Anthropic设立湿实验室：Claude从数字世界踏入真实生物实验台，AI科研自动化的物理闭环
引言：AI for Science 的最后一块短板
9月18日，路透社披露，Anthropic已经在旧金山湾区建立了一座生物湿实验室（wet lab），并开始把 Claude 接入真实的生物实验 MIT科技评论。随后，Anthropic 生命科学负责人 Eric Kauderer-Abrams 亲自确认了这则消息，他说了一句意味深长的话：“生物学的最终检验，依然是也将持续是真实的实验室工作。” 并与 SiliconANGLE、Startup Fortune 等多方信源相互印证 SiliconANGLE。
这不仅仅是 Anthropic 开始向生物医药跨界的信号，更是一则关于 AI for Science 深刻转型的标志性事件。过去几年，AI 主要加速的是"设计（Design）“环节——模型可以在几十小时内生成数千、数万个候选分子或蛋白序列。但真实世界验证这些设计的速度，却没能同步提升。DNA 合成、蛋白表达、纯化、结合测试、细胞实验……这些物理流程的时间几乎纹丝不动。于是，“设计越来越快、验证越来越慢"成了 AI 制药最现实的结构性瓶颈。
Anthropic 自建湿实验室，正是冲着这个瓶颈去的：把"设计—构建—测试—学习”（DBTL）闭环中关键的物理验证环节，从外部协作者手里收回自己掌握，进而让 Claude 直接指挥机器人单元，在有限人工介入下完成实验。 这是 AI 从数字世界迈向物理实验场景的关键一跃。本文将从这个 AI 科研自动化工程的视角，深度拆解 Anthropic 湿实验室的技术架构、闭环机制、安全合规与行业坐标。
一、为什么"自建湿实验室"是一个工程决策，而不只是战略表态
要理解 Anthropic 的这步棋，必须先看清 AI 制药同行的真实处境。在 2026 年，各家大模型企业已经能提出极其漂亮的计算设计，但物理验证的速度严重拖后腿。
Anthropic 自己今年 8 月公布的一轮实验就生动地展示了这个矛盾：Claude Opus 4.8 和 Mythos Preview 针对 15 个靶点设计蛋白结合剂（protein binder），随后需要由 Adaptyv Bio 和 Twist Bioscience 这两家公司把这些"数字设计"真正制造出来，再做独立湿实验验证 Anthropic Science。最终 Claude 在 15 个靶点中的 14 个上成功设计出能结合的蛋白；在同时处理所有靶点的实验中，命中率分别达到 22.6% 和 26.7%，明显高于传统蛋白设计项目约 10%—15% 的典型水平 MIT科技评论。
数据很漂亮，但真正的痛点在实验端。Twist Bioscience 的订单增长已经印证了这种需求外溢——其 AI 相关订单从 2025 财年的约 2500 万美元增至 2026 财年的约 5000 万美元，并预计 2027 财年可能达到约 1 亿美元 MIT科技评论。换句话说，当实验批次不断增多，完全依赖外部验证的效率、成本、排期和数据回传周期都会持续拉长。自建湿实验室，本质上是把"反馈周期"这个最关键的系统变量握在自己手里。
我们再把这个判断放到行业坐标里看。全球实验室自动化玩家已经跑出了几种成熟范式：
- 全球首创的分子铸造厂范式：DeepCure 在以色列建立的机器人分子铸造厂，基于 96 孔微孔板，用 Tecan Fluent 1080 液体处理器、KX2 机械臂、Waters Prep LC 自动纯化系统等，从"计算机生成的化合物清单"无人值守地自动合成、纯化、表征 lead-like 化合物，目标每月自动合成 5000—10000 个新化合物 DeepCure/SLAS。
- Self-Driving Lab 范式：加拿大多伦多大学 UHN 所在 Cell 发表的 LUMI-lab，以预训练在 2800 万分子结构上的 LUMI 基础模型为"大脑”，结合决策软件与机器人套件，自动完成实验并迭代 UHN Research。
- 实验室自主操作系统范式：英矽智能（Insilico Medicine）发布的 LabClaw，基于轻量级 Agent-Guard 架构，用 5 个协作 Agent（实验协调者、编排专家、科学分析师、QC 检查员、数据专家）+ 28 个技能模块，配合全自动实验室 LifeStar2，实现从靶点发现到报告生成的全流程闭环 Insilico。
- 国产自主实验室范式：晶泰科技（XtalPi）的自研 AI 模型 + 机器人自动化方案，上百个工位、AGV 小车，7×24 小时闭环 DMTA（设计-合成-测试-分析）循环等 XtalPi。
Anthropic 与这些玩家的本质区别在于：它不是为某个特定药企做定制自动化，而是把 通用大模型的能力 直接与真实物理实验结合，让 Claude 这种通用智能成为自主实验室的"总指挥"。这更像是在给整个行业定义"自主科研操作系统"的通用底座。
二、湿实验室的技术底座：从异构设备到统一接口
自己拥有一间实验室，并不等于 AI 能控制实验。传统实验室最大的工程难题是异构性：不同厂商的液体处理器、机械臂、显微镜、微孔板读取器各有完全不同的软件与通信接口。它们能各自自动工作，却很难天然组成一个统一系统。要把它们接起来，工程师往往要花数周甚至数月搭建定制化方案；而一旦 Claude 每做一个决策都需要人在仪器间手动搬运样本、设置参数，整个实验吞吐量就重新受制于人的速度。
