Claude Science的真正野心：AI for Science不是模型竞赛，是工作流战争

Anthropic在同一天发布了Claude Sonnet 5和Claude Science。前者是个更好的模型，后者是个科学家的工作台。媒体把注意力放在了Sonnet 5上—— benchmark分数、agentic能力、定价策略。但真正的信号藏在后者里：Anthropic正在把赌注从"模型更聪明"转移到"场景更深"。

这不是一个产品发布的故事。这是一个关于AI产业竞争逻辑正在发生结构性变化的信号。

一、流行假设：AI for Science的胜负手是模型能力

过去半年，这个赛道上最热闹的两次发布都和"更聪明的模型"有关。

4月，OpenAI推出了GPT-Rosalind——一个专门为生物推理微调过的模型。它不是通用聊天机器人，而是"懂生物学"的AI。发布时门槛极高：只开放给经过资质审核的美国企业客户，Amgen、Moderna、Novo Nordisk这些制药巨头才有资格尝鲜。

Google DeepMind的牌更硬。AlphaFold预测蛋白质结构，AlphaGenome分析基因组——这些不是调用的工具，是DeepMind自己训练出来的基础模型。其他公司再强，也只能把这些模型当API来调用。

这两条路有一个共同的叙事：谁能做出更懂科学的AI，谁就能赢得科学家。

这个叙事如此自然，以至于几乎没有人质疑它。但Claude Science的发布，恰恰是对这个叙事的挑战。

二、拆解：科学家的真正痛点不是模型不够聪明

Anthropic在Claude Science的官方页面上写了一句话，值得逐字品味："Scientific research is often tedious."

科学研究常常是乏味的。不是因为它不够前沿，而是因为研究者要在几十个数据库之间来回切换，每个数据库有自己的数据格式和查询语言；要在PubMed、Jupyter、R、集群终端之间不断跳转；要手动把文献综述、实验数据、统计分析、图表绘制串成一条可复现的链。

这些碎片化的工具和工作流，才是吞噬科学家时间的主因。不是"我想不出假说"，而是"我要花三小时把数据从格式A转成格式B"。

现有的AI工具——ChatGPT、Perplexity、OpenAI的Deep Research——解决的是"我知道答案但找不到"的问题。它们在这个碎片化的工具堆栈上，加了一层聊天界面。但你还是得自己打开Jupyter、自己上传数据、自己把AI生成的内容复制粘贴到论文里。

Claude Science做的是另一件事：它不再试图做一个更聪明的对话层，而是试图成为科学家"无法绕开"的工作环境。

三、建框架：垂直平台的三层护城河

Claude Science的设计透露了Anthropic对"AI for Science"这个赛道的深层理解。我把这种理解总结为一个框架：垂直平台的三层护城河。

第一层：数据层——你连接了多少世界

Claude Science预配置了60多个科学数据库的连接器，覆盖基因组学、单细胞分析、蛋白质组学、结构生物学、化学信息学。从UniProt到PDB，从Ensembl到ChEMBL——这些不是通用的网页搜索能触及的深度数据源。

这层护城河的关键不在于"有没有数据"，而在于"数据之间的连接成本"。一个科学家单独去对接这些数据库，需要学习每个数据库的schema和查询语言。平台的价值在于把这些异构的数据源编织成一张网，让研究者用自然语言就能跨库检索。

第二层：工作流层——你覆盖了多少环节

Claude Science不是只做文献综述，也不是只做数据分析。它试图覆盖从"提出科学问题"到"发表成文"的完整链条：

• 文献分析和多步研究设计
• 代码执行和计算任务调度（从笔记本到HPC集群）
• 图表生成和迭代修改（支持自然语言指令编辑）
• 论文撰写和引用审核

更关键的是它的多Agent架构：一个协调Agent像项目经理一样分配任务，专业子Agent各司其职，还有一个专门的reviewer Agent检查引用和计算错误。这种设计不是让AI"更聪明地回答问题"，而是让AI"更像一个研究团队的组织方式"。

