2026年8月23日，Forbes科技专栏作家Jon Markman报道了一个令人停下来反复阅读的实验结果。

Anthropic让Claude处理了一个真实的药物发现任务：针对16个不同的疾病靶点，自主设计蛋白质结合体（protein binders），然后委托两家独立的实验室进行实体合成和测试。

结果是：在1,320个设计中，整体结合成功率达到27%；在Claude排名第一的设计类别中，成功率达到49%。在RBX1这个特定的癌症相关靶点上，Claude最优方案的结合亲和力，是此前人类竞赛冠军设计方案的约10倍。

需要特别说明的是：这些设计使用的软件工具全部是开源免费的；Claude完成设计任务所需的计算成本，远低于传统计算生物学流程；主要的成本瓶颈，现在集中在实验室的物理合成和验证环节。

这个实验结果发布在Claude Science平台推出约两个月后。Claude Science于2026年6月30日由Anthropic正式发布，定位为一个面向计算研究的AI工作台，包含超过60个精选的研究技能和连接器，支持基因组学和药物发现领域的计算研究。

蛋白质设计测试的结果，是这个新平台能力的第一次大规模公开验证。

一、这个实验做了什么：技术细节解读

要理解这个结果的意义，首先需要理解”蛋白质结合体设计”是一个什么级别的任务。

蛋白质结合体是一类专门设计用来与特定目标蛋白质（通常是疾病相关的）结合的蛋白质分子。当一个结合体能够准确识别并结合到目标蛋白质的特定位点上，就可能干扰疾病相关蛋白质的功能，从而实现治疗效果。这是现代生物制药领域的核心技术方向之一，抗体药物、小蛋白药物等都属于这个大类。

蛋白质结合体设计的难点在于：蛋白质的三维结构空间极其复杂，小分子结合体的形状、电荷分布和化学性质需要与目标蛋白质的结合位点高度匹配，传统的计算设计需要大量专业知识和反复迭代的建模工作。

Anthropic让Claude处理的16个疾病靶点，覆盖了癌症、炎症和其他主要疾病类别。Claude使用开源的蛋白质设计工具（ProteinMPNN、RFdiffusion等）和Anthropic为Claude Science提供的计算研究框架，自主设计了每个靶点的多个候选蛋白质结合体方案，并对每个设计方案进行了质量评分和排序。

两家独立实验室随后对这些设计方案进行了实体合成和实验验证——这意味着需要在实验室中真正合成这些蛋白质分子，并在生化实验中测量它们与目标蛋白质的实际结合能力。

整体27%的命中率，意味着在Claude设计的1,320个蛋白质结合体中，约357个在实验室中被证明能够与目标蛋白质成功结合。在Claude的”最优设计”（每个靶点排名第一的设计方案）中，成功率进一步提升到49%。

二、与之前报道的关系：这是新结果还是旧数据的重新报道

有一个值得厘清的背景问题：这是否与2026年8月20日前后报道的”Claude 23分钟完成实验室数天任务”是同一个实验？

根据Forbes 8月23日报道的具体数字（1,320个蛋白质结合体、27%总命中率、49%最优设计命中率、RBX1 10倍结合力），与8月20日前后报道的Claude蛋白质设计早期结果（22%命中率、”23分钟完成”的速度角度）存在数字差异。

最合理的解读是：这是同一个Anthropic研究项目的不同报道阶段。Forbes 8月23日文章是在拿到了更完整的实验验证数据（来自两家独立实验室的综合结果）后发布的深度报道，包含了比早期报道更详细和更全面的验证数字。

这个区别很重要：更详细的实验验证数据（特别是RBX1靶点10倍结合力的结果）是此次报道的新增量，而不是对之前结果的简单重复。

三、27%命中率意味着什么：与传统方法的对比

一个直觉上的问题是：27%的整体命中率，在蛋白质设计领域算高还是低？

在传统的计算蛋白质设计领域，不同类型任务的成功率差异很大：

对于完全新设计的蛋白质结合体（De novo design，不参考天然蛋白质结构），传统方法在2020年之前的成功率通常在1%-5%之间，即使是顶尖计算生物学实验室，命中率能达到10%-15%也属于优秀结果。

