这次重点不是模型，而是工作台
Anthropic 发布 Claude Science，最值得注意的地方不是“Claude 又会更多科学知识了”。公开信息里更关键的一句是：Claude Science 是面向科学家的 beta 工作台，不是一个新模型。
这说明 AI 产品竞争正在从“谁的模型更强”进入下一层：谁能把模型放进真实行业工作流里。对科研团队来说，问题不只是让 AI 回答一个问题，而是让它读文献、查数据库、跑代码、调用计算资源、生成图表、留下审计轨迹，并让研究人员能复核和复现。
如果你不是科学家，这件事仍然重要。因为同样的产品逻辑已经出现在 Claude Code、企业搜索、法律工具、数据分析平台和客服系统里。AI 公司不再只卖一个聊天框，而是在卖“某个行业怎样工作”的软件环境。
已确认发生了什么
Anthropic 在 2026 年 6 月 30 日宣布 Claude Science。官方公告把它定义为一个 AI workbench：整合研究人员常用的工具和包，生成可审计的 artifacts，并提供灵活的计算资源访问。
官方页面列出的能力包括：在 macOS、Linux 或远程机器 / HPC login node 上运行；接入 PubMed、Jupyter、R、集群终端等研究流程；为 genomics、single-cell、proteomics、structural biology、cheminformatics 等方向预置技能和连接器；生成图表、代码、环境信息、消息历史和解释，方便研究人员追溯结果。
Anthropic 还表示，Claude Science 以 beta 形式面向 Claude Pro、Max、Team 和 Enterprise 用户开放，并支持最多 50 个 AI for Science 项目，每个项目最高 30,000 美元 credits，申请窗口到 2026 年 7 月 15 日。
TechCrunch 和 TechRadar 对这件事的共同解读也很清楚：这不是新模型发布，而是工作流产品。The Verge 进一步报道了 Anthropic 在药物发现上的更大野心，但公开细节仍少，应该和“Claude Science 工作台已经发布”这件事分开看。
为什么是现在
过去一年，很多 AI 工具都经历了同一个瓶颈：模型能回答问题，但很难稳定进入团队的真实流程。
科学研究尤其明显。一个研究问题可能跨越文献库、预印本、实验数据、Python notebook、R 脚本、HPC 队列、3D 蛋白结构、图表、手稿和引用检查。单个聊天窗口可以帮忙解释一段代码，却很难承担整个任务链。
Claude Science 的切入点正是这个断层。它不是说“模型更聪明，所以科学会自动加速”，而是说“把模型放进研究者已经在用的工具、数据和计算环境里，并留下可复核轨迹”。
这也是为什么它对企业 AI 落地有参考价值。很多公司的问题不是没有试过 AI，而是 AI 试点停在演示层：能写摘要，不能接权限；能生成代码，不能进入部署流程；能做分析，不能解释数据血缘；能画图，不能复现计算过程。
一个行业 AI 工作台至少有五层
以后判断类似产品，不要只看模型名字。更实用的是看五层堆栈。
| 层级 | 要问的问题 | Claude Science 的对应信号 |
|---|---|---|
| 领域数据 | 能不能接触真实数据库、文献、文件和内部资料？ | 面向生命科学数据库、文献和实验数据流程 |
| 工具链 | 能不能调用行业常用工具，而不是只聊天？ | Jupyter、R、终端、科学可视化和专业连接器 |
| 计算资源 | 能不能跑在团队已有机器、远程环境或集群上？ | 支持本机、SSH、HPC login node 和按需计算 |
| 审计复现 | 每个结果能不能追溯代码、环境和消息历史？ | 输出包含代码、环境信息、解释和历史记录 |
| 人工复核 | 错误、引用、数字和图表能不能被检查？ | reviewer agent 检查引用、计算和图表一致性 |
这五层比“用了哪个模型”更接近真实采购问题。模型会换，工作台如果绑定了团队的工具、权限、数据和复核流程，迁移成本就会变高。
影响谁
对科研人员来说，最直接的变化是 AI 从“帮我解释这段代码”变成“帮我组织一次可复核的分析”。这能节省时间，但也会提高复核要求。越是接近论文、实验和临床方向，越不能把 AI 输出当最终结论。
对开发者和数据团队来说，Claude Science 是一个信号：行业 AI 产品会越来越像带工具权限的 agent 环境。未来写代码、跑数据、生成报告、交付客户材料，可能都需要同样的能力：调用工具、保留日志、复现结果、接受人工审批。
对企业买家来说，评估 AI 工具的关键词会变化。过去常问“支持哪个模型、上下文多长、价格多少”。现在还要问：数据留在哪里？谁能访问？结果怎么复现？失败时怎么追责？管理员能否启用或关闭？是否能接现有工作流？
对普通 AI 工具用户来说，这也是提醒：不要只追逐一个“更强模型”。很多时候，真正提高效率的是把工作流程拆清楚：输入从哪里来、工具怎么调用、输出怎么保存、谁来复核、失败时怎么回滚。
别把工作台当成自动科学家
Claude Science 的发布很容易被过度解读成“AI 要自动发现药物”。这个说法需要降温。
The Verge 报道 Anthropic 有更直接参与药物发现的计划，也提到外部专家认为 AI 已经进入药物研发许多环节。但同一类报道也强调，药物候选仍需要真实实验、毒性和有效性验证、临床试验、制造和监管审批。AI 可以加速部分搜索和分析环节，不等于跳过科学验证。
所以更稳妥的判断是：Claude Science 已确认代表一种行业工作台路线；Anthropic 的药物研发野心仍需要更多公开细节和长期结果证明。
评估行业 AI 工具的检查清单
如果你正在评估 Claude Science 或任何垂直 AI 工作台，可以先问这 8 个问题：
| 问题 | 为什么重要 |
|---|---|
| 它是新模型，还是把现有模型放进工作流？ | 避免被模型发布叙事带偏 |
| 它接哪些真实工具和数据源？ | 决定能否进入日常工作 |
| 数据是否必须上传到第三方？ | 决定隐私、合规和企业接受度 |
| 结果是否带代码、来源、环境和历史？ | 决定能否复现和审计 |
| 人能否审批高风险动作？ | 决定是否适合生产流程 |
| 出错时能否定位是哪一步错了？ | 决定维护成本 |
| 是否只适合 demo，还是能承受长任务？ | 决定真实价值 |
| 迁出成本有多高？ | 决定长期锁定风险 |
这份清单不只适用于科学。评估 coding agent、法务 AI、客服 AI、数据分析 agent 和企业搜索时，也可以复用。
下一步观察点
接下来最值得看三件事。
第一，Claude Science 的 beta 用户能否公开分享可复现案例，而不只是营销描述。真正有价值的案例应该包含输入、工具、计算过程、人工复核和失败处理。
第二，企业和科研机构是否愿意让 AI 工作台接入真实敏感数据。产品说“运行在你的基础设施上”是一回事，团队如何配置权限、日志、管理员开关和数据留存是另一回事。
第三，竞争对手是否会跟进垂直工作台。OpenAI、Google、AWS、专业科研软件公司和开源工具链都有自己的位置。最后胜出的未必是模型最强的一方，而可能是最会进入行业流程的一方。
Claude Science 的意义不在于证明 AI 已经可以独立做科学。它更像一个清晰信号：AI 公司正在从“模型供应商”走向“行业工作环境供应商”。对读者来说，真正该学会的是：以后判断 AI 工具，别只看它会说什么，要看它能不能进入你真实工作的每一步，并且留下可检查的证据。