企业官网建设流程全解析

Anthropic 下场搭建湿实验室，AI4S 赛道要起飞了吗？

前几天圈子里都在转 Anthropic 要下场搞湿实验室的消息。乍一听有点反直觉：一家做大模型的公司，怎么突然跑去买移液枪和培养皿了？但细想一下，这可能是 2024 年以来 AI for Science（AI4S）赛道里信号感最强的一个动作。

先说结论：Anthropic 想做的，大概率不是把实验室当成一个炫技的 demo，而是要补上整个 AI4S 闭环里最贵、最脏、也最缺的那一块——真实世界的高通量数据。Claude 再聪明，它也不会自己闻到培养基的味道、不会自己看见沉淀反应的颜色变化，这些感官级的观察数据，恰恰是生物学、化学、材料学里 AI 模型落地的最大瓶颈。

这篇内容我想从几个角度聊聊：Anthropic 为什么选择湿实验室这条路径、干湿结合到底怎么跑通、以及这件事对整个 AI4S 赛道的玩家来说意味着什么。不管你是做科研的、做投资的，还是纯粹关心 AI 能带来什么新东西的读者，应该都能从中找到自己关心的点。

1. Anthropic 为什么盯上湿实验室：从模型军备竞赛到数据军备竞赛

1.1 模型能力碰壁，瓶颈已经不在算力上

过去两年，大模型的竞争焦点基本集中在参数规模、上下文长度、推理能力这些维度上。说实话，你要是拿 Claude、GPT 系列和其他主流模型去跑几轮科研任务，会发现通用推理能力已经差距不大，真正拉开差距的地方，反而是“有没有数据”和“能不能拿到数据”。

具体到科研场景，问题更明显。蛋白质结构预测有 PDB 数据库可以用，药物分子有 ChEMBL 这样的公开数据集可以训练，但一旦遇到细胞培养条件优化、培养基配方筛选、基因编辑后的表型观察这类实验场景，公开数据就几乎是一片空白。这些数据散落在全球各个实验室的笔记本、Excel 表格和仪器日志里，格式五花八门，有的甚至根本没电子化。

有个很形象的比喻：现在的 AI 做科研，就像一个只读过教科书、从来没进过实验室的天才学生。理论知识储备足够丰富，但一到真实操作就抓瞎，因为没有见过足够多的“真实失败案例”。

1.2 湿实验室不是随便建的，它在解决“数据从哪里来”的问题

湿实验室是相对于干实验室（纯计算、模拟）而言的概念，简单说就是会用到试管、培养皿、离心机、色谱仪这些实体设备的实验环境，处理的是真正的生物、化学样本。Anthropic 下场建湿实验室，按我的理解，核心诉求有两条。

第一条，是要拿到自产自销的私有数据。AI 模型的训练离不开数据，科研领域的数据更是如此。与其依赖外部数据源的授权或者合作扫描，不如自己建一个实验设施，所有实验记录、失败日志、观测数据全部归自己所有，这不光在训练数据上形成壁垒，在数据权属上也干净很多。

第二条，是要建立“假设—验证—反馈”的自动化闭环。大模型生成一个科学假设很容易，难的是如何快速验证这个假设。如果实验设施是外部合作的，验证周期可能是一周、一个月，反馈速度慢得让人抓狂。但如果是自己掌控的湿实验室，理想状态下可以做到当天生成假设、当天开展实验、隔天回收数据，这个迭代速度是外部合作完全没法比的。

很多人可能觉得，Anthropic 一个 AI 公司建实验室是不是步子迈太大了。我的判断恰恰相反：如果不在这个节点布局，过两年等竞争对手把数据链条跑通，再追赶的成本会翻很多倍。

