Anthropic下场建湿实验室：AI4S进入数据与自动化基础设施竞争

Anthropic 下场搭建湿实验室AI4S 赛道要起飞了吗前几天圈子里都在转 Anthropic 要下场搞湿实验室的消息。乍一听有点反直觉一家做大模型的公司怎么突然跑去买移液枪和培养皿了但细想一下这可能是 2024 年以来 AI for ScienceAI4S赛道里信号感最强的一个动作。先说结论Anthropic 想做的大概率不是把实验室当成一个炫技的 demo而是要补上整个 AI4S 闭环里最贵、最脏、也最缺的那一块——真实世界的高通量数据。Claude 再聪明它也不会自己闻到培养基的味道、不会自己看见沉淀反应的颜色变化这些感官级的观察数据恰恰是生物学、化学、材料学里 AI 模型落地的最大瓶颈。这篇内容我想从几个角度聊聊Anthropic 为什么选择湿实验室这条路径、干湿结合到底怎么跑通、以及这件事对整个 AI4S 赛道的玩家来说意味着什么。不管你是做科研的、做投资的还是纯粹关心 AI 能带来什么新东西的读者应该都能从中找到自己关心的点。1. Anthropic 为什么盯上湿实验室从模型军备竞赛到数据军备竞赛1.1 模型能力碰壁瓶颈已经不在算力上过去两年大模型的竞争焦点基本集中在参数规模、上下文长度、推理能力这些维度上。说实话你要是拿 Claude、GPT 系列和其他主流模型去跑几轮科研任务会发现通用推理能力已经差距不大真正拉开差距的地方反而是“有没有数据”和“能不能拿到数据”。具体到科研场景问题更明显。蛋白质结构预测有 PDB 数据库可以用药物分子有 ChEMBL 这样的公开数据集可以训练但一旦遇到细胞培养条件优化、培养基配方筛选、基因编辑后的表型观察这类实验场景公开数据就几乎是一片空白。这些数据散落在全球各个实验室的笔记本、Excel 表格和仪器日志里格式五花八门有的甚至根本没电子化。有个很形象的比喻现在的 AI 做科研就像一个只读过教科书、从来没进过实验室的天才学生。理论知识储备足够丰富但一到真实操作就抓瞎因为没有见过足够多的“真实失败案例”。1.2 湿实验室不是随便建的它在解决“数据从哪里来”的问题湿实验室是相对于干实验室纯计算、模拟而言的概念简单说就是会用到试管、培养皿、离心机、色谱仪这些实体设备的实验环境处理的是真正的生物、化学样本。Anthropic 下场建湿实验室按我的理解核心诉求有两条。第一条是要拿到自产自销的私有数据。AI 模型的训练离不开数据科研领域的数据更是如此。与其依赖外部数据源的授权或者合作扫描不如自己建一个实验设施所有实验记录、失败日志、观测数据全部归自己所有这不光在训练数据上形成壁垒在数据权属上也干净很多。第二条是要建立“假设—验证—反馈”的自动化闭环。大模型生成一个科学假设很容易难的是如何快速验证这个假设。如果实验设施是外部合作的验证周期可能是一周、一个月反馈速度慢得让人抓狂。但如果是自己掌控的湿实验室理想状态下可以做到当天生成假设、当天开展实验、隔天回收数据这个迭代速度是外部合作完全没法比的。很多人可能觉得Anthropic 一个 AI 公司建实验室是不是步子迈太大了。我的判断恰恰相反如果不在这个节点布局过两年等竞争对手把数据链条跑通再追赶的成本会翻很多倍。2. 湿实验室 大模型干湿闭环的具体形态拆解2.1 干实验和湿实验的分工逻辑在传统科研流程中干实验计算模拟和湿实验实体操作经常是分离的。你做分子动力学模拟跑完一轮计算得到候选分子然后去湿实验室合成、表征、测试活性一轮下来少说两三个月。这个速度放在 AI4S 的语境里慢到几乎无法使用。干湿闭环要做的事情是把这两个环节的反馈周期从“月”压缩到“天”甚至“小时”。具体拆开看大概是这么几个步骤假设生成环节由大模型基于已有文献和知识库生成一个可操作的实验假设比如“在某种特定浓度的诱导剂下这种工程菌的产物表达量可能提升 30%”。实验设计环节由模型自动拆解成具体的实验方案包括试剂浓度梯度、温度条件、时间节点、对照组设置等。自动化执行环节由液体处理工作站、自动化培养箱、高通量检测设备按方案执行尽量减少人工干预。数据采集环节仪器自动记录所有读数、图像、曲线并回传到统一的数据平台。分析反馈环节大模型读取实验结果修正假设生成下一轮实验方案。如果五个环节全部跑通理论上一个科研小组一周能完成的实验轮次可以从原来的 1 到 2 轮提升到 10 轮以上。这背后不仅意味着效率提升更重要的是模型可以基于大规模的高质量标注数据持续进化。2.2 数据飞轮怎么转为什么私有数据比公开数据更值钱公开数据像是一个没加过滤器的水龙头量大但杂质多清洗成本极高。