Anthropic 已將 Claude 導入實際的藥物研發流程。值得關注的不只是它能產生實驗設計,而是結果能否重現,以及整個實驗流程能否真正閉環。
原文連結:https://www.anthropic.com/research/early-progress-drug-development
Anthropic 將這項工作定位為 early progress,而非最終的臨床結果,這個措辭必須如實保留。藥物研發不能止步於將論文轉換成看似合理的計畫;每一項判斷都必須接受真實實驗的檢驗。
相關報導登上 Hacker News 首頁,獲得 225 points 與 215 則留言。討論熱度反映開發者對此議題的高度關切,但更關鍵的問題是:Anthropic 展示了什麼,又刻意保留了什麼?
這則新聞究竟公布了什麼
這項研究聚焦 Claude 在藥物開發中的早期應用。公開摘要未列出已獲准上市的藥物或臨床試驗結果,也沒有揭露完整的專案資料。
目前可確認的資訊有三項:
- Anthropic 發布了〈Early progress on accelerating drug development with Claude〉。
- 研究對象是 Claude 應用於實際藥物研發流程的早期成果。
- Anthropic 將成果描述為加速藥物開發的「early progress」,並未將其呈現為最終的臨床結論。
然而,公開摘要並未揭露:
- 具體藥物名稱;
- 實驗週期;
- 成本;
- 成功率;
- 可供横向比較的對照基準。
因此,現階段只能確認 Claude 已參與部分研發環節,既不能據此斷言它提高了藥物研發成功率,也無法推論它縮短了藥物上市時程。
這也是評估 AI for Science 時經常面臨的問題。摘要擅長呈現研究廣度,讀者真正需要的卻是分母:總共做了多少實驗?失敗多少次?原本需要多少名專家投入多少時間?Claude 節省的是撰寫報告的時間,還是減少了無效實驗?
藥物研發不是聊天任務
藥物研發存在一條嚴格的依賴關係:
靶點 → 候選分子 → 濕實驗 → 臨床驗證
靶點是指藥物試圖介入的生物機制;候選分子則是可能作用於該靶點的化學結構。接下來還必須進行濕實驗,測量結合活性、選擇性、毒性、代謝與細胞效應,之後再經歷動物實驗、臨床試驗與監管審查。
每一個環節,都會淘汰前一階段的候選方案。
一個分子在論文中看似合理,不代表它在細胞中具有活性;具有細胞活性,不代表在動物體內有效;在動物體內有效,也不代表對人體安全有效。
Claude 產生實驗設計,與該設計能產出可信結果,是兩回事。後者至少需要:
- 預先定義的假設;
- 對照組與樣本數;
- 原始實驗紀錄;
- 失敗樣本的處理規則;
- 可重複的操作步驟;
- 外部實驗室的複現結果。
因此,「模型能寫出合理的方案」只能證明它在介面層運作良好,無法自動跨越靶點選擇、實驗失敗與臨床風險這幾道關卡。
通用 LLM 的優勢在於介面層
Claude 在這類任務中的優勢並非取代生物資訊軟體,而是整合資訊。
藥物研發資料分散於論文、專利、臨床試驗登錄、化合物資料庫與內部實驗紀錄之中;同一靶點可能對應數十種不同的機制描述。Claude 可以先閱讀這些材料,再將證據整理成可供審查的操作草案:目前已有何種結論、證據來自何處,以及還有哪些變數需要透過實驗確認。
它也適合提出替代假設。例如針對一個靶點列出數條可能的作用路徑,並為每條路徑對應候選分子、實驗讀數與淘汰條件。
但 Claude 不應越過工具邊界。結構預測、序列比對、化合物檢索與分子性質計算,都應交由專用工具處理。Claude 更合理的角色是協調這些工具,而不是憑藉語言機率猜測蛋白質結構。
一個可運作的介面大致如下:
from anthropic import Anthropic
client = Anthropic()
response = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=1200,
messages=[
{
"role": "user",
"content": (
"你是药物研发助手。根据以下实验记录列出:"
"1)支持结论的证据;2)相互矛盾的证据;"
"3)下一轮最小湿实验设计;4)淘汰标准。"
"不要补造未提供的数值。\n\n"
"实验记录:处理组细胞活力为对照组的 65%,"
"但重复批次差异较大,尚未完成剂量梯度实验。"
),
}
],
)
print(response.content[0].text)
這段程式碼呈現的是工作分工:模型負責整理證據、提出下一輪實驗;數值來自紀錄;模型也受到明確要求,不得補造缺失資訊。
這也解釋了通用 LLM 置於介面層的價值。它不必取代每一套專業系統;只要能穩定呼叫資料庫、分析工具與實驗平台,並保留各階段的中間結果,就能成為統一入口。
社群爭議集中於可驗證性
Hacker News 上的 225 points 與 215 則留言,將爭議焦點集中到可驗證性。
外界質疑並非停留在「AI 不該進入實驗室」這種原則層次,而是聚焦於幾個具體問題:
- 原始實驗紀錄是否公開?