Anthropic 今年 8 月发布的 Model Hardware Standard（MHS） 正是冲着这一层问题而来 MIT科技评论。MHS 可以理解为一套让 AI Agent 控制物理设备的通用接口：
- 统一状态描述：显微镜、液体处理器、机械臂等可编程设备，通过相对统一的方式告诉模型——自己当前处于什么状态。
- 统一能力抽象：向模型暴露"可以执行哪些操作"，把过去每台设备的定制接口，压缩成模型能直接理解和调用的标准化能力。
- 统一安全边界：向模型明确每个设备"哪些安全边界不能越过"。
在早期测试中，MHS 已经把部分实验设备的集成时间从过去的数周甚至数月，缩短到数小时乃至数分钟 MIT科技评论。基因泰克（Genentech）的一项 BCA 蛋白质浓度实验中，Claude 同时协调液体处理器、机械臂和微孔板读取器：它不仅执行既定步骤，还能根据实验结果重新调整参数；当部分硬件出现异常时，系统在某些情况下还能自行诊断并恢复。华盛顿大学 David Baker 和 Sudarshan Pinglay 实验室则把 MHS 接入了更真实的科研流程——博士生 Zihao Song 用它连接分散的实验设备，让 Claude Code 实时读取 qPCR 曲线、在关键节点暂停实验，并协调机械臂和液体处理设备完成样品板转移 MIT科技评论。
这套"统一接口"思路，正在把过去分散在不同机构的能力——Claude 负责思考、外部实验室负责验证、数据经过一段时间再回到 Anthropic——整合进同一套系统。这也是整个湿实验室架构能成立的工程前提。
我们给出湿实验室的物理设施拓扑（图1）：
图1 Anthropic 湿实验室物理设施拓扑
┌─────────────────────────────────────────────────────────────┐
│ 湿实验室（Wet Lab） │
│ │
│ ┌──────────┐ ┌────────────┐ ┌────────────┐ │
│ │ 液体处理器 │──▶│ 机械臂(RMA)│──▶│ 孵育/摇床 │ │
│ │ Liquid / │ └─────┬──────┘ └─────┬──────┘ │
│ │ Handler │ │ transfers │ │
│ └─────┬────┘ │ plates │ │
│ │ ▼ ▼ │
│ ┌─────┴────────────┐ ┌──────────────────┐ │
│ │ 板酒店 PlateHotel│◀─▶│ 微孔板读取器 │ │
│ │ (条形码追踪) │ │ Plate Reader │ │
│ └─────▲────────────┘ └────────┬─────────┘ │
│ │ │ data │
│ ┌─────┴────────────┐ ┌────────▼─────────┐ │
│ │ 质谱/LC-MS │ │ 成像显微镜 │ │
│ │ (表征) │ │ Imaging Micros. │ │
│ └─────────────────┘ └──────────────────┘ │
│ │
│ ┌───────────────────────────────────────┐ │
│ │ 设备网关层 MHS Gateway (边缘) │ │
│ │ 状态/能力/安全边界 → 统一协议 │ │
│ └───────────────────▲───────────────────┘ │
└───────────────────────┼─────────────────────────────────────┘
│ (受控网络/离线监控)
┌───────────┴───────────┐
│ Claude 控制系统 │
│ (规划/决策/审计) │
└───────────────────────┘
物理层的关键点在于：每一步都必须可逆、可审计、可追溯。条形码追踪的板酒店保证样品流向可回溯；质谱与成像作为"传感器"把湿实验的物理结果数字化回传；而设备网关层负责把这些异构设备抽象成统一协议，供上层的 Claude 控制系统调度。这与传统纯软件 Agent 的"工具调用"有本质不同——这里的每一步调用都对应真实世界的物理操作，幂等性和安全边界因此被提升到了前所未有的重要程度。
三、核心循环：Claude 规划 → 机器人执行 → 数据回传 → Claude 分析迭代
整个湿实验室的"魂"是那个 DBTL 自动闭环。如果把 Claude 定位成一个"物理世界里的自主科研 Agent"，那么它必须同时具备四层能力：
- Protocol 规划层：把科研假设转化为可执行的实验协议。
- 指令编译层：把人类可读的协议编译成机器人可执行的指令流（液体体积、孔位、温度、时间等）。
- 执行反馈层：从传感器（质谱、成像、qPCR）读取实验实时数据。
- 学习迭代层：根据实验结果调整下一轮的设计与协议参数。
这是一个典型的"设计—构建—测试—学习"闭环，我们用图2 给出其数据与控制流：
图2 Claude—机器人—传感器 闭环架构
┌──────────────┐ 假设/目标 ┌──────────────────────────┐
