Anthropic建生物湿实验室：Claude从科研工作台走向真实实验闭环

核心进展：Anthropic确认运营生物湿实验室

据路透社报道，Anthropic已在旧金山湾区建立并运营生物学湿实验室。公司向媒体确认，该实验室可让其AI模型参与实体生物实验，并正在扩充生物学和生物化学团队。

这意味着Claude的科学应用开始从文献、数据库、代码和计算模拟，向试剂、细胞、蛋白质及实验仪器组成的物理环境延伸。

不过，现有公开信息并不支持“Anthropic已经建成完全自主的AI实验室”这一结论。实验仍需科学家监督，设备控制标准也处于研究预览阶段。更准确的描述是：Anthropic正在探索让AI进入实验设计、执行与反馈循环。

湿实验室为何是重要一步

湿实验室主要进行涉及液体、样品、生物材料和化学试剂的实体实验，与电脑中的计算分析或模拟相区别。

过去AI在生命科学中的典型任务包括：

• 阅读论文和检索数据库
• 分析基因与蛋白质序列
• 预测蛋白质结构和分子性质
• 生成候选分子或实验假设
• 编写和优化科学计算代码

这些能力可以缩小搜索空间，却不能替代真实验证。计算预测良好的蛋白质可能无法表达，分子模拟中的结合关系也可能无法在细胞环境中复现。

生物学最终必须面对温度、污染、试剂差异、设备漂移和样品状态等物理变量。AI进入湿实验室，正是为了把计算假设送入真实世界检验。

Anthropic的科学路线如何逐步推进

Claude Science整合科研数字工作流

2026年6月，Anthropic推出Claude Science，将科研人员常用的数据库、代码环境和科学工具整合到一个工作台中，并强调输出可审计的研究产物。

这一阶段的Claude主要工作在数字环境：搜索资料、分析数据、调用软件并整理结果。它能提高研究人员处理信息和计算任务的效率，但不能自己完成实体实验。

Claude参与蛋白质与化学研究

Anthropic随后展示Claude在蛋白质设计、分析化学和生物分子建模中的应用，包括优化科研代码与协助处理复杂科学流程。

这些案例表明通用模型有机会承担部分科研推理和软件工作，但模型提出的方案仍需仪器和实验人员验证。

MHS连接AI与物理设备

2026年8月27日，Anthropic发布Model Hardware Standard研究预览。MHS是一套让AI Agent安全发现、理解和操作物理设备的共享规范。

显微镜、机械臂、液体处理站和读板机通常拥有不同的软件接口。MHS希望在模型与设备之间建立统一描述层，让Agent能够了解设备能力、读取状态、调用动作并编排多个仪器。

它类似于物理设备领域的通用工具协议，但比普通软件API更强调安全限制，因为错误操作可能损坏样品、仪器或产生生物风险。

什么是“实验闭环”