2. 湿实验室 + 大模型：干湿闭环的具体形态拆解

2.1 干实验和湿实验的分工逻辑

在传统科研流程中，干实验（计算模拟）和湿实验（实体操作）经常是分离的。你做分子动力学模拟，跑完一轮计算得到候选分子，然后去湿实验室合成、表征、测试活性，一轮下来少说两三个月。这个速度放在 AI4S 的语境里，慢到几乎无法使用。

干湿闭环要做的事情，是把这两个环节的反馈周期从“月”压缩到“天”甚至“小时”。具体拆开看，大概是这么几个步骤：

• 假设生成环节，由大模型基于已有文献和知识库，生成一个可操作的实验假设，比如“在某种特定浓度的诱导剂下，这种工程菌的产物表达量可能提升 30%”。
• 实验设计环节，由模型自动拆解成具体的实验方案，包括试剂浓度梯度、温度条件、时间节点、对照组设置等。
• 自动化执行环节，由液体处理工作站、自动化培养箱、高通量检测设备按方案执行，尽量减少人工干预。
• 数据采集环节，仪器自动记录所有读数、图像、曲线，并回传到统一的数据平台。
• 分析反馈环节，大模型读取实验结果，修正假设，生成下一轮实验方案。

如果五个环节全部跑通，理论上一个科研小组一周能完成的实验轮次，可以从原来的 1 到 2 轮提升到 10 轮以上。这背后不仅意味着效率提升，更重要的是模型可以基于大规模的高质量标注数据持续进化。

2.2 数据飞轮怎么转：为什么私有数据比公开数据更值钱

公开数据像是一个没加过滤器的水龙头，量大但杂质多，清洗成本极高。而自建实验室产出的数据，最大的优势不是“量”，而是“结构化”和“可回溯”。

什么叫结构化？你的自动移液工作站记录的不只是“加了 20 微升试剂”，而是精确到哪一个孔位、哪个批次、用的哪一支移液枪头、环境温湿度是多少、时间戳精确到秒。这些细节决定了数据的二次利用价值。传统实验室的手写记录根本做不到这个粒度。

什么叫可回溯？任何一个异常实验数据的背后，都能定位到对应的操作记录、仪器编号、试剂批号。当模型训练过程中发现某个数据点异常时，你可以快速判断是设备误差还是真实生物学现象，而不是对着一个孤立数据点发呆。

所以 Anthropic 建湿实验室的行为，本质上是在给自己的模型产品构建一套数据护城河。这条路和当年搜索引擎爬网页、社交网络积累用户行为数据是同一个逻辑：先发者一旦把数据飞轮转起来，后来者就不是“做得更好”能追上的问题了。

2.3 自动化设备的选型思路：机器人和仪器之间的“胶水”

聊到自动化湿实验室的具体落地，就绕不开设备和设备的对接问题。市面上的自动化实验设备说多不多说少不少，但最大的痛点始终是异构设备的联通。你买一台自动化培养箱、一台酶标仪、一台移液工作站，它们各自的软件系统可能完全不兼容，数据格式也不统一。

实操层面，目前主流的做法是三层架构：底层是执行层（各类实验设备），中间是调度层（负责任务编排和数据采集），顶层是 AI 层（负责任务理解和结果分析）。中间调度层大多基于开源方案做二次开发，比如用 Python 写场景脚本、用 MQTT 这类轻量级协议做设备通信，再配合数据库做实验记录归档。

如果你也在规划类似的自动化实验环境，我的经验是别一上来就追求全流程自动化。先打通一条标准路径——比如“移液→培养→检测”三个环节的数据回流，比同时改造十条路径更有实际价值。数据回路打通之后，再逐步增加设备类型和实验类型，这个爬坡过程会平滑很多。

3. AI4S 赛道现状：走过弯路之后，钱开始流向正确的地方

3.1 前两年 AI4S 的实践：算法很强，但平台很弱

如果回顾一下 2021 年到 2023 年之间的 AI4S 实践，你会发现一个普遍现象：做算法的团队非常多，做数据和实验平台的团队非常少。原因也不难理解，算法团队的门槛相对低，几张 GPU 卡加几个开源模型就能跑出看起来不错的结果，论文也好发，融资故事也好讲。但建湿实验室天然是重资产运营，回报周期长，技术栈复杂，劝退了绝大多数团队。

