把一台 F1 发动机拧到三轮车上，车不会飞，只会先散架。我觉得 Claude Science 押对了：科研AI先拼工作台，不先拼模型。实验室今天最缺的，不是一个更会答题的天才，而是一张不断电、可追溯、能调度算力的操作台。
Anthropic 在 2026 年 6 月 30 日推出 Claude Science，最值得看的，不是又把 Claude 训练得更像一个会背论文的优等生，而是它终于承认了一件常被假装看不见的事：科学研究不是问答比赛，是一条脏、长、碎的生产线。论文库、代码本、统计环境、图表、集群、手稿、引用、版本，像一屋子脾气都不小的亲戚，研究员每天做的，常常不是发现，而是协调。
反常识恰恰在这里。大家以为科研AI的胜负，先看谁的模型更懂专业、更会推理、更像天才。错。科研里更要命的，从来不是“想不出来”，而是“接不上去”“跑不起来”“对不上账”“复现不了”。模型像发动机，工作台才是底盘。没有底盘，马力越大，散架越快。
凌晨一点二十，做单细胞分析的博士后盯着四个窗口：论文库、Jupyter（交互式代码笔记本）、R（统计计算环境）、集群终端。她只是想把图上的横轴改成对数坐标，结果要回去改脚本、重跑结果、替换正文里的两个数字，再核对那句引用有没有跟着变。这里最需要的，不是一个会说“建议改成对数坐标”的模型，而是一个知道这张图从哪段代码来、这两个数字从哪个表里长出来、改完以后哪些地方必须一起动的工作台。
能复现的答案才叫结果，不能复现的答案，只是文风漂亮的幻觉。
再看病毒学实验室。群里转着一张数据库筛选截图，像祖传菜谱。要从 NCBI Virus（病毒序列数据库）里捞出一批历史序列，老手点几下网页就能做完；换成 AI，常常不是脑子不够，而是过滤逻辑只活在网页按钮里。Anthropic 6 月那篇写生物代理的文章，讲得很直白：强模型单打独斗时，取序列都未必稳；加上一层确定性的抓取工具后，准确率几乎顶到 100%。这才是实情。科研AI的瓶颈，不在脑子不够大，在手脚不够齐。
实验室最贵的，不是 GPU，而是研究员被工具切碎的注意力。
还有写综述的人。不是名人，不是神话，就是一个被几千篇论文和几百个数字包围的神经科学研究者。过去写一篇长综述，常常像在废纸堆里绣花：先读，后摘，再归档，再做跨研究图表，最后还得防着某个数字在搬运途中偷偷换了脸。Claude Science 里有人把这事拆成大约 20 个定制技能，让不同代理去读论文、抽中心论点、记关键定量结果，再由另一组代理生成图表、检查引用、核对数字。以前两年磨一篇，现在先把骨架、证据和图跑出来。这里节省的不是打字时间，是把学者从“抄目录”和“对页码”的苦役里赎出来。
科学不是一句灵光乍现，它是数据库、脚本、图表、审稿痕迹的接力赛。
所以 Claude Science 真正值钱的地方，不是“Claude 终于懂科学了”，而是“Claude 终于有地方干活了”。它把文献分析、图表生成、手稿修改、代码环境、算力调度、审稿式校验，尽量收进同一张桌子上；图是带代码来的，数字是带来路来的，任务可以扔到实验室自己的 Linux（科研常用操作系统）机器和 HPC（高性能计算集群）上跑，敏感数据不必像过年走亲戚一样到处串门。这不是给 AI 戴白大褂，这是给它装手、装脚、装工具箱。
更关键的是，科学家本来就有自己信得过的模型、数据集、老脚本、旧流程。科研不是一片等待大模型开垦的荒地，而是一座已经有人住、规矩很多、门牌很乱的旧城。谁想进去，不是先表演智商，而是先学会接电、认路、记账、留痕。人类学一点看，实验室从来不是单个天才的大脑剧场，它是仪器、数据库、配额、命名法、同行评审和组织习惯共同搭起来的秩序。嵌不进这个秩序，再聪明也只是访客。
谁先占住工作台，谁才配谈改写科学。
这也是为什么我对这件事的判断很硬：科研AI最后拼的，不是谁最像一个夸夸其谈的博士，而是谁最像一个让博士舍不得关掉的桌面。它更像 Bloomberg（金融数据终端），不是因为它会说，而是因为它把信息、命令、记忆和流程焊成了日常；它更像操作系统，不像辩论冠军。科学家不会因为某个模型多背了两篇论文就改工作流，他们只会因为它真的能连上自己的世界，才把一天交给它。
模型是脑，工作台是身体。没有身体，再聪明的脑子，也只剩一张会说话的嘴。
文中涉及的产品细节，主要来自 Anthropic 于 2026 年 6 月 30 日发布的 Claude Science，以及同年的 Paving the way for AI agents in biology、Long-running Claude for scientific computing 和 Making Claude a chemist。
别人聊 AI，我们测 AI——每个结论都能下载原始数据自己复算。 🔗 官网 👉 https://crawdpad.com