条链当场复现出来。想改图？直接说话就行——「把网格线去掉」「纵轴换成对数」，智能体直接去改自己写的代码。还能在任意节点把会话fork出去，同时试两条思路，原来那条线程一点不乱。一句话，科研第一次被整合成一份可审计（auditable）的工作流，code、env、history都被放进一个闭环中。
双智能体协作模式
Claude Science背后，并非一个智能体在单打独斗。面对的是一个会统筹的协调智能体，它手里握着60多个为基因组、单细胞、蛋白质组、结构生物学、化学信息学预配好的技能和连接器。活一多，它自己就能派生出更多智能体来分工，也能随时调用亲手创建的专家智能体。最妙的是那个审查智能体（reviewer agent）。它专门核查引用和计算，揪出错误的引用、追不到出处的数字、对不上代码的图，发现了就标出来、自己改掉。在Allen Institute那个案例里，团队用的正是actor - critic配对，一个智能体负责写，另一个专门评它的准确性和引用真不真。这套结构，已经有点「AI内部同行评审」的雏形了。但有一条边界必须说清楚，全程是人在回路（human - in - the - loop）。在需要动用新资源前，它会先征求授权，每个决策都能复核、能撤销。它自动化的是流程，而并非自动替做科学发现。它还接了NVIDIA的BioNeMo Agent Toolkit，能原生连上Evo 2、Boltz - 2、OpenFold3这些生命科学模型。实验室自己信得过的模型、数据、管线，也能存成可复用的技能挂进来，往后的会话自动继承。
首落生命科学领域
Claude Science的第一个落点，选在了生命科学。基因组、单细胞、蛋白质组、结构生物学、化学信息学，开箱即用。它能读文献，能查询60 +科学数据库，UniProt、PDB、Ensembl、ClinVar、ChEMBL、GEO这些规格不一的库，不用再一个个去学着用。Claude Science为基因组、单细胞、蛋白质组、化学信息学预配好环境，背靠60 +科学数据库。（图源：Anthropic官方博客）
Manifold Bio做的是组织靶向药物。他们用Claude Science来提名最新实验的靶点，对每个组织和靶点，逐一评估表面表达、运输和安全性，再按公司从自有数据里学到的标准给候选排序。Manifold说，普通编程助手做不到这一点，Claude Science能端到端地干完，拿对数据，下对判断，还带着过往项目的上下文。还有更硬核的例子。UCSF脑瘤中心的一位流行病学副教授，用它做脑胶质瘤的分子流行病学研究，分析数千个微效种系（germline）变异如何叠加、塑造个体易感性。据Anthropic介绍，这套种系分析，Claude Science用了过去约1/10的时间就跑完了，他的团队还独立复核过结果，确认既快又稳。不过这些10倍提速的场景，目前只限定在综述写作、基因组分析、特定管线自动化上，并不等于「科研整体提速10倍」。与此同时，科研可信度的门槛，也在被重新定义。过去衡量一项研究靠不靠谱，要看同行评审，看能不能被别人复现。而可复现，长期是科研最大的痛点之一，代码丢了，环境变了，几个月后连作者自己都跑不出当初那张图。Claude Science每张图都有可追溯的代码，每个结果都连着它的环境和历史。可复现这道坎，它可能是第一个迈过去的。
生物科研赛道三巨头玩法各异
生物科研赛道，三巨头都在抢，只是玩法各自不同。Google押独门模型，OpenAI押模型的科研智商，Anthropic则押的是工作流。Google攥着AlphaFold、AlphaGenome这些别人没有的自家模型，直接下场。OpenAI走的是另一条线。今年4月它推出GPT - Rosalind，一个专为生物推理和药物发现打造的前沿模型。如今更进一步，开始练模型的「科研判断力」。它刚刚推出GeneBench - Pro，专测模型能不能像计算生物学家那样做判断：129道题，从基因组学、群体遗传一路铺到临床诊断，专测「数据撑不撑得起这个问题」「哪一步该推翻重来」的手感。最强的GPT - 5.6 Sol拿到28.7%，开Pro模式31.5%；几代前的GPT - 5还不到5%。OpenAI自己说，照这速度，年底就可能被刷爆。可再强的模型，也只解开不到三分之一。而解不开的那部分，恰恰是人类科学家的位置。GeneBench - Pro暴露的AI短板也很明显：模型能起个头，却收不拢最后那一环，比如该不该剔掉一批异常数据、假设被推翻后怎么改路子，这类判断还得科学家自己拍板。Claude Science也没有绕开这一点，方案交给人审、每个决定留给人撤，它自动化的是流程，判断权并非交给模型，人类始终在环。对Lecoq这样的科学家，一篇综述能不能复现、几个月后还站不站得住，本就比榜单上多零点几个百分点要紧。Claude Science赌的，正是让AI科研真正落进实验室的日常。你，准备好了吗？