科学研究通常不是一次预测，而是不断循环：

• 提出假设
• 设计实验
• 执行操作
• 读取数据
• 分析结果
• 修正假设
• 开始下一轮实验

Anthropic的长期方向，是让Claude参与上述多个环节。模型提出候选方案，经科学家审批后调用设备执行；仪器返回结果，模型再据此调整参数或下一轮方案。

如果这一流程能够可靠运行，AI的价值将从“帮助科学家想得更快”扩展到“提高实验验证频率”。科研瓶颈往往不是缺少假设，而是验证大量假设需要时间、人员和昂贵设备。

模型、标准、机器人和实验室如何分工

Claude负责推理与编排

模型可以理解研究目标、查阅资料、拆解步骤，并根据实验结果建议下一轮操作。

MHS负责设备语言统一

标准接口描述仪器有哪些能力、接受什么参数、返回哪些状态，让模型不必为每台设备学习完全不同的控制方式。

自动化设备负责精确执行

机械臂、液体处理器、显微镜和传感器执行移液、培养、成像和检测等动作。许多底层控制仍应由确定性软件完成，而不是让模型逐步自由操作。

科学家负责目标、边界与判断

专业人员需要批准高风险操作、处理异常、判断数据质量，并对研究结论负责。AI可以扩大探索规模，却不能取消科学责任。

为什么真实实验数据可能成为新壁垒

互联网文本、公开论文和生物数据库可以被多家公司使用，但实验失败、设备参数和特定条件下的生物反应往往没有完整公开。

如果AI持续参与实验，就能获得与自身决策直接关联的反馈数据：

• 哪个假设在真实环境中失败
• 哪类试剂条件改善表达量
• 哪些设备参数导致异常
• 计算预测与实验结果偏差多大
• 模型在什么情况下最容易误判

这些数据可以帮助改进模型、工作流和实验策略，形成“模型提出假设—实验产生反馈—系统继续优化”的循环。

因此，未来AI科学竞争可能不只比较模型参数和公开基准，还会比较谁能建立更高质量、更安全的实验反馈体系。

这和传统AI制药有什么不同

AI制药公司通常围绕靶点发现、分子设计和候选药物开发建立业务。Anthropic目前更像在探索通用科研基础设施，而不是公开宣布成为一家药企。

其布局覆盖：

• Claude Science：整合数字科研工具
• 通用模型：处理推理、代码和科学信息
• MHS：连接实验设备
• 湿实验室：产生真实实验反馈

如果这些层能够协同，Claude可能服务于蛋白质设计、化学、生物学等多类研究，而不只围绕一条药物管线。

但这仍是发展方向，不应把实验室建设直接解读为已经建立成熟商业产品或形成药物研发成果。

当前技术仍有哪些明显限制

物理世界包含大量隐性变量

液体可能起泡，试剂可能失效，细胞状态会变化，设备也会漂移。很多经验没有完整写进文档或软件。模型可能把物理操作失败误判为代码或参数问题。

实验结果需要可重复验证

单次成功不能构成可靠科学结论。系统必须记录试剂批次、设备状态、操作参数和数据处理过程，支持其他研究人员复现。

自动化不等于自主发现

机器人能够高频执行预设流程，但提出真正有价值的问题、识别异常现象和建立新理论仍需要科学家的深度参与。

成本与产出尚待证明

实体实验需要场地、仪器、耗材和专业人员。AI是否能显著降低研发周期和单位发现成本，需要长期项目数据验证。

生物安全必须覆盖完整执行链

当AI只生成文字时，错误主要表现为错误答案；当AI可以调用实验设备时，错误可能转化为真实物理后果。

生命科学还具有双重用途风险。用于蛋白质设计和病原机制研究的能力，在不当条件下也可能被滥用。因此安全控制不能只检查最终文本，而要覆盖模型、工具、设备和实验全链路。

最小权限

Agent只能访问完成当前任务所需的设备和参数，高风险实验应默认禁止自动执行。

人工审批

涉及敏感生物材料、不可逆操作或风险阈值的步骤，必须由具备资质的人员确认。

全程审计

系统应记录假设来源、模型建议、参数变化、设备调用和最终结果，以便复核和追责。

异常检测与安全停机

传感器异常、污染迹象和设备故障应触发中止，不能让模型自行解释后继续执行。

网络与设备隔离

实验设备控制环境应与通用互联网访问分离，防止提示注入或外部攻击直接影响物理操作。

对科研行业意味着什么

实验室软件将更标准化

不同设备之间的接口碎片化，是自动化实验室的重要障碍。MHS等标准若被广泛采用，可能降低跨设备编排成本。

科学家的工作重心可能改变

研究人员可能减少重复移液、数据整理和常规筛选，把更多时间投入问题设计、异常解释和结果判断。

实验能力可能成为AI公司的基础设施

过去大模型公司的核心资产是算力、人才和数据。进入科学领域后，自动化仪器、实验团队和真实反馈数据也可能成为竞争要素。

科研效率提升不等于减少监管

实验速度越快，审批、审计和风险评估越需要同步自动化。监管不能只在研究结果发布后介入，而应进入工具权限和实验设计阶段。

总结

Anthropic在湾区运营生物湿实验室，并通过Claude Science与MHS探索从数字科研工具到实体实验设备的连接。这标志着AI for Science开始从文献、代码和预测进一步进入实验验证环节。

它的潜力在于形成更高频的“假设—实验—反馈”循环，并积累公开数据库之外的真实实验数据。但当前系统远未成为完全自主的AI科学家，物理操作、科学复现和生物安全都要求专业人员持续监督。

真正值得关注的不是AI是否马上替代科学家，而是模型、机器人、仪器和科研人员开始组成新的实验系统。未来的竞争焦点，可能从谁能提出更多预测，转向谁能更安全、可靠地把预测送进真实世界验证。