2022年以后，随着AlphaFold2和RFdiffusion等深度学习工具的引入，设计成功率显著提升，顶尖实验室报告的新工具成功率在某些特定靶点上能达到20%-40%。

Claude设计的1,320个结合体的27%总命中率，处于当前先进计算设计工具的竞争性范围内。更值得关注的是RBX1靶点上的10倍结合亲和力优势——这不只是”成功结合”，而是在结合质量上超越了专业人类设计者的最优方案。

Anthropic和Forbes文章都强调了一个重要的限制：这个实验验证的是结合能力，而不是药物功能有效性。一个能够成功结合目标蛋白质的分子，还需要经过大量后续实验（细胞实验、动物模型、人体临床试验）才能证明其实际的治疗价值。目前的结果是令人鼓舞的早期验证，而非临床成功的直接证明。

四、AI科学加速的关键瓶颈：算力已不再是障碍，湿实验室才是

这个实验揭示了一个被媒体报道反复忽略的关键洞察：在AI辅助药物设计的流程中，计算部分的成本和速度已经不再是主要瓶颈。

计算端：使用开源工具（ProteinMPNN、RFdiffusion等），加上Claude的AI辅助设计能力，1,320个蛋白质结合体的设计计算成本已经下降到对大多数研究机构都可负担的范围。Claude不需要专有算法，不需要购买昂贵的商业软件许可，设计过程对没有计算生物学专业背景的实验室也是可操作的。

湿实验室端：物理合成和实验验证这部分才是真正的成本瓶颈。合成1,320个蛋白质分子，测量它们的结合亲和力，需要昂贵的实验设备、专业的实验人员，以及相当可观的时间（通常是数周到数月，即使有自动化流程）。

这个不对称性——计算设计已经被民主化，物理验证仍然是稀缺资源——对AI辅助药物发现的行业格局有深远影响：

对小型研究机构和初创公司的机会：以前，即使有很好的科学假设，小型实验室因为没有计算生物学专业团队而无法有效地设计候选分子。现在，Claude这类AI工具让这个障碍大幅降低，任何有基本分子生物学背景的团队都可以启动计算设计流程。

对药物发现流程的重构：传统的计算-实验循环中，计算设计通常是瓶颈（需要专业团队和时间）；未来，实验验证将成为绝对瓶颈，迫使行业在自动化湿实验室（machine-biology）方向加大投入。这也是Ginkgo Bioworks、Recursion等”机器生物学”公司2026年融资量持续增长的深层原因之一。

五、Claude Science的战略位置：Anthropic的第二战场

这个蛋白质设计实验的发布时机，与Claude Science平台的推出（2026年6月30日）相距约2个月。这个时间节点不是巧合。

Anthropic目前面临的商业化压力是清晰的：在通用AI助手市场，OpenAI的ChatGPT拥有约6亿月活用户，是Claude用户量的数倍以上。在企业AI助手市场，OpenAI也有先发优势。

Claude Science的战略逻辑是：在通用AI助手市场的正面竞争之外，找一个专业用户密度高、愿意为专业价值付高价的垂直市场——科学研究。

医药研究、生物学、化学、材料科学等领域的研究人员，是AI工具的高付费意愿群体。一个能够帮助研究者将计算设计成功率从5%提升到27%的工具，对于一个年研发预算数千万美元的制药公司来说，物超所值。

蛋白质设计的成功验证，是Claude Science定位的最有力背书：它不只是说Claude”很聪明”，而是证明了Claude能够在一个真实的、有经济价值的科学任务上，产生超过人类专家最优方案的结果。