结果就是，AI4S 赛道上挤满了“会下棋的棋手”，但真正能生产高质量棋谱的“棋谱工厂”少得可怜。很多团队拿着别人的公开数据集做训练，跑出来的模型在公共 benchmark 上效果很好，一到客户现场就失灵，因为实验室环境和设备类型一变，数据分布就完全对不上。

这恰恰解释了为什么资本和市场最近开始对湿实验室项目表现出浓厚兴趣——大家逐渐意识到，如果底层数据问题不解决，算法层面的优势根本无法转化为稳定的产品壁垒。Anthropic 亲自下场，某种程度上是把这条赛道从“阶段一”推向了“阶段二”，从单纯的算法竞争转向了“算法 + 数据 + 基础设施”的综合竞争。

3.2 重资产 AI4S 的商业模式怎么成立

自建湿实验室听起来很贵，但只要商业模式设计得当，这笔账完全算得过来。我梳理一下目前常见的几种盈利逻辑：

不同阶段的盈利重心可以不一样，但这几条路径的共同点是：前期投入大、中期数据值钱、后期平台形成生态。当前行业环境下，资本市场对这类重资产项目的容忍度在回升，因为大家看的不再是短期盈亏，而是数据资产的长期价值。

3.3 谁会在 AI4S 的下一轮爆发中掉队

顺着上面的思路推演，以下几类玩家可能在下一轮洗牌中面临压力：

• 依然只做纯算法、没有数据配套能力的 AI 公司。算法本身难以形成绝对壁垒，别人用更好的数据训练两轮就能追上来。
• 只做自动化设备、不做数据分析的硬件厂商。设备本身是标准化产品，缺少算法和数据能力的加持，很容易被上下游挤压。
• 缺乏自动化改造能力的传统合同研究组织。人力成本逐年上升，实验数据的结构化程度低，在 AI 时代的竞争力会被迅速削弱。

所以 Anthropic 这步棋，对我们这些行业观察者的真正启示不是“某家 AI 公司很激进”，而是整个 AI4S 的竞争维度正在发生结构性变化。从比模型，到比数据，再到比“数据生产的工业能力”，这个升级路径已经清晰可见。

4. 这则消息背后，更值得关注的三件事

4.1 Claude 在科研领域的定位：从对话工具到科研操作系统的野心

Claude 走到今天，如果只把它当聊天机器人，格局就太小了。从产品形态上看，Anthropic 正在把 Claude 从“能聊天的模型”向“能执行科研任务的系统”方向延展。建湿实验室的意义，绝不仅仅是给 Claude 提供数据，而是给 Claude 提供一套“动手能力”的验证环境。

想象一个未来的科研场景：研究员用自然语言向 Claude 描述实验目标，Claude 自动拆分任务，调用湿实验室的自动化设备执行，科学家只需要在关键节点做判断。这是完全不同于当前“人写代码、机器执行”的交互范式，价值从“提高效率”变成了“重新定义工作流”。

ChatGPT 把大模型带到了普通用户面前，而 Claude 有机会在科学领域建立起“人机协作科研”的新范式，这种差异化至少从商业逻辑上是说得通的。当然，愿景归愿景，执行环节的坑远比我描述的要多，但大方向我是认可的。

4.2 湿实验室基础设施的成本走向与人才需求

既然要建湿实验室，就绕不开成本和人才两个现实问题。设备的成本近两年确实在下降，自动化移液工作站、智能培养箱这类设备的入门级方案已经比五年前便宜了不止一半。但真正的成本大头不是设备本身，而是设施运维和人才。

