AI大厂进军生命科学：三条路径，一个共识

AI公司的战场，正在从办公室转向实验室

过去几个月，Anthropic、OpenAI和谷歌不约而同地将生命科学置于战略核心。它们没有选择同一赛道，却共同指向一个事实：AI正从辅助工具，升级为科研流程的结构性参与者。

Claude Science：把科研工作流装进一个工作台

Anthropic推出的Claude Science，并非凭空而来。它建立在长期积累之上：从2025年5月启动的AI for Science Program，到同年10月接入Benchling、BioRender、PubMed等科研工具的Claude for Life Sciences，再到今年1月扩展至ClinicalTrials.gov、ChEMBL、medRxiv等临床与药物数据库——Claude早已悄然嵌入药企与研究机构的实际工作流。 Novo Nordisk用它自动生成监管级临床报告；Genmab部署Claude驱动的agent处理临床数据；百时美施贵宝（Bristol Myers Squibb）更将其部署至超三万名员工，覆盖研发、制造、医学事务全环节。 Claude Science的关键突破，在于整合。它不再只是调用工具的“助手”，而是统一入口：可读取并迭代Python/R/Shell脚本，支持持久化内核；可在本地、HPC或云环境运行，通过SSH管理集群任务；内置科学渲染器，直接查看蛋白3D结构、基因组轨道、化学分子式；所有图表、表格、notebook均附带生成代码、运行环境与对话历史，确保每一步可追溯、可复现。 Anthropic还预配置了基因组学、单细胞、蛋白质组学等主流方向，连接60多个专业数据库与开源模型。它不做孤立功能，而是把查文献、跑分析、画图、写草稿、存记录全部收束进同一个闭环。 更值得注意的是，Anthropic已开始建设自有湿实验室，招聘生物学家，明确聚焦“被忽视疾病”领域——它不再满足于提供工具，而是亲自验证药物发现的上游流程。

OpenAI：以推理中枢重构科研认知链

OpenAI走的是另一条路：不建管线，不碰实验，而是锻造一个能理解生命科学复杂性的推理中枢。 GPT-Rosalind是它的第一块基石。这个专为生物学、药物发现与转化医学优化的模型，强化了对化学性质、蛋白工程、基因组数据的理解能力，并深度集成工具调用机制。它不是泛泛而谈的通用模型，而是能在真实科研语境中识别假设、权衡证据、衔接多源信息的合作者。 随后，OpenAI将GPT-5.5的agentic coding能力注入其中，使模型能自主排错、调试湿实验协议、优化定量生物学分析流程。它还在同步构建评估体系：LifeSciBench覆盖证据处理、科学推理、结果验证等六大科研工作流；GeneBench-Pro则进一步下沉至基因组学真实任务，测试模型在模糊数据、多阶段判断中的决策可靠性。 OpenAI的逻辑清晰：先定义能力边界，再交付可衡量的价值。它不承诺“发现新靶点”，而是让科学家在已有知识体系中，更快定位关键问题、更准评估潜在路径、更稳推进推理链条。

谷歌：从结构突破走向药物管线

谷歌的路径最重根基。AlphaFold 2曾重塑结构生物学范式，其开放数据库成为全球数万实验室的基础设施；AlphaFold 3则迈出关键一步——预测蛋白质与DNA、RNA、小分子间的相互作用，直指药物设计的核心命题：分子如何精准结合靶点。 这一能力催生了Isomorphic Labs——一家脱胎于DeepMind、专注AI驱动药物设计的实体公司。它并非技术展示窗口，而是真正承接管线的制药主体。据公开信息，Isomorphic Labs已完成21亿美元融资，目标是在2026年底前推动首批候选药物进入临床试验。 谷歌的节奏沉稳：先解决基础科学问题，再延伸至分子层面，最终落地为可申报的临床前项目。它的优势不在速度，而在纵深——当其他公司还在搭建工作流时，它已开始构建从计算预测到人体验证的完整闭环。

真正的壁垒，不在模型，而在闭环

三家路径不同，但指向同一现实：AI无法替代验证，只能加速筛选。 模型可以几周内完成千万级分子初筛，但一个靶点是否有效，仍需细胞实验、动物模型、三期临床逐一确认；它可以自动生成论文草稿，但结论是否成立，终究取决于实验数据能否复现。 因此，决定AI能否真正改变药物研发的，从来不是谁的参数量更大，而是谁能打通“模型预测—湿实验验证—临床反馈—数据回流”的闭环。 大型制药公司恰恰掌握着最稀缺的三类资产：第一是专有数据——多年积累的未发表失败实验、毒性谱、患者响应记录，这些沉默的数据比公开文献更具训练价值；第二是实验能力——只有真实世界的试管、细胞与动物，才能检验模型的猜想；第三是临床执行能力——从全球患者招募、监管申报到商业化落地，每一步都依赖药企多年沉淀的体系。 AI模型公司提供能力，AI制药公司输出候选分子，而最终将分子转化为药品的，仍是那些拥有数据、实验与临床纵深的大型药企。

未来已来，但时间表由生物学决定

AI已经让寻找答案变得更快。但它无法改写生物学的时间尺度。 模型半年一迭代，药物十年一上市。这种错位既是挑战，也是锚点：它提醒所有人，技术狂奔的同时，必须尊重科学本身的节律。 当工作台、推理中枢与药物引擎各自就位，真正的竞赛才刚刚开始——不是比谁最先发布模型，而是比谁最先建成那个不可替代的闭环：数据够深、实验够实、临床够快。 那才是AI真正扎根生命科学的时刻。