Anthropic在其官方研究博客上发布了一篇题为”Early progress on accelerating drug development with Claude”的长文，披露了其生命科学团队过去数月的工作成果：与BigHat Biosciences、Bristol Myers Squibb（BMS）、Divergence Labs、Enveda、Generate Biomedicines、The Column Group 6家机构建立深度研究合作，覆盖从模态工程到临床试验规划的药物研发全链条；同时收购了一家名为Mithril Medicine的公司，其创始人Cody Tranbarger使用Claude组织合同、物流和与11家外部实验室的实验，推进罕见儿童肌营养不良症的疗法开发。Anthropic明确表示，计划”scale this work up substantially from here”。

这篇文章的信息密度极高，但更值得拆解的是它背后的战略逻辑：一家大语言模型公司，为什么要亲自下场做药？它的6个合作案例分别验证了什么？”early progress”这个措辞背后，可验证性边界在哪里？

从单点突破到全流程嵌入：战略定位的根本转变

Anthropic并非首次涉足生命科学。但本次披露与此前工作之间存在质的差异。

此前的工作聚焦于蛋白质设计与分析化学等具体技术环节，属于”Claude能做什么”的能力展示。本次官方文章的框架完全不同——Anthropic在文中明确阐述了一个核心判断：药物研发的瓶颈是分布式的（”the bottlenecks are distributed all throughout the drug development process”），没有单一问题可以解决（”There is no single problem to solve”）。基于这一判断，Anthropic的策略是让AI”increasingly involved in all of these tasks”，即逐步介入所有环节。

这意味着Anthropic的生命科学战略已经从”展示模型在特定科学任务上的能力”转向”将模型嵌入药物研发的完整工作流”。官方文章列举了药物研发涉及的多样化任务清单：早期靶点研究、药物类型选择、分子设计与性质优化、规模化生产优化、监管申报文件撰写、临床试验设计与管理。Anthropic的6家合作方和自研项目，几乎逐一对应了这些环节。

这种”全流程嵌入”策略与当前AI制药行业的主流路径形成对比。大多数AI制药公司——无论是专注于分子生成、靶点发现还是临床试验优化——都选择在价值链的某一个或几个环节建立技术壁垒。Anthropic的做法是以通用大语言模型为底座，横向覆盖整条链。这既是其模型通用性的天然优势，也带来了一个根本性问题：在每个具体环节上，Claude的深度是否足够？

Anthropic在文中给出了部分答案，但也坦承了局限——它将整体工作定性为”early progress”，并承诺后续发布技术报告和预印本（technical reports and preprints）来描述其思路、方法和早期结果。

6家合作方的分工图谱：每个环节在验证什么

Anthropic选择的6家合作方并非随机组合。逐一拆解它们各自覆盖的研发阶段，可以看到一张精心设计的验证矩阵。

Generate Biomedicines：模态工程（modality engineering）。 Generate Biomedicines的合作聚焦于CAR T细胞疗法的改造。CAR T疗法历史上主要用于血液肿瘤；Generate的目标是对其进行重新工程化，使其能够治疗实体瘤。具体方法是缩短疗法遗传指令的一部分，为适应其他癌症类型的额外指令腾出空间。据Anthropic官方文章，6名Generate科学家使用Claude Code提出新设计方案，其中1个设计比标准版本短约70%，且在实验室测试中表现更优：免疫细胞产生的受体（用于识别癌细胞的蛋白质）数量约为原来的10倍，杀伤肿瘤细胞的效率更高，免疫细胞保持活性的时间更长。

需要指出的是，70%的序列压缩率和10倍的受体表达量提升均来自Anthropic官方博客的自报告数据，尚未经同行评审。这些数据的具体实验条件——包括细胞系、培养条件、对照基线——在博客文章中未详细披露，而体外实验条件的差异可能导致数量级的结果差异。即便数据在后续得到独立验证，从体外实验到临床应用之间仍有漫长的验证路径，包括动物实验和多期临床试验。

Divergence Labs：苗头化合物生成（hit generation）。 Divergence Labs的合作方向是食物过敏的新型治疗方案。食物过敏由IgE分子引发的反应触发，IgE一部分附着在免疫细胞上，一部分游离在血液中。现有药物主要中和血液中游离的IgE；Divergence Labs的策略是将IgE从免疫细胞上完全剥离，这需要设计一种具有两条”臂”的精确分子——一条紧密结合IgE，另一条帮助将IgE从免疫细胞上撬离。据Anthropic官方文章，Claude参与了Divergence Labs的这一分子设计过程。

