Claude Science助力科研10倍提速，几周完成两年工作量

过去需要两年才能完成的工作，如今只需短短几周便能收尾。

近日，艾伦研究所（Allen Institute）的神经科学家Jérôme Lecoq带领团队，将一篇长篇综述的撰写周期从将近两年大幅压缩至数周。他手头积压了大约十篇综述，许多篇幅超过100页，每一条引用都经智能体逐句验证。助力这一切实现的，正是Anthropic最新推出的应用——Claude Science。

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

若是放在过去，仅这位科学家及其团队的时间投入，就需耗费整整两年。

Anthropic为Claude Science设定了清晰的定位：它并非又一个更聪明的科研模型，而是一个专为科学家打造的AI工作台。真正的突破在于，它首次将科研流程拆解为一条可逐步审计的流水线。

目前，Claude Science已在macOS和Linux平台开放beta版本，对Pro、Max、Team、Enterprise用户均可使用。

真正变革的，是整条科研工具链

做过科研的人都深知其中的繁琐。

项目进行到一半，需在数十个数据库间来回切换，每个库都有独立的schema和查询语言；文件格式五花八门，每种都必须临时搭建处理管线；手边摆着PubMed、Jupyter、R、集群终端，反复切换导致思路一次次中断。真正用于思考科学问题的时间，不知不觉就被这些搬运、拼接和调试工作消耗殆尽。

Claude Science的目标，正是将这一大堆「碎片化场景」全部收进一个工作台：文献分析、多步计算、图表打磨、论文成稿，所有环节都在同一环境中完成。你无需因更换工具而打断思路。

它可运行在本地的macOS或Linux系统上，也可通过SSH连接远程机器，或挂载到高性能计算（HPC）的登录节点。就像使用Jupyter一样，数据在哪里，它就去哪里。

就连算力调度这块，它也一并包揽。

折叠一个蛋白质结构，或在海量数据上运行一条基因组分析管线——这类繁重任务过去需要研究者自行处理：搭建计算任务、排队等待集群资源、监控成功或失败、再把结果拉回本地，来回一趟半天就没了。Claude Science接管了整个流程：先起草计划，在调用新资源前征询你的意见，编写任务、提交任务之前都允许你审查或撤销，分析规模可从1个GPU扩展至数百个。

Claude Science将一次8组scVI超参扫描派发至实验室A100集群运行，右侧Notebook与智能体共享同一个实时内核，变量和状态实时同步。（图片来源：Anthropic官方博客）

更关键的是，敏感数据不会离开原系统，仅有每一步真正需要的上下文才会发送给Claude。

每一张图，都附带可追溯的代码

科研领域天然与图像紧密相关：蛋白质三维结构、基因组浏览器轨道、化学结构式，这些都是图形。Claude Science顺着这一特点，在生成图表和稿件的同时，一并交出生成它们的代码，并能原生渲染这些图像。

更重要的在于可复现性。

每当Claude Science生成一张图表，它都会将生成该图的确切代码、运行环境、自然语言说明以及完整对话历史，一并打包「钉」在图上。

左侧是一张跨越138个物种的细胞图，右侧同屏展示生成它的确切代码，圈注一句即可让智能体修改图表。每个结果都可复现、可追溯到代码。（图片来源：Anthropic官方博客）

一篇论文从投稿到正式发表，往往间隔大半年。几个月后，如果审稿人要求重新运行某张图，你可以轻松地将输入、过程、结果整条链路当场复现。

想要改图？直接说话即可——「去掉网格线」「纵轴改为对数」，智能体便会直接修改它自己编写的代码。你还可以在任意节点将会话fork出去，同时尝试两条思路，原线程完全不受干扰。

一句话总结：科研首次被整合为一份可审计的工作流，代码（code）、环境（env）、历史（history）全部被纳入闭环之中。

一个智能体负责撰写，另一个专门挑错

Claude Science背后，并非单个智能体在单打独斗。

你面对的是一个能统筹协调的主智能体，它手中掌握着60多个预配置的技能和连接器，覆盖基因组学、单细胞分析、蛋白质组学、结构生物学、化学信息学等领域。任务增多时，它自己便能衍生出更多智能体来分工协作，同时也可随时调用你亲手创建的专家智能体。

