Anthropic已经公布了克劳德在活生生科学研究工作流程中运行的早期证据,使讨论超越了对AI辅助科学的通称.
其2026年1月15日的报告描述了克洛德在斯坦福和麻省理工学院实验室的部署情况,克洛德一直用于数据重度分析,实验设计和假说生成.
研究结果很有希望,但最好理解为实验室规模使用的案例研究,而不是AI能够独立进行科学研究的证据.
这部作品以克洛德生命科学(Claude for Life Sciences)为中心,Anthropic说扩展的能力套件包括改进了Opus 4.5,进入了60多个数据库,以及基因组学,蛋白质组学和化学信息学工具包.
在Anthropic关于加速科学研究的官方报告中,公司列举了几个研究小组在现有科学进程中利用克洛德的例子.
重要的发展不仅仅是研究人员问了一个通用模型的科学问题。
所报告的部署将克洛德与结构化的科学资源和具体实验室的工作流程相连接,科学家可以根据实验背景、域知识以及在某些情况下计划进行的验证工作评估其产出。
这使得报告与评估AI能够减少分析摩擦而又不会取代人类科学判断的研究组织相关.
Anthropic的实验室案例研究显示,案例研究涵盖了研究过程中的不同点.
它们共同说明克劳德可能有用的领域:组织和解释复杂的证据,提出可供研究人员评估的备选办法,并加快本来需要大量人工努力的工作。
在斯坦福的Biomni项目上,研究人员在基因组和数据重的工作流程中使用了克洛德.
Anthropic报告说,早期的试验包括分子克隆设计和跨大型多源数据集的分析.
实验室列举了在几分钟内而不是几周内完成的任务的例子,以及成功的设计结果。
这些数字应被理解为具体工作流程的实例,而不是科学生产力的普遍基准。
审定、实验执行和同行审查所需的时间与产生分析或设计所需的时间仍然不同。
麻省理工学院的"芝士曼实验室"(Ceeseman Lab)描述了MozzareLM,一个克洛德动力系统,旨在解释大规模基因淘汰数据.
该系统旨在提供内容丰富的推理和信心指标,而不是一个赤裸裸的答案。
在一个RNA路径识别设想中,实验室报告说克洛德的性能超过了替代品.
Anthropic的汇总并没有提供完整的跨模型基准方法或命名替代方法,因此结果无法建立一般性能排名.
然而,它确实表明,研究人员正在对照确定的生物问题测试模型输出。
斯坦福的伦德伯格实验室利用克洛德来帮助围绕基因目标产生假说,包括初级Cilia相关研究.
该小组计划一个基因组屏幕,将克洛德的预测与人类专家的预测进行比较.
计划中的比较特别重要,因为它将模型产生的假设视为结构化评价的候选条件,而不是其本身的结论。
研究小组报告克洛德使用报告的结果或下一步Biomni、斯坦福基因组和数据重力分析,包括早期分子克隆设计试验 数分钟而不是数周内完成的任务实例和成功设计结果 Cheeseman Lab、麻省理工学院MozzareLLM对大规模基因淘汰数据的解释 环境丰富的推理、信心指标,以及一个RNA路径假设 Lundberg Lab、Stanford Hypothesis生成基因目标 计划基因组屏幕将克洛德预测与人类专家结果进行比较的优势 这些例子表明了AI在科学团队中的三个实际用途: 加速证据综合ac