这个案例验证的是Claude在苗头化合物生成阶段的能力——即在确定靶点和治疗策略后，设计具有目标功能的初始分子。双臂结构的设计涉及对蛋白质-蛋白质相互作用的精确理解，这对大语言模型的生物学推理能力提出了较高要求。

BigHat Biosciences：先导优化（lead optimization）。 据Anthropic官方文章，BigHat Biosciences的合作方向是先导优化，即利用AI结合自动化实验室对候选药物进行改进。先导优化是药物研发中将初始苗头化合物迭代为具有更优药效、选择性和安全性的候选分子的关键阶段。BigHat在这一环节的参与，验证的是Claude在分子迭代优化中的能力——这一过程通常需要大量的实验-反馈循环，AI的加速潜力在于缩短每轮迭代的决策时间。

Enveda：生产与申报文件（manufacturing and filings）。 Enveda的案例揭示了一个常被忽视的瓶颈。据Anthropic官方文章，Enveda的生产化学家高达75%的时间花在文书工作（documentation）上，而非核心科学研究。

这个数字需要展开理解。药物从实验室合成到规模化生产，涉及大量的工艺记录、批次报告、质量控制文件、监管申报材料。每一步化学反应的条件、每一批产品的检测数据、每一次工艺变更的理由，都需要详细记录并符合监管要求。这些工作高度重复、格式化要求严格、但又必须准确无误——恰好是大语言模型的优势区间。

需要说明的是，75%这一比例来自Anthropic对Enveda个案的描述，是否代表行业普遍状况尚无对比数据佐证。但即便这一比例在不同企业间存在差异，药物生产环节中文书工作占据大量专业人力时间，在行业内并非新鲜认知。如果Claude能够将这部分时间大幅压缩，其效果是将化学家的时间还给科学研究。这种加速的杠杆效应可能比分子设计本身更大，因为它直接释放了稀缺的专业人力资源。

Bristol Myers Squibb：临床试验规划（clinical trial planning）。 据Anthropic官方文章，BMS的合作方向是使用Claude评估早期临床药物方案、估计试验成功可能性。BMS作为全球排名前列的制药企业，其参与本身就是一个信号——它意味着Claude的能力至少在某些环节上已经通过了大型药企内部评估的门槛。临床试验规划是药物研发中资金消耗最大的阶段之一，试验方案设计的质量直接影响成功率和成本。AI在这一环节的价值，在于整合历史试验数据、识别潜在风险因素、优化患者入组标准等决策支持功能。

The Column Group：公司创建（company creation）。 The Column Group是一家专注于生命科学的风险投资机构。据Anthropic官方文章，其合作方向涉及公司创建。这意味着Claude正在被测试用于药物研发中最”非科学”的环节之一：从零开始构建一家生物技术公司的流程。

将这6家合作方的覆盖范围叠加，可以看到Anthropic试图构建的完整图景：从最上游的模态选择（Generate Biomedicines），到苗头化合物设计（Divergence Labs），到先导优化（BigHat Biosciences），到临床试验规划（BMS），到生产工艺和监管文件（Enveda），再到公司创建（The Column Group）。这不是6个独立的合作项目，而是一张覆盖药物研发全价值链的验证网络。

收购Mithril Medicine：1人公司、11家实验室与AI作为研发中枢的极限测试

在6家合作方之外，Anthropic还披露了一个更具战略意义的动作：收购Mithril Medicine，并启动自有的药物发现项目，聚焦罕见儿童肌营养不良症（rare childhood forms of muscular dystrophy）。

据Anthropic官方文章，Mithril Medicine的创始人Cody Tranbarger使用Claude组织合同、物流和与11家外部实验室的实验。Anthropic在描述自身罕见病项目时表示，Claude在其中承担了大量的科学和运营工作（”Claude handles much of the scientific and operational work”）。

这个案例的独特之处在于它的组织结构。1个人、1个AI模型、11家外部实验室——这种”超轻量核心+分布式执行”的研发模式，在传统药物研发中几乎不可能实现。协调11家外部实验室意味着管理11套不同的实验方案、时间表、数据格式、沟通协议和合同条款。对于一个人来说，这些协调工作的复杂度远超科学本身。

