Claude 进入药物研发:AI for Science 需要的是闭环,不是单次回答

Anthropic 在 10 月 27 日公开了 Claude 参与药物研发的阶段性进展。合作方覆盖抗体设计、蛋白质优化、制造文档审核、临床研究规划等多个环节。

这条消息最容易被读成“AI 能设计药物了”。但更准确的判断是:Claude 正在被放进一条长周期、多人协作、强合规的科研流程,而单次生成能力只是其中一环。

一、科研流程没有唯一的瓶颈

一个药物从靶点研究到临床试验,包含大量不同类型的任务:

  • 查找和验证靶点;
  • 设计并优化分子;
  • 评估可制造性;
  • 审核生产批次文档;
  • 起草监管材料;
  • 设计临床试验并评估成功率。

这些任务的瓶颈分别是知识、实验、数据、流程还是合规,并不相同。Anthropic 的策略不是做一个“通用科学家”,而是与不同机构一起进入具体项目。

二、案例里真正重要的是反馈回流

官方披露的几个案例,可以按闭环深度来看:

场景 AI 的角色 返回给模型的反馈
CAR-T 结构设计 提出缩短结构域方案 实验室构建与功能测试
食物过敏抗体 生成大量候选设计 结合与解离实验
抗体亲和力优化 连接实验室数据系统 变体测试结果
制造文档审核 比对上千页文档 人工复核问题
临床计划分析 基于敏感数据评估方案 专家判断与后续数据

重点不在模型一次生成多少候选,而在实验和专家反馈能否结构化回流,推动下一轮设计与判断。

没有这条闭环,所谓 AI for Science 更像高级搜索和文案工具;有了闭环,模型才可能参与真正的科学迭代。

三、人机边界比模型分数更重要

药物研发不是可以随意试错的软件环境。高风险动作必须等待专家确认,失败实验需要记录,数据需要分级,临床和患者信息需要更严格的权限。

因此这类 Agent 至少需要四条边界:

  1. 模型能读取哪些实验和患者数据;
  2. 模型能向哪些系统提交任务;
  3. 哪些建议必须由专家审批;
  4. 每一步建议、实验和结论如何追溯。

Anthropic 也明确说明,这些工作大多仍处于临床前阶段。案例里的效率提升不能等同于药物成功率提升。

四、对 AI 工程团队的启示

如果要把大模型接入科研或工业流程,我会优先做四件事:

  • 建立结构化实验数据回流,而不是只保存最终报告;
  • 为每次模型建议保存输入、依据、版本和审批记录;
  • 把失败实验当作训练和评估数据,而不是丢弃;
  • 让高风险动作经过确定性工作流,而不是只靠提示词拦截。

五、我的判断

AI for Science 的分水岭不会由一次 benchmark 决定,而取决于三件事:实验闭环能否稳定运行、专家审查成本能否下降、失败结果能否被系统吸收。

大模型公司提供的是推理与生成能力;真正决定科研价值的,是数据、实验、合规和人机协作组成的系统。对后端团队来说,这反而是一个清晰的机会:把复杂科研流程做成可执行、可审计的 Agent 工作流。

参考来源

说明:文中案例和效率数据来自 Anthropic 及合作方公开材料;这些结果尚未被本文独立复现,也不代表临床有效性。