AI 科学家缺的是工具层

这段口播对应 Anthropic Science 最近两条材料：一条讨论 Claude 在化学 NMR 任务里的能力边界，另一条讨论 biology agent 如何通过确定性检索层提升可靠性。视频里的核心判断不是“AI 科学家已经自动产生重大突破”，而是：科学研究真正进入快车道之前，必须先补齐数据、接口和工具层。

核心判断

AI for science 的瓶颈正在从模型本身，转向能否把复杂科学数据整理成 agent 可以稳定调用、可验证、可审计的工作流。大模型像一辆更快的车，但很多科学数据库和专业软件仍像只适合步行的老城区；道路不改造，车速就上不来。

口播要点

• Anthropic 的化学和生物案例都说明，模型已经能进入专业研究流程，但还不是不受约束的自动科学家。
• 化学任务里，Claude 可以处理结构、谱图和文献方法之间的转换，但复杂结构解析仍需要提示、约束和专家判断。
• 生物信息任务里，可靠性提升的关键不是让模型“更聪明”，而是给 agent 配套确定性检索层和可重复接口。
• 科学数据常常分散在不同软件、格式和数据库里，直接交给模型会让 agent 像汽车开进狭窄老城区。
• 真正的加速来自两层建设：数据清洗与标准化，以及围绕科学家判断建立 agent 工作流。
• 对个人和组织来说，熟练掌握工具层、搭建自己的研究流程，可能比单纯等待更强模型更早带来产出差距。

可以马上做的一件事

把自己的专业工作流画出来：哪些输入还散在文档、表格、网页和软件里，哪些步骤可以变成稳定接口，哪些判断必须由人验收。先改道路，再谈速度。