这个定位的竞争优势来自两个方面：其一，科学研究的专业性和严谨性要求，创造了比一般AI助手市场更高的进入壁垒（不是所有AI都能做出被独立实验室验证的蛋白质设计）；其二，科学研究的成果可量化性，让Anthropic可以用具体的实验数据来支撑产品的商业价值主张。

五、技术架构深度解析：开源工具链如何实现专业级蛋白质设计

这个实验使用的技术栈代表了2026年AI辅助蛋白质设计的前沿方法：

RFdiffusion（由华盛顿大学David Baker实验室开发）：这是一个基于扩散模型的蛋白质骨架设计工具。与传统计算方法从已知蛋白质结构出发、进行局部修改不同，RFdiffusion可以从噪声出发，生成满足特定几何约束的全新蛋白质骨架——”凭空”设计出在自然界中不存在的蛋白质形状。这个能力使得设计者不再受限于已知蛋白质结构的搜索空间，理论上可以探索全新的蛋白质设计方案。

ProteinMPNN（同样来自Baker实验室）：在RFdiffusion生成骨架后，ProteinMPNN负责为这个骨架填充具体的氨基酸序列。它使用了一种特殊的图神经网络架构，能够在给定3D骨架约束的情况下，高效生成多样化的候选序列组合。一个骨架可以对应多种可能的序列，ProteinMPNN会为每个设计方案生成多个候选序列，显著增加了实验成功的概率。

Claude的角色：跨工具协调和假设生成：在这个工作流中，Claude的作用不是替代RFdiffusion或ProteinMPNN，而是在更高的决策层级发挥协调作用——理解每个疾病靶点的生物化学特征，选择适合的设计参数，评估不同候选方案的质量，以及在遇到技术障碍时进行策略调整。这种”超级协调者”角色，正是Claude Science平台设计的核心定位：将专业知识转化为可操作的计算流程，而不需要研究者自己精通每个底层工具的使用。

六、行业格局对比：Anthropic vs其他AI公司的科学战略

在AI公司进入生命科学领域的赛道上，各家公司选择了不同的进入策略：

Google DeepMind：通过AlphaFold2/3系列建立了结构预测的行业标准，并在2024年将AlphaFold数据库向全球研究人员免费开放（覆盖超过2亿个蛋白质序列的结构预测）。DeepMind的策略是成为”科学基础设施”——就像互联网的基础协议，而不是直接参与药物发现的商业应用层。

Nvidia BioNeMo：Nvidia通过BioNeMo框架提供针对生命科学的AI模型推理服务，包括蛋白质结构预测、小分子生成等功能，并在NIM（推理微服务）框架下提供生产级部署支持。Nvidia的策略是”算力+框架”双层覆盖，不直接做药物发现，而是成为AI药物发现生态的基础设施供应商。

Anthropic Claude Science：相比之下，Anthropic的策略更接近”AI科学家代理”——不是提供单一的预测工具，而是提供一个能够端到端协调整个研究工作流的AI代理系统。Claude Science的核心能力是理解科学目标、选择合适工具、整合异构数据源，并在遇到问题时自主调整策略。这个定位与AlphaFold的”一个功能做到极致”或BioNeMo的”推理基础设施”都不同，更接近于一个”智能实验室助理”。

这三种策略的比较，揭示了一个AI科学加速的多层结构：最底层是数据和知识基础设施（AlphaFold数据库），中间是算力和模型基础设施（BioNeMo/AWS），最上层是工作流智能（Claude Science）。目前这三层都在快速发展，竞争者还未形成绝对垄断。

七、对立视角：AI蛋白质设计被高估了吗？

平衡地来看，这个实验结果也存在一些需要审慎解读的地方。

样本量和覆盖面的限制：16个疾病靶点，1,320个候选分子，在蛋白质设计领域是一个有意义的样本，但在整个药物发现的靶点空间中是非常有限的。不同疾病靶点的设计难度差异很大，这个实验的靶点选择是否有代表性，对于推广结论很重要。

