Anthropic 全新的 Claude Science 工作台，將與一個值得注意的基礎設施合作夥伴一起推出：NVIDIA。根據 NVIDIA 與 Anthropic 的發布材料，Claude Science 現在整合了 NVIDIA BioNeMo Agent Toolkit，讓生命科學研究人員能夠在自然語言研究工作流程中，呼叫 NVIDIA 支援的生物學模型、函式庫與推論服務。

這則消息之所以重要，是因為它將用於藥物發現與計算生物學的 AI 重新定位為一個編排問題，而不只是模型問題。Claude Science 被定位為科學家以簡單語言描述任務的前端，而 NVIDIA BioNeMo Agent Toolkit 則提供執行這些任務所需的領域專用工具、模型存取模式與運算連結，涵蓋基因組學、蛋白質體學、分子設計及相關工作流程。對 AI 建構者與企業研發團隊來說，這比另一個獨立模型發布更具體：重點在於代理如何選擇工具、格式化請求、執行分析，並在可重複的研究迴圈中回傳成果。

發布了什麼，以及各部分如何協同運作

NVIDIA 表示，這項整合讓 BioNeMo 的能力可在 Claude Science 中使用；Anthropic 本週將 Claude Science 作為一個供科學研究使用的 AI 工作台推出。按照 NVIDIA 的說法，Claude Science 讓研究人員能以自然語言與代理對話，而這些代理接著可以選擇正確的專門工作流程、準備有效輸入，並透過 NVIDIA 支援的運算資源執行工作。

支撐這一層的，是 NVIDIA BioNeMo Agent Toolkit。NVIDIA 將其描述為一個開放、與特定框架無關的工具組，可將科學能力轉化為代理可呼叫的「技能」。這些技能包含用途、所需輸入、可選參數與預期輸出等中繼資料，因此代理不只是被指向一個原始端點，而是被提供如何以及何時使用它的指引。

這個區別是本次發布的核心。在生命科學中，許多有價值的任務無法只靠一個通用模型提示詞解決。研究人員可能需要代理使用 Evo 2 進行序列分析、用 OpenFold3 做結構工作、用 Boltz-2 生成或最佳化分子，或透過 NVIDIA Parabricks 進行基因組加速。NVIDIA 的論點是：當這些工具被包裝成一致介面，並透過如 NVIDIA NIM 這類可部署服務加以暴露時，代理就會更實用。

對 Anthropic 來說，這項整合讓 Claude Science 能從對話式推理走向執行。對 NVIDIA 來說，這則把 BioNeMo 放進一個更高層的代理產品中，而不是要求研究人員自己拼接生物模型與基礎設施。

為什麼 NVIDIA 強調代理就緒的生物工具

NVIDIA Developer Blog 明確表達了公司的核心論點：對生物分子研究而言，通用型代理還不夠，因為它們仍需要幫助來選擇正確的科學模型、格式化輸入、解讀輸出，以及處理失敗模式。換句話說，瓶頸不只是推理品質；更是每一次工具呼叫的運營可靠性。

這就是 NVIDIA 將 BioNeMo Skills 與 Model Context Protocol 包裝器定位所在。公司表示，這些包裝器會記錄模型行為與成果，讓代理能以更少錯誤自主發現並使用生物分子工具。NVIDIA 將這視為孤立模型呼叫與迭代式「AI 科學家」迴圈之間的差異；後者可以產生候選項、檢視結果、調整參數，並重新執行分析。

此次發布也凸顯了部署彈性。根據 NVIDIA 的說法，團隊可以先使用託管的 NVIDIA NIM 端點，以便快速存取與廣泛評估；之後當延遲、吞吐量、資料鄰近性或更嚴格的執行控制變得更重要時，再把選定工作負載移至本地部署。這對製藥與生技領域的企業 AI 採購者很重要，因為同一組織可能希望某個團隊使用雲端託管的實驗環境，而另一個受監管或高流量的工作流程則採用內部部署或受控部署。

NVIDIA 實際上是在把三層東西打包在一起：生物學模型、加速推論基礎設施，以及面向代理的介面。Claude Science 則成為把這些部分連成單一工作台的使用者介面環境。

NVIDIA 想讓研究人員採用的工作流程

供應商示例指向一個非常明確的科學代理操作模式。科學家先以自然語言提出研究目標，例如分析基因組序列、預測蛋白質結構，或設計結合蛋白。Claude Science 會解讀這項請求，並透過專門代理協調工作，而 BioNeMo Agent Toolkit 則提供可呼叫的技能，將這些任務映射到具體的 NVIDIA 能力。

NVIDIA 表示，這個工具組可以連接 Claude Science，涵蓋基因組學、蛋白質體學、單細胞分析、化學資訊學與臨床研究等工作流程。它列舉的工具與模型包括 Evo 2、Boltz-2 與 OpenFold3，以及 RAPIDS-singlecell、nvMolKit 和 NVIDIA Parabricks 等加速層。

這裡的實際價值與其說是單次答案生成，不如說是降低設定摩擦。NVIDIA 表示，使用 Claude Science 的研究人員不必為每一步手動配置模型、端點或軟體環境。相反地，代理應負責模型選擇與執行，而科學家則審閱輸出並修正下一個問題。

NVIDIA 發布材料中的一個例子涉及為癌症標靶設計抑制劑。在這個情境中，研究人員以已知突變為起點，要求 Claude Science 提出大量可能的抑制劑。NVIDIA 表示，Claude Science、BioNeMo Agent Toolkit 與 NVIDIA NIM 的組合接著可以加速預測、最佳化與驗證步驟。公司並未為該特定工作流程提供可比較的任務層級結果，因此這個例子應被視為預期使用情境的說明，而非量化證明。