│ 科学家 │ ───────────────▶ │ Claude Protocol Planner │
│ Human Handoff│ │ (实验协议规划器) │
└──────────────┘ ◀─────────────── │ 解释QID/目标/安全约束 │
报告/暂停请求 └───────────┬──────────────┘
│ 协议(Protocol Spec)
▼
┌────────────────────────┐
│ 指令编译/调度 Orchestrator│
│ → 翻译为 Robot JSON │
└───────────┬────────────┘
│ dispatch
┌───────────────────────────────┬────────┴───────┬─────────────────┐
▼ ▼ ▼ ▼
┌────────────┐ ┌──────────┐ ┌──────────────┐ ┌──────────┐
│ 液体处理器 │ │ 机械臂 │ │ 孵育/温控 │ │ 读板/质谱 │
│ Pipetting │ │ Robotic │ │ Incubator │ │ Reader/MS │
└─────┬──────┘ └─────┬────┘ └─────┬────────┘ └────┬─────┘
│ physically execute │ │ │
└──────────────┬────────────────┴────────────────┴────────────────┘
▼
┌──────────────────────────┐
│ 数据采集/回传管线 DataPipe │
│ (传感器→结构化→数据库) │
└───────────┬──────────────┘
│ results
▼
┌──────────────────────────┐
│ Claude 分析/学习迭代器 │
│ UpdatePrior → Re-plan │
└───────────┬──────────────┘
│ 下一轮 protocol (闭环)
▼
┌──────────────────┐
│ 模型微调/RL 反馈 │
│ Fine-tune / RL │
└──────────────────┘
3.1 Protocol 规划：Claude 把假设变成机器人指令流
规划的核心是把生物学的"意图"翻译成机器的"动作序列"。下面用一个 Python 片段展示"实验协议规划器"的核心结构——它接收目标与安全约束，输出结构化的动作清单：
# protocol_planner.py
from dataclasses import dataclass, field
from typing import List
@dataclass
class LiquidStep:
op: str; source: str; target: str
volume_ul: float
safety_limits: dict = field(default_factory=dict)
@dataclass
class RobotAction:
station: str; command: str; params: dict
ack_required: bool = True
@dataclass
class Protocol:
uid: str; steps: List[RobotAction]
checkpoint_gates: List[str]
def plan_protocol(target, constraints) -> Protocol:
liquid = [LiquidStep(op="dispense",
source=constraints["buffer"],
target=constraints["plate"],
volume_ul=50.0)]
actions = [RobotAction(station="liq_handle", command="run",
params={"steps": [asdict(s) for s in liquid]})]
gates = constraints.get("checkpoint_gates", ["qc_od_600"])
return Protocol(uid=target["uid"], steps=actions,
checkpoint_gates=gates)
这段代码的关键设计是 checkpoint_gates：在危险或关键节点（如 OD600 吸光度质控）处强制插入"人类/QC 批准"门禁，这正是"AI 可在安全边界内自由行动，但状态变更需人工确认"思想的工程落地——与英矽智能 LabClaw 的 Agent-Guard、Human-in-the-Loop 机制高度同构 Insilico。
3.2 任务调度：自动液体处理工作流
物理层的核心设备是液体处理器。下面给出一个"自动液体处理任务调度器"的示意（Python），重点在于顺序约束与故障恢复——这是湿实验与纯软件任务最大的不同，移液顺序错了可能毁掉整批样品：
# liq_scheduler.py
import heapq
from typing import Dict, List, Tuple
