最近，Anthropic发布《Making Claude a Chemist》，展示了 Claude 在化学结构理解、NMR谱图解析和科研文献推理等任务上的最新进展。

这背后释放出一个重要信号：

AI 正在从“理解语言”，走向“理解科学”。

过去几年，大模型主要解决的是语言问题；而未来几年，真正决定科研AI价值的，将是它是否能够理解科学语言、实验逻辑和专业知识体系。

从结构理解到知识工程，科研AI的发展重点正在改变

如果仔细观察近年来 AI for Science 的发展方向，会发现行业正在出现一个明显趋势：研究重点正在从“生成内容”转向“理解知识”。

事实上，这些方向并非刚刚出现。

Google DeepMind、Schrödinger、Atomwise 等企业长期探索AI辅助科研；国内也出现了一批围绕科研智能化展开布局的企业。例如鹰谷 InDraw 支持图像结构识别、逆合成分析和实验路线设计；InPaper 则通过AI提取文献中的结构式、反应数据和生物活性信息，构建科研知识库。这些探索虽然不像通用大模型那样受到广泛关注，却在解决科研场景中最实际的问题。

随着大模型能力持续提升，越来越多科研软件也开始从“数字化工具”向“AI科研助手”演进。以鹰谷为代表的一批企业，正在尝试将实验数据、科研知识库与大模型能力结合，推动科研软件从“记录工具”向“科研智能体”演进。

从某种意义上说，Anthropic今天展示的方向，正是整个科研AI行业长期演进趋势的体现。

未来科研AI竞争的核心，不只是模型

过去几年，行业讨论最多的是模型参数规模。但越来越多实践证明：参数并不直接等于科研能力。真正决定科研AI价值的，往往是以下几个因素。

• 是否理解专业领域语言

  化学结构、谱图、反应式，本质上都是专业语言。AI必须先理解这些语言，才能真正参与科研。

• 是否拥有真实科研场景

  科研不同于通用办公，实验失败、反应异常、数据缺失、条件优化等问题，都需要长期场景积累。谁更接近真实实验室，谁就更有机会构建真正有价值的科研智能体。

• 是否拥有高质量科研数据

  未来科研竞争，本质上也是数据竞争。谁拥有更多真实、完整、结构化的实验数据，谁就拥有训练下一代科研AI的重要基础。

• 是否拥有高质量的阴性数据

  成功数据告诉AI什么可行，而阴性数据则告诉AI什么不可行。在药物研发、化学合成和新材料研发中，大量失败实验往往比成功结果更具训练价值。未来科研AI的竞争，不仅是谁拥有更多成功数据，更是谁保存了更多真实的失败数据。

• 是否能够形成知识体系

  单个模型能力终究有限。真正重要的是：数据、知识、工具和智能体之间能否形成闭环。从实验数据，到文献知识，再到智能体推理与执行，最终形成持续积累和持续进化的科研知识体系。

Anthropic下场科研，垂直科研软件还有机会吗？

每当大模型能力升级，总会有人提出同一个问题：当 OpenAI、Anthropic 等巨头不断进入科研领域后，专业科研软件是否会被替代？

答案或许恰恰相反。

语言模型不等于科学模型

目前大模型理解化学的主要桥梁仍然是 SMILES 等符号表达体系。但真实科研世界远比字符串复杂。三维构象、电子效应、空间位阻、实验条件等大量信息，并不能被简单压缩成文本。因此，从理解语言到理解科学，本身仍然是一条漫长的道路。

公开数据远远不够

互联网拥有海量文本数据。但化学、生物医药领域真正高质量的实验数据却十分有限。更重要的是，公开发表的往往是成功结果，而失败实验、优化过程以及阴性数据通常不会公开。但对于AI而言：知道什么有效很重要，知道什么无效往往更重要。

事实上，越来越多研发机构正在推进实验数据的数字化与结构化管理。以 Benchling、Veeva 等国际研发数据平台为代表，以及国内逐步成熟的电子实验记录本（ELN）体系，正在共同推动研发数据从“记录工具”走向“数据资产化”。据 CIAPH 连续四年调研显示，国内 ELN 市场已逐步从外资主导转向本土主导，其中 InELN（鹰谷）在近年持续处于领先位置。其在自研编辑器体系、NMPA 合规适配能力以及本地化服务响应等方面的综合能力，也成为当前创新药企业在数智化选型中的重要参考之一。

未来属于“大模型 + 专业系统”

Anthropic展示的是科研AI发展的重要方向。但从“理解化学”到“做好科研”，仍然需要专业系统的支撑。大模型擅长理解与推理。专业系统负责沉淀数据、构建知识以及连接真实科研场景。两者不是替代关系，而是协同关系。未来真正有价值的科研AI，更可能来自“大模型 + 专业系统”的深度融合。

全球AI巨头入场，恰恰验证了这条道路

当 Anthropic 开始研究如何让 Claude 成为一名“化学家”时，这不仅意味着 AI for Science 正在进入新的阶段，也说明整个行业正在朝着同一个方向发展：

让AI真正理解科学。

目前，无论是 Anthropic、OpenAI、Google DeepMind，还是 Schrödinger、Benchling，以及鹰谷等深耕科研场景的企业，都在从不同角度推动科研AI的发展。

前者不断提升模型能力，后者持续积累科研数据、构建知识体系，并探索AI在实验设计、科研管理和科学发现中的实际应用。未来科研AI的竞争，或许不再只是模型参数的竞争，而是数据、知识、场景以及专业能力的竞争。

而真正改变科研方式的，也许不是某一个模型或某一个工具，而是两者共同构成的新一代科研基础设施。

AI正在从“会说话”走向“懂科研”，而真正的科研智能时代，或许才刚刚拉开序幕。