共计 2216 个字符，预计需要花费 6 分钟才能阅读完成。
智东西
作者 | 陈骏达
编辑 | 云鹏
据智东西10月21日报道，Anthropic今日公布了一系列针对其AI模型Claude的升级方案，旨在增强Claude在生命科学领域的应用能力，以此推动科学的发展。该公司希望实现“100年的科学进展在10年内完成”的宏伟目标，显著加快生命科学的研发速度。
与此同时，Anthropic生命科学研究部的主管Jonah Cool及Eric Kauderer-Abrams在今天的播客中详细阐述了该公司对于将AI应用于生命科学研究的远景计划。未来，Anthropic希望Claude能够进化为一个“超人研究助手”，帮助科学家们在科研的各个环节中进行高效的工作。
此外，Anthropic还推出了Claude Code的网页版AI编程工具，用户可以通过浏览器直接进行编程任务的委托，无需依赖本地的终端环境，支持云端并行开发、实时进度跟踪以及安全的沙盒运行。这一举措大幅降低了Claude Code的使用门槛，或许能够惠及更多非编程背景的用户。
值得注意的是，备受瞩目的Claude Code现已超越了编程这一领域，作为“通用智能体”在生命科学领域得到了广泛应用。
根据Anthropic的说法，Claude Code能够直接用于撰写论文、有效完成文献综述以及智能管理研究项目等任务，从而简化本来耗时且复杂的流程。
之前，科学家和制药企业通常将Claude用于代码编写、论文摘要或销售支持等单一功能。Anthropic希望Claude能够支持生命科学领域的全流程，包括从早期研究到转化再到商业化，成为研究人员、临床协调员及法规事务经理等专业人士的重要助手。
为了实现此目标，Anthropic首先增强了其核心模型的底层能力。最新发布的数据表明，Claude Sonnet 4.5在多项生命科学基准测试中取得了优异的成绩，这是其首款经过系统科学训练的模型。
在Protocol QA测试中，Claude Sonnet 4.5的得分达到了0.83，超越了人类基线的0.79，且优于前一代Claude Sonnet 4的0.74。在生物信息学任务评估BixBench中，新模型相较于前代同样展现出显著进步。
在功能方面，Anthropic正从三个主要方向提升Claude的科学实用性：新增科学平台连接器、引入“智能体技能”以及提供生命科学专用的提示词库和专业支持。
集成科学工具生态
Anthropic新发布的多种连接器旨在使Claude能够直接访问并操作专业的科学工具与数据库，从而更深入地融入科研工作流。这些连接器种类繁多，基本涵盖了当前流行的科学工具和数据库（见下表）。
通过这些连接器，Claude能够提供可靠的科学问答，绘制符合规范的科研图表，并执行数据分析等任务。
Claude：迈向生命科学的新纪元
这些专为科学设计的连接器将与现有的通用工具（如Google Workspace、Microsoft系列产品）及数据分析平台（例如Databricks和Snowflake）形成互补关系。
引入“技能”以实现操作标准化
Anthropic最近推出的“智能体技能”功能被视为科学应用中的重要组成部分。这些技能是包含指令、脚本和资源的预设模块，能够确保Claude在执行特定任务时遵循既定流程，从而提升操作的一致性与可预测性。
该公司正在研发首批科学技能，例如基于scverse最佳实践的“single-cell-rna-qc”技能，旨在对单细胞RNA测序数据进行自动化的质量控制和筛选。同时，Anthropic也鼓励科学家根据自身需求设计自定义技能。
Claude在单细胞RNA序列数据的质量控制方面发挥着重要作用。
提供专属提示词库
根据Anthropic的说法，升级后的Claude现已能够支持多种生命科学相关任务。这包括进行文献综述、提出可验证的假设等基础研究活动，也可以借助Benchling连接器，起草研究计划和标准操作程序等文件，从而生成研究方案。
除此之外，Claude还具备处理更为复杂任务的能力，比如在Claude Code中分析基因组数据，并以多种格式展示结果，或协助撰写和审阅监管提交文件，汇总合规性数据。
为了帮助用户快速上手，Anthropic正在构建针对上述任务的专用提示词库。
据悉，已有许多现有客户和合作伙伴开始将Claude应用于真实世界的科学任务中。此外，该公司通过“AI for Science”计划，为从事高影响力科研项目的顶尖实验室提供免费的API积分支持，旨在推动前沿探索并发现Claude的新应用场景。
总结：在编程之后，Claude进军生命科学领域
继编程领域后，Anthropic又扩展到了生命科学这一垂直领域。Claude通过专业化和工具化的升级，展现了人工智能在特定领域深度融合的巨大潜力。
过去，生命科学已成为科学智能（AI for Science）的重要研究领域，但早期的AI工具更多地聚焦于某一特定环节。当大型模型能够理解实验协议、操作专业平台并遵循科研规范时，它们就有望超越简单的辅助工具，真正成为科研工作中的“同事”。
