Anthropic建湿实验室，AI开始动手做实验

9 月 18 日，路透社披露，Anthropic 已在旧金山湾区建立生物湿实验室，开始把 Claude 接入真实生物实验。生命科学负责人 Eric Kauderer-Abrams 确认，生物学最终要在真实实验中接受检验，公司已自行完成部分实验，其余交给外部合作伙伴。知情人士称，Anthropic 正探索让 Claude 直接指挥实验室机器人单元，在有限人工介入下完成实验。

这并非简单跨界生物医药，而是补上 AI for Science 的现实短板：AI 提出设计的速度越来越快，真实世界验证设计的速度却没有同步提高。

AI 药物发现不是“模型算一下就能得到一款药”。模型能根据蛋白质结构、序列和已有数据快速生成大量候选蛋白或分子，但这些只是预测，能否结合靶点、结合强度、细胞有效性及完整生物体反应，都需真实实验验证。因此 AI 制药需要跑通“设计—构建—测试—学习”闭环。过去几年，AI 主要加速“设计”环节，可一次生成数百至数千候选序列，但实验端仍需 DNA 合成、蛋白表达、纯化、结合测试和细胞实验等物理流程。模型越快，速度差越明显。

今年 8 月，Anthropic 公布蛋白质设计实验：Claude Opus 4.8 和 Mythos Preview 针对 15 个靶点设计蛋白结合剂，由 Adaptyv Bio 和 Twist Bioscience 制造并独立湿实验验证。最终 Claude 在 15 个靶点中的 14 个上成功设计出能结合的蛋白，两个模型命中率分别为 22.6% 和 26.7%，高于传统蛋白设计项目约 10%—15% 的典型水平。更值得注意的是实验端成为新约束：Claude 可在几十小时内完成大量数字设计，但候选序列都需真实实验。若全部交给外部机构验证，成本、排期和数据回传周期会拉长。Twist 披露，其 AI 相关订单从 2025 财年约 2500 万美元增至 2026 财年约 5000 万美元，预计 2027 财年达约 1 亿美元。自建湿实验室可掌握关键实验能力，缩短反馈周期。

但拥有实验室不等于 AI 能真正控制实验。传统实验室仪器软件和通信接口各异，液体处理器、机械臂、显微镜和微孔板读取器难以天然组成统一系统，连接常需数周甚至数月定制。若 Claude 每次决策仍需研究人员手动搬运样本、设置参数，吞吐量仍取决于人的速度。

Anthropic 今年 8 月发布的 Model Hardware Standard（MHS）针对这一问题，可理解为让 AI 智能体控制物理设备的通用接口。显微镜、液体处理器、机械臂等可统一告诉模型自身状态、可执行操作及安全边界。早期测试中，MHS 已将部分设备集成时间从数周甚至数月缩短到数小时乃至数分钟。在基因泰克一项 BCA 蛋白质浓度实验中，Claude 同时协调液体处理器、机械臂和微孔板读取器，不仅执行步骤，还可根据结果调整参数，部分硬件异常时能自行诊断恢复。华盛顿大学 David Baker 和 Sudarshan Pinglay 实验室则用 MHS 连接分散设备，让 Claude Code 实时读取 qPCR 曲线、在关键节点暂停实验并协调机械臂和液体处理设备完成样品板转移，团队希望扩展到完整蛋白质设计闭环。

Anthropic 湿实验室值得关注之处在于，过去能力分散：Claude 思考，外部实验室验证，数据再回流。现在模型、科研软件、硬件控制协议和真实实验空间开始接入同一系统。若趋势延续，AI 制药竞争重点可能变化：不只比谁更快设计候选分子，还比谁能更快完成物理世界真实验证并用于下一轮迭代。不过，当模型直接进入实验流程，安全边界也须延伸到设备、材料和实际操作，科研效率与现实风险将同时成为下一阶段问题。