Claude Science几周干完两年活，10倍科研提速真来了？

两年才能做完的工作，现在几周就收工了。

最近，Allen Institute的神经科学家Jérôme Lecoq带着团队，把一篇长篇综述的写作时间，从将近两年直接压到了几周。他手头积了差不多十篇综述，很多都超过了100页，每一条引用都被一个智能体逐句核验过。帮他完成这一切的，正是Anthropic刚推出的新应用——Claude Science。

2026年6月30日，Anthropic发布Claude Science，定位为面向科学家的AI工作台。（图源：Anthropic官方博客）

这件事，放在以前，光这位科学家和他团队的时间投入，就得两年。

Anthropic给了Claude Science一个很明确的定位：它不是又一个更聪明的科研模型，而是一个面向科学家的AI工作台。真正的突破在于，它第一次把科研这件事拆成了一条可以被逐步审计的流水线。

目前，Claude Science已经在macOS和Linux上开放beta，对Pro、Max、Team、Enterprise用户都可用。

真正改变的，是整条科研工具链

做过科研的人都懂那种繁琐。

项目做到一半，要在几十个数据库之间来回跳转，每个库有自己的schema和查询语言；文件格式五花八门，每种都得现搭管线；手边摆着PubMed、Jupyter、R、集群终端，来回切换，思路断了一次又一次。真正用来思考科学问题的时间，不知不觉就被这些搬运、拼接、调试的工作耗光了。

Claude Science要做的，就是把这一大堆「碎片场景」全收进一个工作台里：文献分析、多步计算、图表打磨、论文成稿，所有阶段都在同一个环境里跑完。你不需要为了换个工具就中断思路。

它能跑在你的本地macOS或Linux上，也能通过SSH连到远程机器，或者挂在高性能计算（HPC）的登录节点上。就像平时用Jupyter一样，数据在哪，它就去哪。

就连算力调度这块，它也给包了。

折叠一个蛋白质，或者在海量数据上跑一条基因组管线——这种大活以前得研究者自己来：搭计算任务、排队等集群、盯着成功还是失败、再把结果拉回来，一来一回半天就没了。Claude Science把这套流程接管了：先起草计划，碰到新资源之前先问你一声，写任务、提交任务之前都让你能审查或撤销，分析可以从1个GPU一路扩到数百个。

Claude Science把一次8组scVI超参扫描派到实验室A100集群运行，右侧Notebook与智能体共用同一个实时内核，变量和状态实时同步。（图源：Anthropic官方博客）

更重要的一点是，敏感数据不会离开原系统，只有每一步真正需要的上下文才会发给Claude。

每一张图，都自带可追溯代码

科研这行天生就跟图打交道：蛋白质三维结构、基因组浏览器轨道、化学结构式，这些本就是图。Claude Science顺着这一点，在出图、出稿的同时，把生成它们的代码一并交出来，还能将它们原生渲染出来。

更关键的地方在于可复现性。

每当Claude Science生成一张图，它都会把生成这张图的确切代码、运行环境、纯语言说明和完整对话历史，一并打包「钉」在图上。

左侧一张跨138个物种的细胞图，右侧同屏挂着生成它的确切代码，圈注一句就能让智能体改图。每个结果都可复现、可追溯到代码。（图源：Anthropic官方博客）

一篇论文从投稿到见刊，常常隔着大半年。几个月后，如果审稿人让你重跑某张图，你可以很轻松地把输入、过程、结果整条链当场复现出来。

想改图？直接说话就行——「把网格线去掉」「纵轴换成对数」，智能体直接去改它自己写的代码。你还能在任意节点把会话fork出去，同时试两条思路，原来的线程一点不乱。

一句话，科研第一次被整合成一份可审计的工作流，code、env、history都被放进了一个闭环中。

一个智能体写，另一个专门挑错

Claude Science背后，并不是一个智能体在单打独斗。

你面对的是一个能统筹的协调智能体，它手里握着60多个为基因组、单细胞、蛋白质组、结构生物学、化学信息学预配好的技能和连接器。活一多，它自己就能派生出更多智能体来分工，也能随时调用你亲手创建的专家智能体。

