2026年8月19日Anthropic发布了一份不寻常的研究报告。不寻常之处不在于又一项AI能力声明而在于它有实验室数据支撑Claude模型针对15个蛋白质靶点自主完成了从选靶、生成结构、计算筛选到提交设计的全流程最终1,320条设计中354条在真实湿实验室中确认结合命中14个靶点整体命中率26.8%——而行业典型水平是10%至15%。这一数字来自合作方Adaptyv Bio的独立测量而非Anthropic内部自评。两倍命中率背后不是运气是系统性优势理解这组数字需要先了解蛋白质从头设计de novo design的难度。设计一种全新的结合剂传统上意味着蛋白质工程师用数月时间完成计算优化与序列筛选。即便有专用机器学习工具辅助整个流程也通常需要计算专家花费数天乃至数周编排任务。Claude在这次实验中承担的不是某个环节的加速而是完整的任务链自主决定在每个靶点上的设计位点生成候选蛋白质序列调用外部专业模型评估结合可行性再筛选提交。Anthropic在官方博客中写道整个过程仅需极少的人工干预。结果存在明显的靶点差异这本身也是有价值的信息。据Adaptyv Bio发布的案例数据在TREM2靶点上Claude的命中率达到80%而此前Adaptyv Bio竞赛中人类参赛者的成绩是38.3%在RBX1靶点上单靶点模式下命中率40%竞赛参赛者的历史成绩是3.7%。在15-PGDH靶点上Claude设计的最强结合剂亲和力从1.7微摩尔提升至33.4纳摩尔提高了约50倍。Adaptyv Bio数据还显示Claude设计的候选蛋白表达成功率达95%说明序列本身在细胞体系中具有良好的可合成性。但也有一个明确的失败案例麦芽糖结合蛋白MBP靶点90条设计全部未能确认结合。Anthropic没有回避这一点。失败案例的存在让整个报告更可信它说明这不是经过筛选才公开的数据集而是完整的实验记录。另一项被低估的结果化学分析的时间压缩同一篇博客中Anthropic还公布了第二项实验关注度相对较低但在药物研发效率层面可能更有直接价值。核磁共振NMR和液相色谱-质谱LC-MS数据分析是药物合成后必须完成的质量控制步骤——用于判断化合物的身份和纯度。这项工作传统上需要化学家逐步手动处理耗时数小时且通常依赖仪器厂商的专有软件才能读取原始文件。Anthropic向Claude Opus 5提供了合同实验室的原始文件和两句话的指令没有提供任何厂商软件。据官方博客披露Opus 5分别在23分钟和19分钟内返回NMR和LC-MS的完整分析结果并行处理总报告约25分钟内完成。精度方面实验室测定纯度96.33%Opus 5报告96.4%误差在0.1个百分点以内氢原子计数每峰偏差在0.08个¹H以内。这个案例意味着什么一个通用语言模型在没有专用工具的情况下完成了本属于专业化学软件人工判读的任务精度达到实验室水准。这不是未来的预期而是已经发生的事实。能力被主动限制一场公开的权衡声明实验结果公布的同时Anthropic做了一件在商业AI公司中并不常见的事主动声明限制。博客中明确写道蛋白质设计等双重用途生物研究能力目前对Claude Fable 5的普通用户不开放最强模型的生物研究权限正在受控。这一声明的时间节点颇为微妙。就在报告发布两天后即2026年8月21日RAND研究院发布警告AI正将生物武器的开发门槛大幅降低可能催生规模是COVID十倍的生物威胁。该报告指出大型语言模型回答生物武器释放相关问题的准确率已从2024年的15%提升至80%生物AI预测蛋白质与小分子相互作用的能力从42%提升至90%。这两件事放在一起勾勒出一个清晰的结构性矛盾AI蛋白质设计能力的商业价值与军民两用风险正在以同等速度上升而行业尚无公认的访问控制标准。Anthropic的回应方式是公布能力、限制访问、预告受信任访问计划。这种处理思路的逻辑是通过公开验证数据建立科学可信度同时用访问管控为合规留出空间。但受信任访问计划的具体标准、审核机制和监督主体目前尚未披露。与人类专家对比的正确读法外界讨论这项研究时最常被引用的框架是AI战胜人类专家。这个叙事在数字上成立但机制层面需要更精确的描述。Adaptyv Bio用于对比的竞赛数据是不同时间点、不同参与者提交的结果并非同步设计竞赛。Claude对部分竞赛靶点有访问权限但被明确要求不能以已有结合剂为起点——这是一项设计约束用于评估从头设计能力而非直接的同场比拼。在这个前提下Claude在6个有对比数据的竞赛靶点中5个取得了更高亲和力。更值得关注的不是超越人类的数字本身而是超越的机制Claude的优势体现在以更高密度探索设计空间——在相同时间内生成并筛选更多候选而不是每条设计的质量超越人类工程师的直觉判断。这意味着它的边界也很明确当某个靶点本身在结合动力学上存在根本性难点如MBP数量优势无法转化为命中结果。药物研发真正的瓶颈在哪里Anthropic在博客中有一句话值得单独拎出来药物研发中的许多瓶颈与核心科学能力的提升无关而更多来自政策和运营层面的限制。蛋白质小结合剂minibinder不是标准治疗模式高亲和力结合剂只是药物开发的第一步后续还有药代动力学优化、毒理测试、临床前验证、监管审批等一系列环节每个环节都有其独立的时间成本和不确定性。AI加速的是从想法到候选分子这段距离而非从候选分子到上市药物的全程。但即便只加速这一段意义也相当具体过去一个项目需要蛋白质工程师耗费数月完成的计算设计阶段现在可以在一次48小时的自主任务运行中完成且外部实验室验证命中率超过行业平均两倍。这将药物早期发现的试错成本大幅压低。独立判断这项实验的价值在于它是AI在生命科学领域第一次通过了不由AI自己评判的验证——湿实验室的结合亲和力测量不存在模型自我评分的空间。354条蛋白质确实结合了或者没有。这种硬验证的稀缺性正是它比绝大多数AI能力声明更值得重视的原因。与此同时Anthropic同步限制最强模型访问权限并在公告中主动提及双重用途风险这是一种主动暴露而非掩盖矛盾的姿态。在AI行业惯于强调能力、回避风险的叙事环境中这一姿态本身具有参考意义——尽管受信任访问计划的具体细节仍需进一步落实才能评价其实质效果。最终这项研究划定了一条新的能力基线通用推理模型在专业生物工具链的协助下可以完成此前需要专业团队数月才能完成的计算蛋白质设计任务且结果经得起第三方实验室检验。这个基线一旦确立就无法被撤回。接下来的问题是谁能访问这个能力、在什么条件下访问以及谁来制定这些条件。Sources: - Case study: Benchmarking Claude’s protein designs in the wet lab | Adaptyv Bio - Claude Runs Autonomous Protein Design Campaign: Wet Lab Confirms Twice Industry Hit Rate | TechTimes - How Claude is accelerating protein design and analytical chemistry | Anthropic - Anthropic Says Claude Designed Protein Binders For 14 Of 15 Targets | Dataconomy - AI could supercharge biological weapons ‘ten times’ scale of COVID, report warns | BizPacReview - Autonomous de novo protein binder design with Claude (Claude Science 1 paper)本文首发于赢政天下https://www.winzheng.com获取更多深度技术内容与资源欢迎访问官网。