Claude Science几周干完两年活，10倍科研提速真来了？

两年的活，如今几周干完。 最近，Allen Institute的一位神经科学家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。 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。 真正改变的，是整条科研工具链 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，你不必再为换一个工具而中断思路。 它能跑在你本地的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。 就像你平时用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，碰新资源前先问你一声，写任务、提交任务之前都让你能审查或撤销，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。 每一张图，都自带可追溯代码 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，等审稿人要你重跑某张图，你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。 你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。 一个智能体写，另一个专门挑错 Claude Science背后，并非一个智能体在单打独斗。 你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，也能随时调用你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，每个决策你都能复核、能撤销。它自动化的是流程，而并非自动替你做科学发现。 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。 你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。 Claude Science第一站是生命科学 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，你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。 同一条赛道，三种玩家 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。 参考资料： https://www.anthropic.com/news/claude-science-ai-workbench  https://openai.com/index/introducing-genebench-pro/  本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。