class LiquidWorkflowScheduler:
def __init__(self, stations: Dict[str, dict]):
self.stations = {s: dict(m) for s, m in stations.items()}
self._q: List[Tuple[float, int, dict]] = []
def submit(self, job):
heapq.heappush(self._q,
(self.stations[job["station"]]["free_at"], 0, job))
def dispatch(self) -> List[str]:
done, tick = [], 0.0
while self._q:
_, _, job = heapq.heappop(self._q)
st = self.stations[job["station"]]
start = max(tick, st["free_at"])
st["free_at"] = start + job["time_s"]; tick = start
if job.get("retry", 0) < job.get("max_retry", 2):
job["retry"] = job.get("retry", 0) + 1
job["time_s"] *= 1.5
heapq.heappush(self._q, (st["free_at"], 0, job))
done.append(f"{job['station']}@{start:.1f}s")
return done
这里用优先级队列（heapq）模拟多工位资源竞争，并带有故障退避重试（backoff-retry）：一旦实验仪器报错，作业会按指数退避重新排队，而不是直接丢弃——这对应了 MHS 早期测试中"Claude 能够自行诊断并恢复部分硬件异常"的能力。
3.3 数据采集与回传管线
传感器数据必须被结构化为可供模型学习的格式。下面给出一个"湿实验数据采集与回传管线"（Python），涵盖异步采集、质量门控与审计落库：
# data_pipeline.py
import sqlite3, time
from dataclasses import dataclass
from typing import Dict, Optional
@dataclass
class Reading:
device: str; well: str; metric: str
value: float; ts_ns: int; qc_pass: int
class WetDataPipeline:
def __init__(self, db_path: str):
self.conn = sqlite3.connect(db_path)
self._init()
def _init(self):
self.conn.execute("""CREATE TABLE IF NOT EXISTS readings(
device TEXT, well TEXT, metric TEXT, value REAL,
ts_ns INTEGER, qc_pass INTEGER)""")
def ingest(self, raw: Dict) -> Optional[Reading]:
ok = self._qc(raw)
r = Reading(raw["device"], raw["well"], raw["metric"],
float(raw["value"]), time.time_ns(), int(ok))
self.conn.execute("INSERT INTO readings VALUES(?,?,?,?,?,?)",
(r.device, r.well, r.metric, r.value,
r.ts_ns, r.qc_pass)); self.conn.commit()
return r if ok else None
def _qc(self, raw: Dict) -> bool:
lo, hi = raw.get("limits", (0.0, float("inf")))
return lo <= float(raw["value"]) <= hi
这段代码体现了湿实验数据管线与普通数据管线的差异：任何一条进入数据库的读取记录都必须先通过物理意义的质量门控（QC）——比如吸光度值超出合理区间就直接标记为失败，避免把仪器异常的数据污染进模型训练集。而实时 qPCR、质谱等数据回传，正是在这样一条"质量门控 + 结构化落库"的管线上完成的。
3.4 Claude—机器人循环的迭代控制器
闭环的"学习"环节，用一个迭代控制器把上一轮实验结果反馈进下一轮设计。这里用 Python 展示一个简化的"主动学习/贝叶斯式迭代"控制器：
# loop_controller.py
from typing import Callable, List, Dict
class ClaudeLoopController:
def __init__(self, surrogate, oracle: Callable):
self.surrogate = surrogate; self.oracle = oracle
