TOOLS / SCIENCE
这项工作的增量主要来自Claude对公开蛋白设计工具链的编排，而不是它独立学会了蛋白质生物物理；它是否构成真正进步，要在同等算力、靶点与湿实验口径下比较命中率、成本和可复现性。
“击败Google”遮住了什么
一个通用大模型调用蛋白设计软件，交出一批经过湿实验验证的结合蛋白。媒体最容易写出的标题是：Claude击败了Google。
这句话有传播力，却把三个不同问题揉成了一个输赢故事：Claude在流程中到底做了什么？结果是否比合理基线更好？这些候选离真正的药物还有多远？
如果不先拆角色，任何数字都会被吸进品牌对抗。
Anthropic公布的工作中，Claude没有重新发明蛋白结构生成、序列设计或共折叠预测算法。它调用并编排包括 RFdiffusion、ProteinMPNN 在内的公开工具：提出候选，运行计算，读取结果，筛选，再调整下一轮策略。科学家负责前期设置和关键审批，湿实验室负责合成与验证。
所以，更准确的对象不是“Claude独立设计蛋白”，而是由通用模型组织的一条计算—判断—再计算流水线。
这并不贬低结果。相反，它把真正值得研究的增量指向了一个更具体、也更可证伪的问题：在相同工具、算力、靶点和实验预算下，模型编排能否稳定优于固定脚本或人类操作的流程？
先把官方数字摆正
按照Anthropic公开材料，这次工作覆盖15个靶点，其中14个获得成功；共生成1320个设计，并在实验中得到354个有效结合蛋白。公开口径给出的命中率包括26.7%与22.6%，单靶点模式达到35.1%。
计算投入也不小：多靶点工作消耗约12,500个H100 GPU小时，单靶点模式约2,500个H100 GPU小时。这里的“GPU小时”是计算资源总量，不等于真实墙钟时间。将它改写成“48小时”或“24小时完成”，在没有官方出处时会制造一种未经证实的速度感。
RBX1案例尤其适合说明为什么必须回一手来源。二手文章写成约31%的命中率，但官方竞赛口径为40%；最强候选的解离常数为3.9 nM，而人类最佳结果是25.7 nM，不是45 nM。解离常数越低通常意味着结合越紧，但单一亲和力数字仍不足以判断候选是否具有药物价值。
团队还设计出可结合人、猴和鼠TNFα的跨物种候选。这一点对后续模型研究可能有便利：同一分子若能覆盖多个物种，能够减少临床前实验中因靶点物种差异带来的转换困难。但“跨物种结合”仍不等于有效、安全或可成药。
这些结果足以说明流程产生了真实湿实验命中，却不足以证明它在所有蛋白设计任务上普遍领先。
命中率本身也有选择效应。一个表面凹槽明显、已有相近结构信息的靶点，可能天然比表面平滑或构象高度动态的靶点容易；最终送入实验的候选又经过计算筛选。因此，354个命中回答的是“这条完整流程送检后有多少结合”，不能拆成Claude单环节的净贡献。要估计净贡献，需要与使用同一批生成工具、相同筛选预算的对照流程并行运行。
Claude做的是管理，还是科学推理
结构生成、序列设计与折叠评估的重计算来自专用模型。若把这些能力全部记在Claude名下，就像项目负责人调用成像、测序和统计软件后，把所有仪器能力都算成负责人亲自完成。
但反过来，说“只是调用工具，所以没有价值”也过于轻率。
科研流程并不只缺一个更强的单点模型。很多时间消耗在选择下一步、组合工具、识别失败、调整参数、记录依据和控制实验预算上。如果通用模型能在长流程中持续维护目标，读取异质结果，并根据反馈改变策略，它提供的是一种系统层能力。
这项能力的真正考题不是能否写出一段合理解释，而是能否在不确定环境中减少无效计算、提高湿实验命中、留下可审计记录，并在新靶点上复现。
因此，中心判断可以写得很清楚：这次结果支持Claude具有科研工具编排能力，但没有证明Claude本身已成为一个独立的蛋白质生物物理模型。
要推翻这个判断并不难：如果后续研究显示，Claude不依赖现有专用工具也能从物理与序列约束中直接生成更好的候选，那么它的角色就发生了变化。反过来，如果拿掉语言模型、换成固定优化流程后表现相同，所谓“智能编排”的增量就会明显缩水。
与AlphaProteo比较，哪里成立
Google DeepMind在2024年9月公布AlphaProteo。它是面向蛋白结合体设计的专用模型，在BHRF1靶点上报告过88%的实验命中率，并公开表示未能为TNFα找到成功结合体。
Claude编排的流程在TNFα上获得跨人、猴、鼠的结合候选，因此在这个公开重叠的难点上，确实出现了一个值得比较的结果。
但由此写成“全面击败Google”，证据不够。
第一，两套系统的角色不同：AlphaProteo直接生成候选，Claude则组织多种公开工具。第二，靶点集合、候选筛选、实验条件和命中定义可能不同；没有统一评测，百分比不能横向随意排列。第三，AlphaProteo的公开结果来自2024年9月，它不是2026年的完整技术前沿。
二手文章还引用PXDesign与Latent-X的若干具体命中率，试图证明后来的模型又高出数倍；已核查的数字与原始材料不一致，因此不应继续转述。这里最可靠的处理不是换一组更好看的数字，而是承认：缺少同口径基准时，品牌排名没有稳定含义。
真正公平的比较应固定靶点、候选数量、总算力、人工参与程度、湿实验方案和成功阈值，再同时报告亲和力、特异性、表达、稳定性与失败样本。
从binder到药，还有很长一段路
“结合上靶点”只是起点。
一个候选蛋白还要面对特异性、聚集、热稳定性、可表达性、免疫原性、组织分布、体内半衰期和毒性等问题。即使在体外具有纳摩尔级亲和力，也可能因为制造困难、脱靶或体内行为不佳而止步。
本次结果的硬证据是初步湿实验验证，不是候选药进入临床，更不是AI独立完成药物研发。科学家仍在设置任务、审批步骤与设计实验，双重用途生物安全也限制了相关能力的开放方式。
这构成几个明确的失效条件：如果命中不能在独立实验室复现；如果新靶点表现大幅回落；如果成本高于合理替代方案；如果高命中候选在特异性和稳定性上普遍失败，那么“通用模型加速蛋白设计”的意义就需要下调。
相反，如果多个团队在统一基准上复现更高命中率，同时减少算力和人工干预，并把优势延伸到后续开发性质，这条路线才算真正跨过一次台阶。
普通读者应该学习的，不是站队
第一，先问系统里的工作由谁完成。通用模型、专用生成模型、筛选软件、算力平台、科学家与湿实验室各自承担什么，决定了我们该把能力归因给谁。
第二，只比较同口径数字。命中率如果没有靶点、候选数、实验方法和成功阈值，就像只报基金收益、不报周期和风险。它看似精确，实际无法判断。
第三，把“发现候选”与“造出药”分开。前者可以显著加速，后者仍是漫长的证据链。越接近人体，机制、制造、安全与临床差异越可能淘汰早期胜者。
第四，留意系统层创新。未来科研自动化未必来自一个包办所有知识的模型，更可能来自许多专用工具被更好地组合：模型负责规划和反馈，算法负责计算，实验负责裁决。
所以，这次最值得记住的不是Claude是否赢了Google。
更值得记住的是，科学工具开始从“人逐个操作的软件”，变成“可以被模型组织、反复调用并接受实验反馈的协作网络”。这条变化若能在严格基准上持续成立，才可能真正改变研发效率。