當一家估值數千億美元的前沿AI公司決定把觸角伸向實體實驗室，資本市場的第一反應不是歡呼，而是審視其背後的成本結構與風險邊界。2026年9月18日，Anthropic生命科學負責人Eric Kauderer-Abrams向路透社确認，公司已在舊金山灣區運營一座濕實驗室，用于開展真實的生物學實驗。這一動作标志着Anthropic正式從計算生物學模拟跨入物理實驗驗證階段，也将其與諾和諾德、賽諾菲、艾伯維等合作藥企的關系推向微妙地帶。
從模拟到實體，一筆被低估的基礎設施開支
濕實驗室的建立并非臨時起意。2026年4月，Anthropic以約4億美元股票收購了成立僅八個月的AI生物技術初創公司Coefficient Bio，後者團隊不足十人，核心成員來自基因泰克的計算藥物發現部門。這筆交易的估值倍數在傳統醫藥并購語境下近乎荒謬，但放在AI人才争奪戰的框架中，其本質是一次精準的技術團隊收購。Coefficient Bio創始成員Nathan Frey曾在Nature Machine Intelligence等期刊發表二十餘篇論文，并獲得ICLR 2024傑出論文獎。Anthropic支付的溢價，買的是蛋白質設計與生物分子建模領域的稀缺認知資本。
濕實驗室的運營成本結構則完全不同于算法研發。物理設施需要持續的試劑耗材采購、設備維護、生物安全合規以及具備實操經驗的研究人員。Anthropic近期招聘信息顯示，公司正在尋找蛋白質與核酸表征專家以及采購運營負責人，一份職位描述明确提出将生命科學進展提速一個數量級的目标。這些投入在财務報表上體現為剛性運營支出，與AI模型訓練的可變算力成本形成截然不同的成本曲線。對于一家過去三年營收連續十倍增長、年化收入達到140億美元的公司而言，實體實驗室的絕對金額或許不大，但其對毛利率的稀釋效應以及管理複雜度的擡升，是投資者需要持續跟蹤的變量。
商業策略的巧妙卡位，避開與客戶的正面沖突
Anthropic在生命科學領域的定位選擇具有清晰的商業理性。Kauderer-Abrams明确表示，公司不會開展臨床試驗，以避免與諾和諾德、百時美施貴寶等客戶形成直接競争。這一邊界設定解決了AI公司與藥企合作中固有的信任困境。當Anthropic同時向百時美施貴寶部署覆蓋三萬餘名員工的企業級AI平台，又自行推進藥物發現項目時，客戶難免擔憂自身的研發數據或戰略方向會被用于競争目的。
Anthropic選擇的切入點是傳統藥企因經濟回報不足而系統性忽視的領域，即罕見病與被認為不可成藥的靶點。Kauderer-Abrams特别提及雙特異性與三特異性抗體等技術方向，這類複雜分子能夠同時作用于多個靶點，設計難度極高，但一旦成功可能打開全新的治療空間。這種策略的商業邏輯在于，Anthropic不必在擁擠的腫瘤或代謝疾病賽道與客戶争奪，而是利用AI的計算優勢探索被行業放棄的角落。如果某個項目最終顯示出臨床潛力，Anthropic可以選擇授權給合作夥伴，而非自行推進至商業化階段。這種輕資産的知識産權變現模式，與濕實驗室的重資産投入之間存在天然的張力，如何平衡将考驗管理層的資本配置能力。
安全叙事與商業擴張之間的估值折價
Anthropic面臨的一個獨特估值因素是市場對其安全立場的定價。公司CEO Dario Amodei多次呼籲放緩AI發展速度，警告先進系統可能帶來失控風險，公司研究人員也曾公開表示AI導緻人類滅絕的概率超過百分之十。與此同時，Anthropic确認其系統被發現可能被用于生物武器開發輔助的場景。這些安全叙事與公司建立濕實驗室、探索AI指導機器人執行實驗的動作形成了鮮明對照。
這種張力在資本市場的映射方式值得深思。如果投資者将Anthropic的安全立場視為真誠的治理承諾，那麼濕實驗室應當被解讀為在嚴格生物安全協議下推進有益應用的負責任舉措。但如果市場将安全叙事視為監管套利或品牌差異化手段，那麼實體實驗室的建立可能被重新定價為風險敞口的擴大。Anthropic目前據報正在籌備可能達到2萬億美元估值的IPO，在這一節點上，任何被解讀為言行不一的信号都可能對發行定價産生實質性影響。公司需要在招股材料中清晰界定濕實驗室的生物安全等級、實驗類型邊界以及AI系統在實驗執行中的權限範圍，以緩解機構投資者的治理顧慮。
競争格局中的位置，追趕者的差異化路徑
在AI驅動的藥物發現領域，Anthropic并非先行者。Alphabet旗下的Isomorphic Labs已在這一領域耕耘多年，其AI設計的候選藥物處于IND enabling階段，預計最早于2026年底進入臨床，盡管時間表有所推遲。英偉達在2026年1月宣布與禮來建立為期五年、投入十億美元的合作，共建AI藥物發現聯合創新實驗室。OpenAI則與Moderna合作加速個性化癌症疫苗的開發。
Anthropic的差異化在于其全棧整合的野心。Claude Science作為獨立的科研工作台産品，集成了超過六十種預配置技能與連接器，覆蓋基因組學、單細胞分析、蛋白質組學與結構生物學等方向，并配備審查代理來驗證引用與計算的準确性。Model Hardware Standard的推出則旨在解決AI與實驗室設備之間的接口标準化問題，将硬件集成時間從數周壓縮至數小時。這一軟硬件協同策略如果成功，可能使Anthropic成為生命科學領域的基礎設施層，而非僅僅是工具供應商。
然而，從濕實驗室中獲得的實證數據能否有效反哺模型能力，進而形成可持續的競争壁壘，目前尚無公開證據支撐。藥物發現的經濟學規律并未因AI的介入而改變，絕大多數候選分子仍将在臨床試驗中失敗。Anthropic選擇不觸碰臨床階段，意味着它無法從一款成功上市的藥物中獲得完整的價值捕獲，其收益模式将高度依賴裡程碑付款與專利授權。對于一家以訂閱制軟件為主要收入來源的公司而言，這種項目制、長周期、高不确定性的收入形态，将對其估值叙事構成新的挑戰。
濕實驗室的建立是Anthropic将AI能力從數字世界向物理世界延伸的必要步驟。在計算模拟無法完全替代實驗驗證的生物學領域，擁有内部實驗能力意味着更快的疊代速度與更深的第一手認知。但這一舉措也将其置于一個複雜的博弈格局中，需要在客戶信任、安全承諾與商業野心之間維持精妙的平衡。資本市場的耐心将取決于Anthropic能否在合理的時間框架内，從這些試管與培養皿中産出具有說服力的數據。