self.history: List[Dict] = []
def run(self, candidates: List[Dict], rounds: int = 3):
for _ in range(rounds):
scores = sorted(candidates,
key=lambda c: -self.surrogate.predict(c))
result = self.oracle(scores[0])
self.history.append({"c": scores[0], "y": result})
self.surrogate.update(self.history)
candidates = self.surrogate.suggest(n=5)
return self.surrogate.best(self.history)
这里的核心是"surrogate（代理模型）—oracle（真实实验）“交替：用便宜的模型给蛋白/分子候选排序，只在顶部几个候选上花真实实验预算，再用真实结果重拟合代理模型，从而让每一轮实验都"花在刀刃上”。这正是 DBTL 闭环里"学习"环节的工程化表达，也呼应了 LUMI-lab 的"大规模无监督建模 + 迭代实验"设计哲学 UHN Research。
我们把整个迭代闭环单独描绘出来（图3）：
图3 数据回流 → 模型微调/RL 迭代闭环
┌──────────┐ 湿实验真值 ┌──────────────┐ 梯度/奖励 ┌──────────────┐
│ 传感器采集 │ ──────────────▶ │ 标注/清洗 │ ──────────────▶ │ 微调 Fine- │
│ (质谱/成像/ │ │ Clean & Label │ │ tune / RL │
│ qPCR) │ └──────┬───────┘ └──────┬───────┘
└─────┬──────┘ │ │
│ ▼ ▼
│ ┌────────────────┐ ┌────────────────┐
│ │ 数据版本库 │ │ 更新后的 Claude │
│ │ Dataset Store │◀─────────────│ (设计下一批) │
│ └────────────────┘ └───────┬────────┘
│ │ 新候选
└─────────────────────────────────────────────────────────────┼─────▶ 实验
▼
新一轮 DBTL 循环
这个循环的直接收益是：物理世界产生的真值数据，可以反过来微调/强化 Claude 本身的科学判断能力，让模型越用越懂"真实实验会怎么走"，从而压缩"预测—验证"之间的偏差。这也是"湿实验室 + Claude 自动化闭环，支撑 AI 闭环实验→数据回流→模型迭代"这一战略闭环在技术上的落地。
3.5 湿实验日志审计：借鉴离线监控思路
Autonomous 实验室最容易被忽视、却最关键的工程环节是可审计性。Anthropic 此前推出 LSVP（Life Sciences Verification Program，生命科学验证计划），其核心思路是"离线监控 + 共同责任"框架：让认证科研机构在受控前提下使用 Claude 进行生科研究 Claude Science。这套思路完全可以迁移到湿实验室的日志审计上——每一步物理操作都留下不可抵赖的审计轨迹。下面给出一段 Go 实现的"实验操作日志审计"核心代码：
// audit.go
package audit
import (
"crypto/sha256"
"encoding/hex"
)
type Op struct {
Seq int64 `json:"seq"`
Device string `json:"device"`
Command string `json:"command"`
Actor string `json:"actor"` // "claude" | "human" | "robot"
PrevHash string `json:"prev_hash"`
Hash string `json:"hash"`
}
// link hashes every physical op into an immutable chain,
// the audit equivalent of LSVP's offline-monitoring model.
func (o *Op) link(prev string) {
o.PrevHash = prev
h := sha256.Sum256([]byte(o.encode()))
o.Hash = hex.EncodeToString(h[:])
}
用哈希链把所有物理操作串成不可篡改的日志，一旦某个动作越界，审计系统就能在"离线监控"模式下回溯到具体是哪一次命令、由谁（Claude/人/机器人）发出。这正是"Claude 主导实验 + 严格安全审计"两者能够并存的工程前提——给自主性戴上可追溯的镣铐，才能放心让它跑得快。
四、人机协作边界：让 AI 在安全边界内自由，但状态变更必须由人把关