最妙的要数那个审查智能体。

它专门核查引用和计算，揪出错误的引用、追不到出处的数字、对不上代码的图，发现了就标出来、自己改掉。

在Allen Institute的案例里，团队用的正是actor-critic配对，一个智能体负责写，另一个专门评它的准确性和引用的真实性。这套结构，已经有点「AI内部同行评审」的雏形了。

但有一条边界必须说清楚：全程是人在回路。在需要动用新资源前，它会先征求你的授权，每个决策你都能复核、能撤销。它自动化的是流程，并非自动替你做科学发现。

它还接入了NVIDIA的BioNeMo Agent Toolkit，能原生连上Evo 2、Boltz-2、OpenFold3这些生命科学模型。你自己的模型、数据、管线，也能存成可复用的技能挂进来，往后的会话自动继承。

Claude Science第一站是生命科学

Claude Science的第一个落点选在了生命科学。

基因组、单细胞、蛋白质组、结构生物学、化学信息学，开箱即用。它能读文献，能查询60+科学数据库——UniProt、PDB、Ensembl、ClinVar、ChEMBL、GEO这些规格不一的库，你不需要一个个去学着用。

Claude Science为基因组、单细胞、蛋白质组、化学信息学预配好环境，背靠60+科学数据库。（图源：Anthropic官方博客）

Manifold Bio是做组织靶向药物的。他们用Claude Science来提名最新实验的靶点，对每个组织和靶点逐一评估表面表达、运输和安全性，再按公司从自有数据里学到的标准给候选排序。Manifold说，普通编程助手做不到这点，Claude Science能端到端地干完，拿对数据，下对判断，还带着过往项目的上下文。

还有更硬核的例子。UCSF脑瘤中心的一位流行病学副教授，用它做脑胶质瘤的分子流行病学研究，分析数千个微效种系变异如何叠加、塑造个体易感性。

据Anthropic介绍，这套种系分析，Claude Science大约用了过去1/10的时间就跑完了，他的团队还独立复核过结果，确认既快又稳。

不过，这些10倍提速的场景，目前只限定在综述写作、基因组分析、特定管线自动化上，并不等于「科研整体提速10倍」。

与此同时，科研可信度的门槛，也在被重新定义。

过去衡量一项研究靠不靠谱，要看同行评审，看能不能被别人复现。而可复现，恰恰是长期以来的最大痛点之一：代码丢了，环境变了，几个月后连作者自己都跑不出当初那张图。Claude Science每张图都有可追溯的代码，每个结果都连着它的环境和历史。可复现这道坎，它可能是第一个迈过去的。

同一条赛道，三种玩家

生物科研赛道，三巨头都在抢，只是玩法各自不同。

Google押的是独门模型，OpenAI押的是模型的科研智商，而Anthropic押的则是工作流。

Google手里攥着AlphaFold、AlphaGenome这些别人没有的自家模型，直接下场。OpenAI走的是另一条线。今年4月推出GPT-Rosalind，一个专为生物推理和药物发现打造的前沿模型。如今更进一步，开始练模型的「科研判断力」。它刚刚推出的GeneBench-Pro，专门测试模型能不能像计算生物学家那样做判断——129道题，从基因组学、群体遗传一路铺到临床诊断，专测「数据撑不撑得起这个问题」「哪一步该推翻重来」的手感。

最强的GPT-5.6 Sol拿到28.7%，开Pro模式31.5%；几代前的GPT-5还不到5%。

OpenAI自己说，照这个速度，年底就可能被刷爆。

可再强的模型，也只解开不到三分之一。而解不开的那部分，恰恰是人类科学家的位置。

GeneBench-Pro暴露出的AI短板也很明显：模型能起个头，却收不拢最后那一环。比如该不该剔掉一批异常数据、假设被推翻后怎么改路子——这类判断，还得科学家自己拍板。

Claude Science也没有绕开这一点：方案交给人审、每个决定留给人撤，它自动化的是流程，判断权没有交给模型，人类始终在环。

对Lecoq这样的科学家来说，一篇综述能不能复现、几个月后还站不站得住，本就比榜单上多零点几个百分点要紧。Claude Science赌的，正是让AI科研真正落进实验室的日常。