如果Claude确实能够有效承担这种协调角色——整合来自不同实验室的数据、跟踪实验进度、起草和审查实验方案、处理实验室之间的信息传递——那么它验证的就不仅是AI的科学能力，更是AI管理分布式科研的能力。这是一种完全不同的能力维度。

Anthropic收购Mithril Medicine而非仅仅将其作为合作方，传递了更强的信号。笔者判断，这一收购至少有3层逻辑：

第1层，获取一个已经在运行的、以Claude为核心的药物研发项目，作为内部能力建设的种子。第2层，将”AI驱动的1人药企”这一概念从外部案例转化为Anthropic自身的实践，增强叙事的可信度。第3层——Anthropic通过自研药物项目，可以在不受合作方保密协议限制的情况下，完整展示Claude在药物研发中的角色和贡献，为更广泛的行业推广提供参考案例。

Anthropic在官方文章中明确提到，这些项目的目标疾病包括食物过敏、罕见儿童疾病和多种癌症。选择罕见病作为自研方向也有策略考量：罕见病的患者群体小、现有治疗方案匮乏、监管审批路径相对明确（如FDA的孤儿药认定），且竞争对手较少。这使得AI驱动的研发模式更容易在合理时间内产出可验证的结果。

Anthropic的3层战略收益与”early progress”的可验证性边界

Anthropic在官方文章中明确阐述了这些工作服务于3个目标。

第1个目标：更好地理解模型在更广泛药物研发任务中的优势和局限，并据此优先改进模型（”we’ve already prioritized specific improvements to our models based on what we’ve learned so far”）。这意味着生命科学项目不仅是应用层的商业拓展，更是模型研发的反馈回路。药物研发中遇到的具体失败案例——比如Claude在某类分子设计上的偏差，或在解读特定类型实验数据时的不足——会直接转化为模型训练和架构改进的方向。

第2个目标：为更广泛的生命科学社区提供案例研究。Anthropic在文中明确表示，如果Claude要显著提高新疗法的产出速率，就需要与更多生物技术公司合作，并将Claude更深入地整合到它们的研发流程中。6家合作方的案例，是Anthropic向整个行业展示的”参考架构”。

第3个目标：直接产出有效的新药。Anthropic表示，如果这些项目的正向轨迹持续，其中一些可能会产出针对其目标疾病的有效新药（”We’re optimistic that some may result in effective new medicines for the diseases they target”）。

但这里需要清醒评估”early progress”的含金量。药物研发的失败率极高——从苗头化合物到获批上市药物，历史上绝大多数候选分子会在漫长的验证过程中被淘汰。Anthropic目前展示的最具体的定量结果来自Generate Biomedicines的合作：70%的序列压缩和10倍的受体表达提升。如前所述，这是体外实验数据，且为自报告结果，距离临床验证还有多个阶段。

Anthropic的措辞策略是审慎的。整篇文章没有使用”breakthrough”或”revolutionary”等词汇，始终保持”early progress”的定性。同时，承诺发布技术报告和预印本，这意味着其方法和结果将接受同行评审。这种”先做、再说、然后让别人验证”的路径，与一些AI制药公司”先发论文、再找合作、最后做实验”的路径形成对比。

据R&D World报道，Anthropic的S-1文件显示其研发预算已经与Eli Lilly相当。笔者判断，Anthropic选择在这个时间点发布这篇文章，与其IPO进程之间可能存在关联——展示生命科学领域的实质性进展，有助于向投资者证明其研发支出的多元化回报潜力。但需要指出，R&D World报道中”与Eli Lilly相当”的具体口径（是年度研发支出、累计投入还是其他统计维度）和双方的确切数字，笔者未能从已有资料中核实。这一对比的准确含义，有待Anthropic S-1文件的进一步披露来验证。

这也带来了一个张力：IPO叙事需要展示成果，而药物研发的诚实叙事要求承认不确定性。Anthropic在这篇文章中的措辞平衡，反映了对这一张力的自觉管理。

AI制药的路径分化：通用模型 vs. 专用平台

Anthropic的全流程嵌入策略，将其与当前AI制药行业的两类主要玩家区分开来。

一类是专用AI制药公司，它们通常围绕特定的技术能力（如蛋白质结构预测、分子生成、临床试验优化）建立垂直平台。这类公司的优势在于技术深度和领域专注，但覆盖范围有限。

另一类是大型科技公司的生命科学部门（如Google DeepMind的AlphaFold团队），它们拥有强大的计算资源和基础模型能力，但通常以发布开源工具或学术论文的方式参与，较少直接介入药物研发的商业流程。