“Claude 亲自参与实验执行"绝不等于无人值守。真正可落地的自主科研，边界一定是有弹性的。综合 Insilico LabClaw 的 Agent-Guard 与 Anthropic 的 MHS 安全边界设计，一个合理的人机协作分工如图4 所示：
图4 人机协作分工（Human-in-the-Loop）
┌──────────────────────────────────────────────────────────────────┐
│ 自主性 Autonomy 阶梯 │
│ │
│ 完全人工 ─▶ Co-Pilot ─▶ 半自主 ─▶ 高度自主 ─▶ 全自主(受限) │
│ Manual 协作模式 部分决定 多数决定 少数受控场景 │
│ ▲ ▲ ▲ ▲ ▲ │
│ │ │ │ │ │ │
│ 研究人员 │ │ │ │ │
│ │
│ 由 人 把关的关键节点（Checkpoint Gates）： │
│ · 假设提出与实验目标设定 · 危险试剂/生物通路 操作 │
│ · 跨物种/基因编辑类决策 · 意外结果与异常处置 │
│ · 任何结果落库/上报前的复核 │
├──────────────────────────────────────────────────────────────────┤
│ 由 Claude 自主承担的范围（在安全边界内）： │
│ · 常规移液/孵育/成像的编排 · 参数微调与批量调度 │
│ · 标准协议的执行与数据采集 · 故障自检与退避重试 │
└──────────────────────────────────────────────────────────────────┘
这个分工的核心逻辑是：风险越高、越不可逆的节点，越需要人工门禁；越是重复、可逆、标准化的操作，越放手给 Claude + 机器人。Anthropic 的 Kauderer-Abrams 也强调公司"并非在与将药物推向市场的制药和生物技术公司竞争” eet-china——当前阶段聚焦临床前早期研究，不进入人体临床试验，本就是一种审慎的边界选择。
五、安全与合规：当模型进入物理世界，风险评估必须升级
当模型开始直接操纵移液器、离心机、培养箱乃至可能涉及病原体的通路时，安全边界必须从"数字世界的 prompt/system prompt"延伸到"设备、材料和实际操作"。这里最关键的三层风险是：
第一层：双用途风险（dual-use）。 Anthropic 过去两周已披露其系统曾被用于生物武器开发的相关案例，内部研究人员也公开警告过 AI 可能带来极端生物安全风险 eet-china。当 Claude 能实际执行生化实验，双用途风险从"生成危险序列文本"升级为"实际合成危险物质"。
第二层：数据隔离与客户管线风险。 合作药企（基因泰克、百时美施贵宝、诺和诺德等）的核心顾虑在于：即便 Anthropic 承诺数据严格隔离，合作方仍担心自己的药物研发数据被用于强化 Anthropic 自有研发管线的模型能力。Kauderer-Abrams 公开承认了这一普遍顾虑 eet-china。
第三层：物理安全与正当性。 试剂引燃、机械臂夹持、培养污染、样本混淆……这些真实世界的"长尾事故"无法靠软件测试穷尽，必须靠"离线监控 + 共同责任"这类机制兜底。
我们把这套安全框架与 LSVP 的离线监控模式做个同构对照（图5）：
图5 与 LSVP 离线监控同构的湿实验室安全框架
┌────────────────────────────────────────────────────────────────┐
│ LSVP（生命科学验证计划） ⟷ 湿实验室安全框架 │
│ ┌──────────────────────┐ ┌──────────────────────────┐ │
│ │ 认证科研机构使用 Claude │ │ Claude 指挥机器人实验 │ │
│ └──────────┬───────────┘ └────────────┬─────────────┘ │
│ │ 离线监控 │ 操作全链路记录 │
│ ▼ ▼ │
│ ┌──────────────────────┐ ┌──────────────────────────┐ │
│ │ 模型在被监控环境中推理 │ ⟷ │ 每一步物理操作被哈希链审计 │ │
│ │ (无外联/受控输入) │ │ (不可篡改 audit log) │ │
│ └──────────┬───────────┘ └────────────┬─────────────┘ │
│ │ 共同责任 │ 双用途+物理安全复核 │
│ ▼ ▼ │
│ ┌──────────────────────┐ ┌──────────────────────────┐ │
│ │ 机构/Anthropic 共担 │ │ 危险通路人工门禁 + 结果上报 │ │
│ │ 安全合规责任 │ │ 前复核 │ │
│ └──────────────────────┘ └──────────────────────────┘ │
└────────────────────────────────────────────────────────────────┘
这个同构关系非常关键：LSVP 解决的是"模型推理不受控"的问题，湿实验室安全框架解决的是"模型行动不受控"的问题。前者靠环境隔离，后者靠"环境隔离 + 行动审计 + 人工门禁"三重保险。这也是 Anthropic 敢于让 Claude 走进物理世界、又没有完全放任自流的原因。