从”结合成功”到”药物有效”的距离：如前所述，验证了结合能力不等于验证了治疗效果。在药物发现的全流程中，这个实验覆盖的只是早期阶段的一小步。27%的”命中率”是早期发现阶段的指标，在完整的药物开发流程中，通常有99%以上的候选分子最终无法进入临床使用。

竞争基准的选择：RBX1靶点上”比人类冠军方案10倍结合力”的说法，需要知道这个”人类冠军方案”的基准是什么。如果是某次特定竞赛中的最优方案，而不是最先进的科学文献中的最优结果，这个倍数的意义就需要相应调整。

上述几点不是要否定这个实验结果的意义，而是说：这是一个令人鼓舞的早期验证，而非药物发现革命已经到来的确定性证明。

七、第三层洞察：AI加速的真正意义在于重新分配科学成功机会

大多数关于AI科学加速的讨论，聚焦于”AI比人类快多少倍”或”AI的成功率是人类的多少倍”——这是效率叙事。

但这个蛋白质设计实验揭示的更重要的东西，不是效率的提升，而是科学参与权的重新分配。

在AI工具普及之前，蛋白质结合体的计算设计需要专业的计算生物学团队、昂贵的专有软件和丰富的领域经验积累——这意味着这种能力实际上只集中在极少数资源充足的顶级实验室和大型制药公司手中。

Claude Science加上开源的蛋白质设计工具，让这种能力向更广泛的研究群体开放：没有大型计算生物学团队的中小型研究机构，缺乏足够初期资金的药物研发初创公司，发展中国家的研究机构——这些原本受限于资源而无法参与计算蛋白质设计的研究者，现在有了一个可负担的入口。

这种”科学能力民主化”可能比单个实验的成功率数字更重要：当更多的研究者能够参与蛋白质设计工作时，全球范围内针对各种疾病靶点的设计尝试总量会大幅增加，这种规模效应本身就会加速科学进步的速度。

一个有趣的预测：未来3-5年，生物制药领域的研发格局变化，可能不是来自某一个AI工具在单个关键指标上的突破，而是来自计算设计能力的广泛普及带来的全球研究力量的整体扩张。

结语：结合力是起点，不是终点

Claude在蛋白质设计上的表现，是AI科学加速叙事的一个真实数据点——不是夸大的科幻故事，也不是可以轻易推广到”AI已经解决了药物发现”的过度解读。

它证明的是：在正确的工具组合（开源算法+AI辅助设计+系统性评估框架）下，AI能够在专业科学任务上产生可被独立实验验证的高质量结果，且在某些特定指标上超越人类专家的最优方案。

接下来的关键问题是：这种能力能否被系统化、规模化地应用到更多疾病靶点、更复杂的分子设计任务，以及最终——功能验证阶段？

这些问题的答案，将在接下来2-3年的临床数据中揭晓。而2026年8月的这份实验报告，是这个答案开始形成的早期证据之一。

参考资料

  1. Forbes - Claude Designed Proteins That Worked Against 14 Of 15 Disease Targets（2026-08-23，Jon Markman）：https://www.forbes.com/sites/jonmarkman/2026/08/23/claude-designed-proteins-that-worked-against-14-of-15-disease-targets/

  2. Anthropic Claude Science官网 - Claude Science平台介绍（2026-06-30发布）：https://www.anthropic.com/claude-science

  3. DeepSeek官方API文档 - 多模态API参考（作为AI能力横向对比背景）：https://api-docs.deepseek.com/news/news260821/

  4. Yahoo Finance - Novo Nordisk Expands Its AI Push With AWS Partnership（2026-08-23，作为制药行业AI投入背景）：https://finance.yahoo.com/healthcare/articles/novo-nordisk-expands-ai-push-234353024.html

  5. VentureBeat - Agentic orchestration: Enterprise AI organizations have a deployment problem（AI应用落地背景）：https://venturebeat.com/resources/agentic-orchestration-enterprise-ai-organizations-have-a-deployment-problem-not-a-platform-problem-and-most-are-calling-chatbots-agents