一个能跑传统生物实验的助理研究员，和一位懂自动化设备、能写 Python 脚本、还会做数据分析的复合型实验科学家，薪资差距可以达到两三倍以上。未来 AI4S 赛道最紧缺的既不是纯算法工程师，也不是纯实验室研究员，而是能把这两种思维融合在一起的复合型人才。

对想进入这个赛道的人来说，这是一个相当关键的信号：与其执着于刷论文、比模型排名，不如花时间了解一下自动化设备 API、实验室数据标准这些“脏活累活”。越少人愿意做的事，越可能是未来的价值洼地。

4.3 传统科研机构与 AI 公司之间的角色重构

Anthropic 这类公司建湿实验室，另一个深思熟虑的点，可能在于重新定位与传统科研机构之间的关系。早期 AI4S 的合作模式基本都是科研机构提供问题和数据、AI 公司提供算法，合作过程中大量数据留在机构端，AI 公司只拿走一个模型，积累十分有限。

自建湿实验室之后，合作关系的天平会发生明显倾斜。AI 公司不再只是“技术供应商”，而是同时具备了“数据生产者”的身份，这会让它们在和高校、药物研发企业的谈判中掌握更多话语权。

这里我提醒一句：不要轻视高校和科研院所的存量实验能力。AI 公司的自建平台在标准化、自动化上有优势，但高校在创新性实验设计和基础机理探索上有更深的积累。未来更可能出现的是双向合作模式，而不是单纯的取代。

5. 落到我们自己身上：怎么对待 AI4S 这波浪潮

5.1 如果你是科研人员

如果你是科研人员，现在最值得做的事情，不是焦虑 AI 会不会取代你，而是赶紧想清楚怎么和 AI 协作。我认识的一些前沿课题组长，已经在实验室里引入自动化设备和大模型辅助工具，把重复性的实验操作交给机器，把精力集中在实验设计和结果判断上。这实际上不是降级，而是升级。

具体做法上，可以先从一个小流程开始改造。比如先把你最常做的一个实验流程标准化、数字化，记录所有可记录的数据点。当你积累几百条结构化数据之后，再回头用大模型去分析，你会发现能看到很多以前肉眼观察忽略的规律。

5.2 如果你是创业者

如果你是创业者，我的建议是克制一下“做平台”的冲动。当前阶段，AI4S 的机会更多在单点突破，比如某个实验环节的数据采集标准、某个特定领域的自动化设备集成方案，先把一个点打透，再考虑横向扩张。

融资节奏上也要注意，投资人现在越来越看重收入和真实客户，纯讲故事的时代已经过去了。如果你能在两三个真实场景里跑通数据闭环，并拿出客户愿意付费的证据，融资难度会大幅下降。

5.3 如果你是投资人

如果你是投资人，Anthropic 这则消息不应该让你得出“AI4S 已经成熟、该追热点”的结论，反而应该让你更冷静地思考一个问题：技术巨头的入场会把行业利润带向哪里。巨头自建实验平台，对成长期的公司未必是利好，因为它同时抢占了数据资源和客户资源。

我通常会关注两类标的：一类是能提供巨头难以自研的独特设备或实验能力的公司，另一类是深耕某个细分科研场景、数据积累厚、客户粘性强的公司。前者可能被收购，后者可能成为巨头生态里的重要节点，各有各的价值路径。

最后说一点个人体会。我在这个领域踩过不少坑，最大的感触是：AI4S 不是靠一两款聪明的模型就能赢的，它的本质是一场基础设施革命。谁的实验设备能跑通自动化、谁能把实验数据变标准、谁能把科研假设到验证的回路缩短，谁才是最后的赢家。Anthropic 下场建湿实验室，替整个行业验证了一个方向：数据才是科研 AI 真正的主战场，而这些数据的生产方式，正在从手工笔记转向自动化流水线。对我们来说，与其追赶每一波热点的节奏，不如老老实实把数据闭环这件事想清楚、做扎实。等风来之前，先把场地收拾好的人，才接得住真正的大雨。