六、趋势研判：AI 科研自动化与未来药物研发路径
Anthropic 增设湿实验室的信号，叠加英矽智能 LabClaw、UHN LUMI-lab、DeepCure 分子铸造厂、晶泰自主实验室、UvA RoboChem 等一系列进展，正在描绘出一条清晰的 AI 科研自动化演进路线（图6）：
图6 AI 科研自动化演进路线
Stage 1 Stage 2 Stage 3 Stage 4
纯计算设计 → 计算+外协湿实验 → 计算+自有湿实验 → Claude+-机器人
(Computational) (Delegated wet) (In-house wet) (闭环自动化)
──────────────────────────────────────────────────────────────────
· 分子生成筛选 · 模型出设计 · 自己掌握验证 · 模型+机器人闭环
· DNA/蛋白序列 · 外部托制造验证 · 缩短反馈周期 · 数据回流模型迭代
· 无真实验证 · 速率受外协约束 · 首批吞吐受人工限制 · 24/7 自主迭代
▲ ▲ ▲ ▲
│ (当前多数AI制药) │ (DeepCure/LUMI │ (Anthropic湿实验室
│ │ 晶泰等) │ 方向/终局)
└──────────── 差异化竞争焦点从"谁更快设计" ────────────────┘
｜
▼ 转向 "谁更快完成物理验证并回流迭代"
这个演进的核心判断是：AI 制药的竞争重点正在从"谁能更快设计候选分子"，转向"谁能更快完成物理世界的真实验证，并把结果重新用于下一轮迭代" MIT科技评论。在此基础上，我们勾勒出 Anthropic 湿实验室未来可能的自动化药物研发路径（图7）：
图7 未来自动化药物研发路径
┌────────────────────────────────────────────────────────────────┐
│ 假设产生 │ 设计 │ 构建 │ 测试 │ 学习/迭代 │
│ Claude 读文献 │ 蛋白/分子生成 │ 自动合成/表达 │ 结合/功能测定 │ 数据回流微调 │
│ 生成新靶点 │ 序列打分 │ 机器人执行 │ 传感器读取 │ 模型再设计 │
│ │ │ │ │ │ │ │ │ │
│ ▼ ▼ ▼ ▼ ▼ ▼ ▼ ▼ │
│ ┌────────┐ ┌────────┐ ┌────────┐ ┌─────────┐ ┌────────────────────────┐ │
│ │ QID │▶│ 设计 Agent│▶│合成机器人│▶│ 检测平台 │▶│ AI 闭环迭代器 │ │
│ │ 假设库 │ │(Claude) │ │(移液/孵育)│ │(MS/成像) │ │ (贝叶斯/主动学习) │ │
│ └────────┘ └────────┘ └────────┘ └─────────┘ └──────────┬─────────────┘ │
│ ▲ │ │
│ └────────────── 多轮闭环，逐步收敛最优分子 ──────┘ │
│ │ │
│ 双抗/三抗等 "不可成药" 靶点 ← 优先方向（避开临床试验，专注临床前） │
└────────────────────────────────────────────────────────────────┘
当然，必须保持清醒：即便 AI 能把临床前研发效率提升数倍，从候选分子到最终药物上市，仍要经过层层安全性与有效性验证，绝大多数候选药物最终无法通过临床试验 eet-china。Anthropic 的 AI 制药之路，依然要面对真实世界研发规律的长期检验。而它此刻更重要的价值，或许是为整个 AI for Science 行业示范了一条"通用模型能力 + 真实物理实验"的正循环路径。
七、总结：从数字世界到物理世界的关键一跃
Anthropic 在旧金山湾区设立湿实验室，表面是企业战略，深层却是一个工程范式的转换：
- 瓶颈认知的转换：AI 制药的瓶颈已从"设计"转移到"物理验证"，自建湿实验室本质是把反馈周期这个系统变量握在自己手里。
- 接口范式的转换：通过 Model Hardware Standard 把异构实验设备统一抽象为可被模型调用的能力，集成时间从数周/数月压缩到数小时/数分钟。
- 闭环的打通：真正走通"Claude 规划 → 机器人执行 → 传感器回传 → Claude 分析迭代"的 DBTL 自动闭环，让物理真值数据回流微调模型本身。
- 安全的升级：把 LSVP 的"离线监控 + 共同责任"思路迁移为"行动审计 + 人工门禁"，在自主性与可审计性之间找到平衡。
当 Claude 真正走上实验台，AI 不再只是"提出设计的那台计算机"，而是第一次成为"控制物理设备、完成真实实验、再把真值学回来的科研执行者"。这一步，标志着 AI for Science 从纯粹的数字世界，正式迈进了物理实验场景。而接下来真正值得观察的，是这条正循环能否以足够快的速度、足够低的边际成本持续运转——那将决定 AI-driven discovery 是停留在纸面论文，还是真正改写新药研发的底层节奏。
（注：本文基于公开信源综合撰写，技术方案为工程逻辑推演，非 Anthropic 官方实现细节。）