10月21日消息，人工智能公司Anthropic今日宣布，对其AI模型Claude进行一系列重要升级，核心目标在于强化该模型在生命科学领域的应用能力，从而推动科研进程加速发展。据悉，该公司最终希望借助这一系列改进，将生命科学的研发效率提升至全新量级，实现原本需要百年才能完成的科学进展，在十年内达成的宏伟目标。
同日，Anthropic生命科学部门两位高管Jonah Cool与Eric Kauderer-Abrams通过一场专题播客，详细阐释了该公司将AI技术深度应用于生命科学研究的长远规划。展望未来，Anthropic计划将Claude打造成为具备"超级研究助手"水平的智能伙伴，协助科学家高效完成从实验设计到数据分析等各个环节的科研任务。
值得注意的是，Anthropic今日还正式推出了AI编程工具Claude Code的网页版本。用户现在可以直接通过浏览器委派编程任务，无需依赖本地终端环境，即可享受云端并行开发、实时进度追踪及安全沙箱运行等多项功能。这一举措进一步降低了Claude Code的使用门槛，或将使更多非专业编程人员也能从中受益。
值得关注的是，目前备受瞩目的Claude Code已经突破传统编程工具的局限，作为通用智能体在生命科学领域获得广泛采用。
据Anthropic介绍，Claude Code现可直接用于论文草稿撰写、高效完成文献综述以及智能管理研究项目等多个方面，使得原本耗时且繁琐的工作流程变得更为轻松高效。
此前，科研机构及制药公司等多将Claude应用于代码编写、论文总结或销售支持等单一任务。而Anthropic期望通过本次升级，让Claude能够全面支持生命科学领域从早期研究到商业化转化的全过程，成为研究人员、临床协调员和法规事务经理等专业人士的得力助手。
为实现这一目标，Anthropic首先提升了其核心模型的底层能力。根据其公布的数据，最新一代模型Claude Sonnet 4.5在多项生命科学基准测试中表现突出。这也是该公司首款经过系统科学专项训练的模型。
在评估实验室方案理解与应用能力的Protocol QA测试中，Claude Sonnet 4.5获得0.83的高分，超越了人类基准分数0.79，同时也优于前代Claude Sonnet 4的0.74分。在生物信息学任务评估BixBench方面，新模型相比前代亦有显著提升。
在功能层面，Anthropic正通过三大方向来增强Claude的科学实用性：新增科学平台连接器、引入"智能体技能"以及提供生命科学专用的提示词库和专业支持。
集成科学工具生态
Anthropic最新推出的一系列连接器，旨在让Claude能够直接访问并操作专业科学工具与数据库，从而更深入地融入科研工作流程。这些连接器种类丰富，基本覆盖了当前主流的科学工具和数据库（见下表）。
通过这些连接器，Claude可以提供有据可查的科学问答，绘制合规的科研图表，并进行数据分析类任务。
这些科学专用连接器将与现有的通用工具（如Google Workspace、Microsoft系列产品）以及数据分析平台（如Databricks、Snowflake）形成互补。
引入"技能"以实现标准化操作
Anthropic近期发布的"智能体技能"功能也被定位为科学应用的关键。技能是包含指令、脚本和资源的预设包，能使Claude在执行特定任务时遵循既定方案，保证操作的一致性和可预测性。
该公司正在开发首批科学技能，例如基于scverse最佳实践的"single-cell-rna-qc"技能，用于对单细胞RNA测序数据进行自动化质量控制和过滤。同时，Anthropic也鼓励科学家根据自身需求构架自定义技能。
Claude对单细胞RNA测序数据进行质量控制
提供专用提示词库
据Anthropic介绍，增强后的Claude现可支持多种生命科学任务。包括进行文献综述、提出可检验的假设等基础研究工作，也可借助Benchling连接器，起草研究方案、标准操作程序等文件，生成研究方案。
Claude还能完成更为复杂的任务，例如在Claude Code中处理分析基因组数据，并以多种格式呈现结果，或是协助起草、审阅监管提交文件，并汇编合规数据。
为帮助用户快速上手，Anthropic正在创建针对上述任务的专用提示词库。
Anthropic透露，已有多家现有客户和合作伙伴将Claude应用于实际的科学任务中。此外，该公司通过"AI for Science"计划，为从事高影响力科研项目的领先实验室提供免费的API积分支持，旨在促进前沿探索并识别Claude的新应用场景。
结语：继编程之后，Claude入局生命科学赛道
继编程领域取得显著进展后，Anthropic又将目光投向了生命科学这一垂直领域。通过专业化、工具化的升级，Claude正在展现AI在垂直领域深度融合的巨大潜力。
此前，生命科学已成为科学智能的重要研究方向，但已有的AI工具更多关注于某一具体环节。当大模型能够理解实验协议、操作专业平台、遵循科研规范，它就有望超越纯粹的辅助工具，成为真正意义上的科研"同事"。