而自建实验室产出的数据最大的优势不是“量”而是“结构化”和“可回溯”。什么叫结构化你的自动移液工作站记录的不只是“加了 20 微升试剂”而是精确到哪一个孔位、哪个批次、用的哪一支移液枪头、环境温湿度是多少、时间戳精确到秒。这些细节决定了数据的二次利用价值。传统实验室的手写记录根本做不到这个粒度。什么叫可回溯任何一个异常实验数据的背后都能定位到对应的操作记录、仪器编号、试剂批号。当模型训练过程中发现某个数据点异常时你可以快速判断是设备误差还是真实生物学现象而不是对着一个孤立数据点发呆。所以 Anthropic 建湿实验室的行为本质上是在给自己的模型产品构建一套数据护城河。这条路和当年搜索引擎爬网页、社交网络积累用户行为数据是同一个逻辑先发者一旦把数据飞轮转起来后来者就不是“做得更好”能追上的问题了。2.3 自动化设备的选型思路机器人和仪器之间的“胶水”聊到自动化湿实验室的具体落地就绕不开设备和设备的对接问题。市面上的自动化实验设备说多不多说少不少但最大的痛点始终是异构设备的联通。你买一台自动化培养箱、一台酶标仪、一台移液工作站它们各自的软件系统可能完全不兼容数据格式也不统一。实操层面目前主流的做法是三层架构底层是执行层各类实验设备中间是调度层负责任务编排和数据采集顶层是 AI 层负责任务理解和结果分析。中间调度层大多基于开源方案做二次开发比如用 Python 写场景脚本、用 MQTT 这类轻量级协议做设备通信再配合数据库做实验记录归档。如果你也在规划类似的自动化实验环境我的经验是别一上来就追求全流程自动化。先打通一条标准路径——比如“移液→培养→检测”三个环节的数据回流比同时改造十条路径更有实际价值。数据回路打通之后再逐步增加设备类型和实验类型这个爬坡过程会平滑很多。3. AI4S 赛道现状走过弯路之后钱开始流向正确的地方3.1 前两年 AI4S 的实践算法很强但平台很弱如果回顾一下 2021 年到 2023 年之间的 AI4S 实践你会发现一个普遍现象做算法的团队非常多做数据和实验平台的团队非常少。原因也不难理解算法团队的门槛相对低几张 GPU 卡加几个开源模型就能跑出看起来不错的结果论文也好发融资故事也好讲。但建湿实验室天然是重资产运营回报周期长技术栈复杂劝退了绝大多数团队。结果就是AI4S 赛道上挤满了“会下棋的棋手”但真正能生产高质量棋谱的“棋谱工厂”少得可怜。很多团队拿着别人的公开数据集做训练跑出来的模型在公共 benchmark 上效果很好一到客户现场就失灵因为实验室环境和设备类型一变数据分布就完全对不上。这恰恰解释了为什么资本和市场最近开始对湿实验室项目表现出浓厚兴趣——大家逐渐意识到如果底层数据问题不解决算法层面的优势根本无法转化为稳定的产品壁垒。Anthropic 亲自下场某种程度上是把这条赛道从“阶段一”推向了“阶段二”从单纯的算法竞争转向了“算法 数据 基础设施”的综合竞争。3.2 重资产 AI4S 的商业模式怎么成立自建湿实验室听起来很贵但只要商业模式设计得当这笔账完全算得过来。我梳理一下目前常见的几种盈利逻辑模式核心卖点盈利来源适合阶段数据授权高结构化私有数据对外授权/定制化采集数据订阅费、定制项目费数据积累初期模型商业化通用科研模型如蛋白预测、分子优化对外提供 API按调用量计费、企业订阅模型成熟期自动化实验服务开放平台帮药企/材料企业做定制化筛选项目制收费、成功率分成平台成熟期平台生态向第三方实验室输出自动化改造方案和软硬件系统软硬件销售、实施服务费规模化扩张期不同阶段的盈利重心可以不一样但这几条路径的共同点是前期投入大、中期数据值钱、后期平台形成生态。当前行业环境下资本市场对这类重资产项目的容忍度在回升因为大家看的不再是短期盈亏而是数据资产的长期价值。3.3 谁会在 AI4S 的下一轮爆发中掉队顺着上面的思路推演以下几类玩家可能在下一轮洗牌中面临压力依然只做纯算法、没有数据配套能力的 AI 公司。算法本身难以形成绝对壁垒别人用更好的数据训练两轮就能追上来。只做自动化设备、不做数据分析的硬件厂商。设备本身是标准化产品缺少算法和数据能力的加持很容易被上下游挤压。缺乏自动化改造能力的传统合同研究组织。人力成本逐年上升实验数据的结构化程度低在 AI 时代的竞争力会被迅速削弱。所以 Anthropic 这步棋对我们这些行业观察者的真正启示不是“某家 AI 公司很激进”而是整个 AI4S 的竞争维度正在发生结构性变化。从比模型到比数据再到比“数据生产的工业能力”这个升级路径已经清晰可见。4. 这则消息背后更值得关注的三件事4.1 Claude 在科研领域的定位从对话工具到科研操作系统的野心Claude 走到今天如果只把它当聊天机器人格局就太小了。