Anthropic正在走第3条路：以通用大语言模型为核心，通过深度合作和自研项目，直接参与药物研发的商业实践。这条路径的优势在于覆盖面广——从分子设计到文书处理到实验室协调，Claude的通用能力可以在多个环节同时发挥作用。其风险在于，在任何单一环节上，通用模型可能不如专用系统。

但Enveda案例揭示的75%文书时间数据（即便仅为个案），暗示了一个重要方向：药物研发中大量的瓶颈环节，其技术难度并不高，但消耗的人力资源巨大。对于这些环节，通用大语言模型的”足够好”可能已经足以产生显著的加速效果。AI制药的最大价值，可能在于用AI消除人类不得不做但不应该花那么多时间去做的工作。

笔者判断，若这一逻辑成立，CRO（合同研究组织）行业可能会受到影响。CRO的核心商业模式是为药企提供外包的研发服务——从临床前研究到临床试验管理到监管申报。如果Claude能够大幅压缩文书、协调和项目管理的时间成本，那么CRO行业中依赖人力密集型服务的部分业务线可能面临压力。当然，CRO行业自身也在推进AI化，这一竞争格局的演变取决于多方的技术进展速度。

“Scale this work up substantially”意味着什么

Anthropic在官方文章末尾的表态值得仔细解读：”We plan to scale this work up substantially from here。”

结合已披露的信息，”大幅扩展”至少包含3个维度：

第1个维度是合作方数量的扩展。目前是6家机构，覆盖了药物研发的主要环节。但要实现Anthropic所说的”显著提高新疗法产出速率”，需要与数十甚至数百家生物技术公司建立类似的深度合作。这将需要Anthropic的生命科学团队大幅扩编，或者开发出更标准化的合作模式，使得Claude的嵌入不再依赖于逐个定制。

第2个维度是自研项目的扩展。Mithril Medicine的收购和罕见病项目的启动，表明Anthropic不满足于工具提供商的角色。笔者推测，如果罕见病项目取得积极进展，Anthropic可能会在更多疾病领域启动自研管线。若这一方向持续推进，Anthropic将从”AI公司”向”AI驱动的制药公司”方向演进——一个前所未有的混合体。

第3个维度是模型能力的定向提升。Anthropic已经表示，基于合作中发现的具体局限，已优先安排了模型改进。这意味着未来版本的Claude可能会针对药物研发场景进行专门优化——无论是在化学推理、实验数据解读、监管文件格式遵循，还是在多方协调等方面。

若将这3个维度叠加，可以设想一个场景：Anthropic在未来2到3年内，构建出一个以Claude为核心的药物研发平台，上游连接数十家合作药企和CRO，下游运营自己的药物管线，中间层通过持续的模型迭代不断提升每个环节的效率。

但这一愿景面临的最大挑战不是技术，而是时间。药物研发的周期以年计算，临床试验阶段本身就相当漫长。即使Claude能够将某些环节的效率提升数倍，整体时间线的压缩幅度仍然受到生物学本身的约束——细胞生长需要时间，动物实验需要时间，人体临床试验更需要时间。AI可以加速思考和文书，但无法加速生物过程。

Anthropic选择在当前阶段发布这篇文章，用”early progress”的审慎措辞框定预期，同时用6家合作方的具体案例和可量化的早期数据提供实质性内容，再用技术报告和预印本的承诺为后续验证铺路。这是一个经过设计的披露策略——既不过度承诺，也不回避具体结果。

对于整个AI制药行业而言，Anthropic的这次披露提出了一个需要持续追踪的核心问题：当一家据报道拥有与大型药企相当研发预算的AI公司开始亲自做药，而不仅仅是为做药的人提供工具时，药物研发的组织形态、价值分配和竞争格局将如何重构？这个问题的答案，取决于Anthropic的”early progress”能否在未来数年内转化为通过临床验证的实际疗法。

主题分类：企业AI落地

参考资料

  1. Early progress on accelerating drug development with Claude — Anthropic, 2026-10-27
  2. Anthropic’s R&D budget rivals Eli Lilly’s, S-1 shows — R&D World, 2026-10-26
  3. Anthropic Reports Early Drug Development Progress With Claude — Unite.AI, 2026-10-27
  4. The Column Group — 2025-11-06
  5. Using AI for scientific discovery — Google DeepMind — 2020-01-15