第三层：信任层——数据不出实验室，过程可追溯

这可能是Claude Science最被低估的设计选择。

它默认在实验室自己的基础设施上运行——笔记本、Linux工作站、HPC登录节点。敏感数据集不需要离开现有系统，只有分析步骤所需的上下文才会发送到Claude。在科学界，数据主权不是可选项，是底线。

同时，每一个输出都附带完整的审计轨迹：生成它的代码、运行环境、消息历史。几个月后你回来验证，不会面对一团黑箱。这比"AI生成了一张漂亮的图"重要得多——在科学出版中，可复现性比炫技更有价值。

四、推演：三种策略，三种终局

Claude Science的发布，把AI for Science的竞争格局从"谁更聪明"拉到了"谁更深入"。现在场上是三种完全不同的打法：

这三种策略没有绝对的对错，但它们指向了不同的终局。

OpenAI的窄门策略最适合高价值、高门槛的场景——制药公司的靶点发现、基因疗法设计。这些场景愿意为专门模型付高价，而且容错率极低。但这也意味着它的市场天花板是"能被审核通过的企业数量"。

Google的策略最稳固。 owning AlphaFold这种级别的科学基础设施，是别人无法复制的护城河。但Google的问题从来不在技术，而在产品化——它能把模型做得很好，但能不能做出科学家爱用的工具，历史记录并不乐观。

Anthropic的广覆盖+工作流策略，赌的是另一个方向：科学研究的民主化。不是只有顶级药企才能用AI做研究，而是让每个实验室、每个研究生都能在自己的工作流里无缝接入AI。这个策略的天花板更高，但前提是工作流整合要足够深、足够好用——否则科学家会回到熟悉的Jupyter+R的舒适区。

一个值得注意的对比数字：Allen Institute的神经科学家Jérôme Lecoq用Claude Science搭建了一个多Agent文献综述流水线，把原本需要两年的综述写作压缩到可管理的周期。UCSF脑肿瘤中心的Stephen Francis团队用它把胶质瘤的胚系分析速度提升了约10倍，而且结果经过独立验证。

这些案例的共同点是：AI没有替代科学家的判断，而是接管了工具链的碎片化和重复劳动，让科学家把精力集中在只有人类能做的部分——提出假说、设计实验、解释异常。

五、落到行动

Claude Science的发布是一个信号，但它对不同的人意味着不同的行动。

如果你是一名科研人员：

• 评估你当前工具链的碎片化程度。如果你每天花超过30%的时间在"切换工具、转换格式、拼接流程"上，一个整合式工作台可能值得尝试。
• 不要期待AI替你提出科学问题。AI的价值在于加速从"问题"到"答案"的路径，而不是替代你提出问题的能力。
• 关注可审计性。无论用不用Claude Science，你的分析流程都应该可被未来的自己（或审稿人）复现。

如果你是一名AI产品经理：

• 垂直场景的竞争逻辑正在从"模型能力"转向"工作流深度"。用户不付费给"更聪明的AI"，他们付费给"让我少开五个tab的工具"。
• 多Agent架构不是技术炫技，而是对真实协作模式的映射。一个项目经理+多个专家+一个质检员，这是人类团队了几百年的组织方式。
• 数据主权和可审计性在B端/科研场景中是刚需，不是可选项。

如果你关注AI产业投资：

• 模型层的差异化正在收窄。Sonnet 5和Opus 4.8的差距已经不大，GPT-5.x的更新节奏也在放缓。纯模型能力的溢价空间在压缩。
• 关注"工作流平台"类公司——不是做聊天的，而是做场景的。法律、金融、工程、科研，每个垂直领域都在重复同一个剧本：从"模型竞赛"走向"工作流战争"。

写在最后

Anthropic在同一天发布了两个产品。一个让模型更聪明，一个让科学家更方便。媒体的聚光灯打在了前者上，但产业的信号藏在后者里。

AI for Science的拐点已经到来。但这个拐点不是"AI终于能发Nature了"，而是"AI终于不再只是聊天了"。

真正的科学家不需要一个更会说话的AI。他们需要一个不让他们在PubMed和Jupyter之间来回切窗口的工作台。

Claude Science不是更聪明的模型。它是一个更聪明的赌注。

来源：Anthropic官方公告、TechCrunch报道、Allen Institute及UCSF研究团队案例