跳转到内容
NTLx's Blog

当 AI 开始做生物实验：Anthropic 为什么把生命科学当作第一战场？

看过 Anthropic 最新发布的 Claude Science 系列视频和官方发布资料后，一个极其强烈的信号扑面而来：在绝大多数 AI 公司还在消费级 Chatbot 和 Coding 赛道卷体验、卷价格的时候，Anthropic 已经把生命科学（Life Sciences）列为了自身最核心、最有益的终极落地场景。

从 Dario Amodei 与礼来（Eli Lilly）CIDO 的对话，到艾伯维（AbbVie）高管分享的真实临床文档自动化，再到 Claude Code 自动运行单细胞测序（10x Genomics）和 PubMed 检索，Anthropic 用一整套官方短片展示了他们对“AI 如何做科研”的底层理解。

看完这组资料，我最大的感受是：AI 进军生命科学，绝对不是为了在黑盒模型里凭空“一键变出新药”，而是用无谄媚的真实性引擎与开放的协议工具链，打通科研中无处不在的水泥缝隙。

一、防谄媚（Anti-Sycophancy）：科研级 AI 的第一生死线

Section titled “一、防谄媚（Anti-Sycophancy）：科研级 AI 的第一生死线”

Dario Amodei 在与礼来 CIDO Diogo Rau 的对话中抛出一个非常犀利的观点：消费级 AI 的商业模式天生依赖用户黏性，这就逼着模型去追求“谄媚”（Sycophancy）——用户说什么，AI 都顺着赞同，甚至用户提出一个荒谬的物理理论，AI 也会拍手称赞。

但这在生物医药和严谨科学研发中是致命的。

一个科学家提出某种化合物假设，如果 AI 为了迎合科学家而假装这个假设很有前景，药企可能随之投入数百万美元和数年时间，最终在临床阶段惨败。在科学探索里，最宝贵的永远是冷酷的客观真相（Ground Truth）。

这也是为什么 Anthropic 强调，为生命科学打造的模型必须摆脱 C 端消费级 AI 的评价体系。科学 AI 的核心指标不是“听起来有多顺耳”，而是准确度、推理严密性与拒绝幻觉的能力。它需要像一位严苛的 Peer Review 审稿人，而不是顺从用户的“谄媚小棉袄”。

二、从“拼贴代码”到“生态协作者”：为什么需要 MCP 与 Agent？

Section titled “二、从“拼贴代码”到“生态协作者”：为什么需要 MCP 与 Agent？”

很多人以为，AI 进军生物学就是训练一个“生物专用大模型”。但看完 Anthropic 生物团队负责人 Eric Kauderer-Abrams 和 Jonah Cool 的对话，你会发现他们走的是完全不同的路线。

科学研究是一个高度连续、多模态且跨系统的协同过程：

  • 在文献阶段，你需要查询 PubMed；
  • 在实验记录阶段，你需要对接 Benchling；
  • 在生信分析阶段，你需要运行 10x Genomics 的 Cell Ranger 或 Python scverse 套件；
  • 在论文和汇报阶段，你需要用 BioRender 绘制矢量通路图。

过去，科学家大量的精力都消耗在把这些系统拼贴在一起的“水泥缝隙”里。而 Anthropic 提出的解法，是用 同一天，OpenAI、Runway、Google 都选了 MCP——一个协议的临界点 提到的 MCP（Model Context Protocol）开放协议，把 Claude 变成穿梭在这些专业工具之间的智能 Agent。

在演示中，无论是分析单细胞 RNA 测序数据，还是对比体内实验的给药设计，Claude 都能直接通过接口读写 Benchling 笔记和 PubMed 论文，并在数分钟内起草出可供监管审阅的完整 Study Report。

正如在 当计划变成代码——Claude Code Dynamic Workflows 读后感 中所分析的，Claude Code 表面上叫“Code”，但其底层强大的长程多步骤工具调用（Long-horizon Tool Execution）能力，天然就是计算生物学家最需要的生信科研助手。

三、告别“局部爬山陷阱”：药企落地 AI 的生产关系重构

Section titled “三、告别“局部爬山陷阱”：药企落地 AI 的生产关系重构”

在艾伯维（AbbVie）的分享中，他们展示了已经落地的两个惊人案例：

  1. GenAIsys：为一线商业与销售团队提供智能拜访规划；
  2. GAIA：利用 LLM 自动化起草临床研究文档（如 NDA 新药申请和 PSUR 安全性报告），直接实现 40%–60% 的起草效率提升。

但 Dario 在与礼来的对话中给出了更深层次的警示：警惕“局部爬山（Hill-climbing）陷阱”。

很多企业在使用 AI 时，喜欢在现有的 20 步旧流程中，找出第 5 步或第 12 步做微小的 AI 替换。这种修修补补看似安全，实则是最大的风险。因为底层模型演进极其迅猛，如果不为“端到端全流程 AI 化”提前重构流程，等你花费两年时间把旧流程的小缝隙塞满 AI 时，新的模型已经具备了端到端解决问题的能力。到那时再重新调整，又将带来数年的部署时滞——而在生命科学领域，几年的延误就意味着无数患者错失救命药物。

四、理性看待边界：干实验的狂欢与湿实验的硬鸿沟

Section titled “四、理性看待边界：干实验的狂欢与湿实验的硬鸿沟”

当然，在看到这些令人振奋的进展时，我们也必须保持冷静的边界意识。

AI 在生命科学中的爆发，目前主要集中在“干实验”（Dry Lab）层面——即文本整理、合规文档撰写、数据清洗、代码生成和文献挖掘。而真正的“湿实验”（Wet Lab）——细胞培养、试剂反应、动物模型与物理试管操作，依然受限于物理世界的硬约束。

AI 无法直接代替物理实验的反应时间，但它可以把科学家从 70% 的行政打杂与代码调试中解放出来，让他们重新把注意力聚焦在最核心的假说设计与实验验证上。

同时，正如社区讨论所警惕的，工具门槛的降低不等于专业洞察的消失。如果缺乏深厚的生物学功底，直接依赖 AI 的输出，极易产生表面合规但生物学逻辑平庸的“塑料科研”。

正如 Dario Amodei 在《Machines of Loving Grace》中所展望的，如果能把 100 年的生物医学进步压缩到 10 年，这不仅是 AI 技术的胜利，更是人类科学范式的重大转型。而这一转型，正在从 Anthropic 把 Claude 培养成一个“严肃生物学家”开始落地。

你在自己的工作或研究中，是否也尝试过用 AI 辅助处理复杂数据分析或文档撰写？你认为 AI 解决科研缝隙的最大痛点在哪里？欢迎在评论区分享你的看法。

延伸阅读

Section titled “延伸阅读”

参考资料

Section titled “参考资料”