从产品形态上看Anthropic 正在把 Claude 从“能聊天的模型”向“能执行科研任务的系统”方向延展。建湿实验室的意义绝不仅仅是给 Claude 提供数据而是给 Claude 提供一套“动手能力”的验证环境。想象一个未来的科研场景研究员用自然语言向 Claude 描述实验目标Claude 自动拆分任务调用湿实验室的自动化设备执行科学家只需要在关键节点做判断。这是完全不同于当前“人写代码、机器执行”的交互范式价值从“提高效率”变成了“重新定义工作流”。ChatGPT 把大模型带到了普通用户面前而 Claude 有机会在科学领域建立起“人机协作科研”的新范式这种差异化至少从商业逻辑上是说得通的。当然愿景归愿景执行环节的坑远比我描述的要多但大方向我是认可的。4.2 湿实验室基础设施的成本走向与人才需求既然要建湿实验室就绕不开成本和人才两个现实问题。设备的成本近两年确实在下降自动化移液工作站、智能培养箱这类设备的入门级方案已经比五年前便宜了不止一半。但真正的成本大头不是设备本身而是设施运维和人才。一个能跑传统生物实验的助理研究员和一位懂自动化设备、能写 Python 脚本、还会做数据分析的复合型实验科学家薪资差距可以达到两三倍以上。未来 AI4S 赛道最紧缺的既不是纯算法工程师也不是纯实验室研究员而是能把这两种思维融合在一起的复合型人才。对想进入这个赛道的人来说这是一个相当关键的信号与其执着于刷论文、比模型排名不如花时间了解一下自动化设备 API、实验室数据标准这些“脏活累活”。越少人愿意做的事越可能是未来的价值洼地。4.3 传统科研机构与 AI 公司之间的角色重构Anthropic 这类公司建湿实验室另一个深思熟虑的点可能在于重新定位与传统科研机构之间的关系。早期 AI4S 的合作模式基本都是科研机构提供问题和数据、AI 公司提供算法合作过程中大量数据留在机构端AI 公司只拿走一个模型积累十分有限。自建湿实验室之后合作关系的天平会发生明显倾斜。AI 公司不再只是“技术供应商”而是同时具备了“数据生产者”的身份这会让它们在和高校、药物研发企业的谈判中掌握更多话语权。这里我提醒一句不要轻视高校和科研院所的存量实验能力。AI 公司的自建平台在标准化、自动化上有优势但高校在创新性实验设计和基础机理探索上有更深的积累。未来更可能出现的是双向合作模式而不是单纯的取代。5. 落到我们自己身上怎么对待 AI4S 这波浪潮5.1 如果你是科研人员如果你是科研人员现在最值得做的事情不是焦虑 AI 会不会取代你而是赶紧想清楚怎么和 AI 协作。我认识的一些前沿课题组长已经在实验室里引入自动化设备和大模型辅助工具把重复性的实验操作交给机器把精力集中在实验设计和结果判断上。这实际上不是降级而是升级。具体做法上可以先从一个小流程开始改造。比如先把你最常做的一个实验流程标准化、数字化记录所有可记录的数据点。当你积累几百条结构化数据之后再回头用大模型去分析你会发现能看到很多以前肉眼观察忽略的规律。5.2 如果你是创业者如果你是创业者我的建议是克制一下“做平台”的冲动。当前阶段AI4S 的机会更多在单点突破比如某个实验环节的数据采集标准、某个特定领域的自动化设备集成方案先把一个点打透再考虑横向扩张。融资节奏上也要注意投资人现在越来越看重收入和真实客户纯讲故事的时代已经过去了。如果你能在两三个真实场景里跑通数据闭环并拿出客户愿意付费的证据融资难度会大幅下降。5.3 如果你是投资人如果你是投资人Anthropic 这则消息不应该让你得出“AI4S 已经成熟、该追热点”的结论反而应该让你更冷静地思考一个问题技术巨头的入场会把行业利润带向哪里。巨头自建实验平台对成长期的公司未必是利好因为它同时抢占了数据资源和客户资源。我通常会关注两类标的一类是能提供巨头难以自研的独特设备或实验能力的公司另一类是深耕某个细分科研场景、数据积累厚、客户粘性强的公司。前者可能被收购后者可能成为巨头生态里的重要节点各有各的价值路径。最后说一点个人体会。我在这个领域踩过不少坑最大的感触是AI4S 不是靠一两款聪明的模型就能赢的它的本质是一场基础设施革命。谁的实验设备能跑通自动化、谁能把实验数据变标准、谁能把科研假设到验证的回路缩短谁才是最后的赢家。Anthropic 下场建湿实验室替整个行业验证了一个方向数据才是科研 AI 真正的主战场而这些数据的生产方式正在从手工笔记转向自动化流水线。对我们来说与其追赶每一波热点的节奏不如老老实实把数据闭环这件事想清楚、做扎实。等风来之前先把场地收拾好的人才接得住真正的大雨。