- 是否設有不使用 Claude 的對照組?
- 每輪實驗實際耗時多久?
- 推理與工具呼叫的總成本是多少?
- Claude 提出的方案有多少真正進入實驗?
- 是否同時具備成功案例與失敗案例?
- 結果能否由另一間實驗室複現?
Anthropic 的公開摘要未提供具體藥物、實驗週期、成本、成功率或對照基準,這表示目前的公開證據不足以判斷實際加速幅度。
這也是論文摘要與可重現研究之間的落差。摘要可以說明方向,完整評估則需要更多材料:任務定義、資料版本、提示詞、工具呼叫軌跡、失敗案例與實驗 protocols。
對企業採購者而言,我會把供應商能否匯出完整稽核紀錄列為首要條件。每次模型呼叫使用了哪些上下文、呼叫了哪些工具、產生了哪些草案,以及人員做了哪些修改,都應該留存。否則,後續便無人能解釋某項決策是如何形成的。
評測重點應從速度轉向決策品質
「產生方案快了多少」很容易測量,卻不是最具商業意義的指標。
藥物研發真正該看的,是模型能否協助團隊減少無效勞動,並在有限預算下做出更好的實驗決策。
至少需要四類指標:
1. 實驗命中率
模型提出的候選方案進入濕實驗後,有多少能產生有效訊號?這裡的「有效」不能只寫成功,也必須統計無效實驗率,避免模型以大量碰運氣的方案刷出少數成功案例。
2. 解釋失敗樣本的能力
在真實研發中,失敗是常態。模型能否區分機制錯誤、劑量錯誤、批次問題與測量誤差?這比產生一個漂亮的假設更重要。
3. 預算限制下的決策品質
將成本與實驗次數設為硬性限制,再比較不同實驗組合。候選方案數量增加,並不代表專案更可能成功。
4. 跨實驗室複現率
同一份模型草案交由不同團隊依統一 protocols 執行,結果是否一致?如果必須靠某一位專家不斷修正才能落地,其泛化能力仍然有限。
更接近研發現場的評測集,應依專案切分資料,依時間保留訓練邊界,並記錄從模型建議到實驗結果的完整過程。僅針對最終報告進行文字評分,無法衡量決策品質。
編輯觀察
Claude 在藥物研發中的意義,目前更接近將零散證據整理成可審查的操作草案,而非取代藥物學家。通用 LLM 的長處恰好位於介面層:閱讀資料、串接工具、列出互相衝突的證據,以及設計下一輪實驗。真正的門檻仍卡在濕實驗與臨床驗證。
我的判斷是,AI for Science 接下來會分化為兩類產品:一類繼續以「閱讀速度」作為融資訴求;另一類則開始展示實驗命中率與複現紀錄。後者的數量不會迅速增加,但更接近客戶真正願意付費的價值所在。
這次與過去幾次 Agent 示範不同:它已進入一套具備硬性指標、昂貴耗材與明確淘汰規則的研發流程。因此,公開摘要未提供藥物、週期、成本、成功率與對照基準,並非無關緊要的細節,而是目前最關鍵的資訊。現有材料尚不足以證明 Claude 縮短了藥物上市時程;必須等待完整實驗數據公布,並由獨立實驗室完成複現後,才能做出結論。
# 來源
https://www.anthropic.com/research/early-progress-drug-development