AI公司的发布公告往往聚焦于新模型的性能数据。但Anthropic这次的公告中并没有新模型。公布的是两样东西：一个面向科学家的工作台，以及一个用于寻找候选药物的内部项目。这家公司比拼的不是原始智能，而是如何运用这种智能。这一组织层面的决策才是值得解读的重点。

01发生了什么——工作台与药物发现项目同步启动

2026年7月1日，Anthropic正式面向研究人员和制药行业推出“Claude Science”。TechCrunch称，这是一种不依靠新模型、而是在工作流程（=工作的流转方式）层面实现差异化的策略。与此同时，CNBC、Reuters和Endpoints News报道称，其已在生物制药领域启动内部药物研发项目。随后在7月4日，有报道称Anthropic正在考虑进军药物开发业务（The Verge）。短短几天内，两项举动并列出现：提供工具，以及作为直接参与者进入的可能性。其竞争对手OpenAI在同一时期发布了面向生物和科学领域的评估基准“GeneBench-Pro”（=衡量AI生物学能力的标尺），科学正成为下一个主要战场。

02背景故事——Insilico与Moderna铺就的道路

这一举动并非凭空而来。AI药物研发已经积累了一定的成绩记录。Insilico Medicine（公司名源自“in silico”（在计算机上））的Rentosertib是一种治疗特发性肺纤维化（IPF＝肺部逐渐硬化的难治性疾病）的药物，从靶点（＝体内药物作用的分子）的寻找到候选分子的设计，全部由AI完成。它已于2026年初通过IIa期（＝首次在患者中确认疗效的中期临床试验）。它被视为AI从搜索到设计全程参与并达到这一阶段的早期案例之一。目前正进入III期（＝批准前的大规模试验）的准备阶段。与此同时，Moderna自2024年起与OpenAI在全公司范围内合作，被认为是在内部全部业务中全面部署AI的早期案例。负责靶点搜索的AI，以及将AI融入整个企业运营的应用——这两股潮流构成了当前阶段的基础。

03数据显示我们身处何处，以及如何解读

AI药物研发已不再是个别的尝试。据称已有超过173个AI衍生候选药物进入临床试验（不过请注意，“AI衍生”的定义——即AI参与了流程的哪个阶段——并不一致）。据报道，早期I期（＝首次将药物用于人体的第一阶段试验）的通过率可达80–90%，超过了传统的约52%。尽管如此，这些数字仍需谨慎解读。用于统计的样本较小，且比较的阶段不同，结果也会有所变化。此外，药物研发真正的关卡并不在检验安全性的I期，而在检验有效性的II期。AI设计的分子在II期明显优于传统方法的实绩仍然有限，这一看法是合理的。较高的通过率不仅混杂了AI的设计能力，还混杂了倾向于选择已被验证靶点的保守的靶点选择。需要把AI特有的贡献从中剥离出来。技术基础确实有所扩展。AlphaFold3（由Google DeepMind和Isomorphic Labs开发的蛋白质结构预测AI）大幅加快了对药物与其靶点之间结合的预测。企业之间的合作方式也多种多样。既有Bayer × Cradle（一家AI公司）、Eli Lilly × NVIDIA等企业间合作，也有与合作性质不同的动向，例如Pfizer纳入了被描述为开源的结构预测模型Boltz。2025年，Recursion收购了Exscientia。但这次整合与其说是势头强劲的证据，不如说更像是在临床失败和融资困难之下的行业重组与救助。这也可以解读为AI药物研发难以作为独立业务维持下去的迹象。

04为何是现在 — 结构性压力与董事会的举措

制药行业正面临巨大压力。研发一种新药的成本在20年间已从10亿美元膨胀到20亿至30亿美元。此外，2025–2030年恰逢专利悬崖（=主力药物专利集中到期、销售额急剧下滑的时期）。成本不断上涨，顶梁柱却在流失。话虽如此，AI能够缩短的主要是药物发现和临床前阶段。研发成本的大头是大规模临床试验，而AI并不直接作用于此。它对总研发成本的直接影响应视为有限。时间轴上也存在错位。如今借助AI发现的候选药物，最早也要到下一个十年的后半段或更晚才能获批，并不能直接解救迫在眉睫的2025–2030年悬崖。期待的实质在于强化下一代管线（=在研药物群）。在这一点上，Anthropic自身的举动也与之重合。2026年4月，诺华CEO Vas Narasimhan（医生出身，参与研发了35种以上新药）成为Anthropic的董事会成员。任命主体是长期利益信托（LTBT=Anthropic自身的监督机构，优先考虑人类的长期利益而非股东利益）。该信托拥有提名董事会成员的权力，随着此次任命，由信托提名的一方在董事会中已超过半数。详细报道见之前的一篇报告（/journal/novartis-anthropic-board.html),但将药物研发参与者纳入治理架构核心,其意义不容小觑。

05如何解读Anthropic的战略

以下为解读。首先，Anthropic 似乎准备不靠新模型的性能，而靠工作流程来实现差异化。Claude Science 没有搭配新模型发布，很可能是决定在与研究现场的契合度上取胜，而不是在智能的绝对水平上取胜。通用模型往往最终与竞争对手不相上下，而紧贴研究工作的工作台会产生转换成本并增强用户黏性。其次，自有药物发现项目的启动可以解读为从工具提供者迈向药物发现参与者的一步。如果只出售工具，成果归客户所有，AI 的贡献程度也难以看出。通过自己产出候选药物，就能以自身的实绩展示 AI 能走多远。不过，药物开发业务本身只是被报道为“正在考虑中”。这也可以解读为 Anthropic 自己正在衡量与其制药客户竞争时应保持的距离。第三，LTBT 提名 Narasimhan 可视为从治理层面支持这一方向的铺垫。让一个将长期利益置于股东利益之上的信托机构，把有药物发现经验的人选安排进董事会，这种结构更便于将新药开发作为人类福祉而非短期销售来推进。关于整条产品线的设计理念，另请参阅此前的报道（/journal/claude-science-pharma-future.html)。

06对制药行业和一线的影响

展望未来，掌握AI的一方与掌握药物的一方之间的界限很可能会进一步消融。如果从合作走向直接参与的趋势持续推进，那么对制药公司而言，AI公司既是工具的卖方，也是潜在的竞争对手。在这一阶段，我认为制药方首先要提防的是几个现实问题。其一是IP（＝知识产权）的归属。AI生成的分子的权利归谁所有，用于训练的数据的主权如何处理，这些都是合同和制度仍不完善的领域。其二是监管机构的立场。FDA（美国食品药品监督管理局）和PMDA（日本药品医疗器械综合机构）将如何评估基于AI的研发，目前尚无定论。其三是随着AI公司成为竞争对手而出现的数据共享寒蝉效应。详细数据汇总在此前的报告中（/journal/ai-drug-discovery-2026.html)。这样的变化也会波及一线工作。在材料审核(即确认宣传材料是否符合法规的工作)中,对于如何核查AI参与过的证据数据和设计流程、以及可以记录到何种程度,需要做出新的判断。在医学部门(即负责提供医学信息的部门),向医疗专业人员准确传达AI衍生候选药物的作用机制和试验结果的责任将更加重大。在安全领域(即不良反应监测),对AI设计的药物是否会出现意料之外的表现,也将更加需要保持警觉。工具越智能,操作它的人所承担的验证责任并不会减轻,反而更重。我认为,这正是一线在新时代如何接纳AI药物研发的核心所在。