最巧妙的设计当属审查智能体。

它专门负责核查引用和计算，揪出错误的引用、无法溯源的数字、与代码不对应的图表，一旦发现便标记出来并自行修正。

在艾伦研究所的案例中，团队采用的正是一套actor-critic配对机制：一个智能体负责撰写，另一个专门评估其准确性和引用的真实性。这套结构已初具「AI内部同行评审」的雏形。

但有一条边界必须明确：全程保持人类参与。在需要调用新资源之前，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，而非自动替你做出科学发现。

它还接入了NVIDIA的BioNeMo Agent Toolkit，能原生连接Evo 2、Boltz-2、OpenFold3等生命科学模型。你自有的模型、数据和管线，也能保存为可复用的技能挂载进来，后续会话可自动继承。

Claude Science的首个落脚点是生命科学

Claude Science将第一个应用场景选在了生命科学领域。

基因组学、单细胞分析、蛋白质组学、结构生物学、化学信息学——开箱即用。它能读取文献，能查询60多个科学数据库——UniProt、PDB、Ensembl、ClinVar、ChEMBL、GEO等规格各异的数据库，你无需逐个学习如何使用。

Claude Science为基因组学、单细胞分析、蛋白质组学、化学信息学预配置好环境，背靠60多个科学数据库。（图片来源：Anthropic官方博客）

Manifold Bio是一家专注于组织靶向药物的公司。他们利用Claude Science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，再依据公司从自有数据中学习到的标准对候选靶点进行排序。Manifold表示，普通编程助手无法做到这一点，而Claude Science能够端到端地完成，获取正确的数据，做出准确的判断，同时保留过往项目的上下文。

还有更硬核的案例。加州大学旧金山分校（UCSF）脑瘤中心的一位流行病学副教授，用它开展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并塑造个体易感性。

据Anthropic介绍，这套种系分析，Claude Science大约只用了过去十分之一的时间就跑完了，团队还独立复核过结果，确认既快又稳。

不过，这些10倍提速的场景目前仅限于综述写作、基因组分析、特定管线自动化等方面，并不等同于「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。

过去衡量一项研究是否可靠，要看同行评审，看能否被他人复现。而「可复现」恰恰是长期以来的最大痛点之一：代码丢失、环境变化，几个月后连作者自己都跑不出当初的图表。Claude Science让每张图都附带可追溯的代码，每个结果都连接着它的环境和历史。在跨越可复现这道坎上，它或许是最先迈过去的工具。

同一条赛道，三种不同的玩家打法

在生物科研这条赛道上，三大巨头都在竞相布局，但玩法各有不同。

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

Google手里握有AlphaFold、AlphaGenome等别人没有的自研模型，直接下场。OpenAI走的是另一条路线：今年4月推出GPT-Rosalind——一个专为生物推理和药物开发打造的前沿模型。如今更进一步，开始训练模型的「科研判断力」。它刚刚推出的GeneBench-Pro，专门测试模型能否像计算生物学家那样做出判断——129道题，从基因组学、群体遗传学到临床诊断，重点考查「数据是否足以支撑这个结论」「哪一步该推翻重来」的直觉。

最强的GPT-5.6 Sol得分28.7%，开启Pro模式后达到31.5%；而几代前的GPT-5得分还不到5%。

OpenAI自己表示，按照这个速度，年底前这个基准就有可能被刷爆。

然而，再强的模型也只解开了不到三分之一的题目。而解不开的那部分，恰恰是人类科学家的用武之地。

GeneBench-Pro暴露出的AI短板也很明显：模型能够起一个好头，却收不拢最后一环。例如，是否应该剔除一批异常数据、假设被推翻后如何调整方向——这类判断仍然需要科学家自己拍板。

Claude Science也没有绕过这一点：方案交给人审，每个决定留给人撤销，它自动化的是流程，判断权没有交给模型，人类始终在回路中。

对Lecoq这样的科学家来说，一篇综述能否被复现、几个月后是否站得住，远比榜单上多出零点几个百分点更加重要。Claude Science赌的，正是让AI科研真正落地到实验室的日常之中。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Claude Science助力科研10倍提速，几周完成两年工作量要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题