證據、基準測試，以及哪些內容屬於供應商報告

由於這篇報導中的兩個來源都由 NVIDIA 控制，因此最強的效能與採用說法都屬於供應商報告，應帶著這層前提看待。

NVIDIA 表示，前 20 大製藥公司中有 18 家使用 NVIDIA BioNeMo。這是一個相當可觀的市場滲透主張，但公司並未點名這些客戶、定義使用深度，或說明「使用」是指試點、正式部署，還是更廣泛的平台標準化。

公司也強調了幾項加速數據。它表示，NVIDIA Parabricks 可將基因組分析從數小時縮短到數分鐘，RAPIDS-singlecell 可將 130 萬細胞的前處理與分群工作流程從 52 分鐘縮至 25 秒，而 nvMolKit 可將某些化學資訊學操作加速高達 3,000 倍。這些主張或許有助於理解 GPU 加速在哪些地方最重要，但它們仍是供應商提出的基準測試數字，且所引用材料中的方法細節有限。

最直接的代理基準測試出現在 NVIDIA Developer Blog。NVIDIA 表示，在使用 Codex CLI 搭配 GPT-5.5 fast 進行的實證基準測試中，加入 BioNeMo Skills 讓 token 效率翻倍，並將任務完成率從 57.1% 提升至 100%。這是一個驚人的結果，但它來自 NVIDIA 自行的測試設定。來源文字並未提供完整的基準測試設計、樣本數、任務集合或獨立重現。對建構者而言，這項說法最適合被解讀為：工具文件與結構化介面確實能顯著改善代理行為，而不是跨平台已被定論的標準。

儘管如此，即使對具體數字保持謹慎，底層產品邏輯仍然可信。當工具被清楚規範、失敗模式被文件化，且輸出被標準化為 FASTA、SDF、SMILES 或 CIF 等成果檔案時，代理系統通常確實會表現更好。

這對 AI 建構者與企業研發團隊意味著什麼

對建構者來說，這次發布提醒大家，領域專用代理需要的不只是前沿模型與系統提示詞。尤其在生命科學中，成功的自動化取決於有型別的輸入、工作流程描述、可重現的工具呼叫，以及能支援反覆迭代的基礎設施。BioNeMo Agent Toolkit 是 NVIDIA 對這些要素在生物學領域進行標準化的嘗試。

對企業 AI 團隊而言，Claude Science 與 BioNeMo 的組合暗示了一種更分層的採購模式。Anthropic 提供對話式工作台與代理體驗；NVIDIA 則透過 NVIDIA BioNeMo、NVIDIA NIM 與支援性函式庫提供加速後端堆疊。這可能吸引那些不想從頭建立內部「AI 科學家」平台，但仍需要專門生物分子工具的組織。

這也讓企業科學 AI 的競爭更清晰。愈來愈多供應商提供生物學模型、程式代理或實驗室資訊工具，但能從自然語言請求一路走到可部署科學工作流程的整體路徑者較少。如果 Claude Science 能成為偏好的編排層，而 NVIDIA 能持續充當預設的加速工具層，兩家公司就可能塑造 AI 代理如何進入應用型藥物發現與計算生物學團隊。

風險也同樣明顯。科學工作流程比程式設計任務更難驗證，模型輸出通常需要專家審閱，而不只是自動串接。可靠性、可追溯性與部署控制的重要性，會勝過展示時的流暢度。NVIDIA 自己的材料也間接承認了這一點：它強調的是失敗模式、成果物與後端無關的包裝器，而不是宣稱研究上的完全自主。

接下來要觀察什麼

首先要觀察的是 Claude Science 在公開測試版期間的採用情況。Anthropic 表示正在邀請研究人員提供對更多領域專家與整合的回饋，這應能揭示使用者是否想要更廣泛的生物學覆蓋、更緊密的實驗室系統連接，或更多部署控制。

第二個訊號是 NVIDIA 是否會把 BioNeMo Agent Toolkit 擴展到目前的示例之外，例如 Evo 2、OpenFold3、Boltz-2、DiffDock、GenMol、ProteinMPNN 以及類似 MMseqs2 的搜尋工作流程。若團隊能在結構預測、分子生成、序列設計與基因組學等領域都依賴同一套工具組，而不必為每個子領域各自組裝代理工具，這個平台就會更具防禦性。

第三，企業買家應關注獨立證據。客戶案例、可重現的基準測試與外部評估，會比發布部落格中的效能說法更有說服力。特別是，買家會想知道託管與本地 NVIDIA NIM 的分工是否能在真實的受監管環境中運作，以及所承諾的代理可靠性在生產使用下是否站得住腳。

Creati.ai 觀點

這次發布與其說是一個單一產品整合，不如說是應用型企業 AI 走向的訊號。高價值垂直領域中的勝出堆疊，可能不是某一個模型或某一個應用，而是一個分層系統：在通用代理介面之上，放置專用工具、強型別工作流程中繼資料，以及為反覆執行而調校的基礎設施。

對生命科學而言，這很合理。研究團隊需要的不只是答案；他們需要能執行分析、回傳可稽核成果物，並融入既有運算與治理限制的系統。Claude Science 與 NVIDIA BioNeMo 正在嘗試把這些能力打包成可用產品。機會是真實存在的，但證明責任也同樣存在。在更多獨立驗證出現之前，這則消息最好被視為一項戰略上重要的基礎設施動作，而不是自主 AI 科學家已準備好進入例行生產發現工作的決定性證據。