AI 公司 Anthropic 正在将触角从模型层伸向应用层的最深处——药物研发。该公司宣布启动自己的药物发现项目，专门研究那些被传统制药和生物技术行业认为无利可图的被忽视疾病，研发重心放在早期、临床前阶段。

这一消息是在 Anthropic 发布其全新科学 AI 工具 Claude Science 的活动上披露的。公司方面表示，亲自下场做药与其非营利使命高度契合，更重要的是，通过在一线积累药物研发的实战经验，能够反哺其 AI 模型与工具的开发，为更广泛的行业提供更优解决方案。

在活动现场，Anthropic 还展示了 AI 加速医学研究的早期案例。加州大学旧金山分校的一名研究人员利用 Claude Science，在几分钟内就发现了一处其团队整整一年都未察觉的病毒污染。此外，Claude 在一小时内分析了 100 种罕见遗传病，并从中筛选出 32 个候选靶点进行计算机模拟筛选。

这些初步成果指向一个更大的产业命题：AI 能否系统性地缩短新药上市时间并提高成功率。对此，出席同一活动的诺华首席执行官 Vas Narasimhan 给出了量化展望。他指出，目前一款候选药物从研发走到获批，平均耗时约 12 年。他将延迟归为三类：信息延迟、操作延迟和生物学延迟。

Narasimhan 认为，新的 AI 工具和模型可以大幅压缩前两类延迟，这两者合计约占研发总时间的 40%。而生物学延迟——即动物试验、细胞模型和人体临床试验所必需的时间——则难以显著缩短。综合来看，整体研发周期有望从 12 年降至 7 到 8 年。

在成功率方面，Narasimhan 同样给出了乐观但克制的预期。目前行业平均成功率约为 8%，他预计通过更精准的安全性预测和分子特性优化，这一数字有望翻倍至 16%。不过他也承认，最大的挑战依然在于判断一个药物靶点在生物学上是否真的是对应疾病的关键所在，而通过优化患者筛选来提升成功率的效果仍不明朗。

Narasimhan 强调，即便这些看似温和的提升，放在全球大型药企的体量下也是巨大的。这些公司每年合计投入 1500 亿至 2000 亿美元用于研发，过去 120 年里总共只产出了 800 到 1000 种药物。研发效率哪怕只提高几个百分点，都意味着更多疾病有望被攻克，许多过去被认为不可成药的靶点也可能变得触手可及。

Anthropic 并非唯一盯上医药领域的 AI 巨头。Google DeepMind 早已通过蛋白质结构预测工具 AlphaFold 在生物学界声名大噪，其首席执行官 Demis Hassabis 还联合 Alphabet 创立了 Isomorphic Labs，专注将 AI 直接应用于药物发现。值得注意的是，AlphaFold 的共同开发者 John Jumper 近期已离开 DeepMind 加盟 Anthropic，这或许为后者此次进军药物研发增添了关键人才筹码。

在临床端，Google DeepMind 于 2026 年推出了 AI Co-Clinician 系统，围绕“三方护理”模式，让 AI 智能体在医生保持临床权威的前提下全程辅助患者。OpenAI 同样在近年加速布局医疗健康，于 2026 年初在 ChatGPT 内推出 ChatGPT Health 专区，允许用户连接医疗记录、Apple Health 数据及各类健康应用。

不过，对于 AI 直接介入诊断、治疗方案制定和患者护理等临床场景，独立专家仍持谨慎态度。牛津大学的 Catherine Pope 评价称，目前看到的结果“与日常医疗保健那个混乱、复杂、充满人情味的真实世界之间，还隔着一大段距离”。

Anthropic 此次亲自下场，将自身置于从算法到疗法的漫长链条中，既是其非营利定位的一次实践延伸，也是一场高风险的验证——AI 能否真正穿透生物学的不确定性，在那些商业回报有限但患者急需的领域，交出经得起临床考验的答卷。