# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
Anthropic 在 6 月 30 日发布了 Claude Science。
原文链接：https://www.anthropic.com/news/claude-science-ai-workbench
如果只看发布稿，这很容易被理解成“Claude 又加了一套科研插件”。但我看完之后，感觉它想做的事情比插件更重一点：它不是只帮你读论文、写代码、画图，而是想把文献、数据库、代码环境、计算资源、图表、手稿和结果审查放进一个连续的科研工作台里。
这件事对生信人很有吸引力。
因为我们日常工作里，真正消耗时间的往往不是某一个算法，而是流程太碎。文献在 PubMed，数据在 SRA、GEO、Ensembl、UniProt，分析在 Jupyter、R、命令行和服务器之间切换，稍微上点规模还要碰 SLURM、conda、scratch、路径、权限和日志。
Anthropic 给 Claude Science 的定位，就是面向科学家的 AI workbench。它宣称可以调用 60 多种科研 skills 和 connectors，覆盖基因组学、单细胞、蛋白质组学、结构生物学、化学信息学等方向；还能在本地、远程 SSH、HPC 登录节点上工作，必要时接入计算资源；输出的图表、代码、环境和消息历史也会保留，方便审计和复现。
这些说法听起来都很对。
但问题是，科研工具不能只看发布稿。尤其是生信工具，demo 里跑得很顺，不代表换到自己的服务器、自己的目录、自己的调度系统上还能顺。
所以我这次没有让 Claude Science 总结论文，也没有让它写一段脚本。
我给它做了一个更接近生信日常的实战测试：连接一台远程服务器，摸清环境，补齐缺失软件，提交 SLURM 作业，下载公开 RNA-seq 数据，建立 Salmon 索引，跑两个酵母样本的转录本定量，最后把结果取回来。
这件事不复杂，但很真实。
因为生信里很多工作不是“写一段代码”这么简单，而是卡在一堆杂事上：服务器有没有 conda？有没有 sra-tools？能不能联网？salmon 装没装？作业往哪个分区投？scratch 目录在哪里？大文件要不要拉回本地？这些问题单看都不难，但每次换环境都要重新确认。
所以我想试的不是 Claude Science 会不会写命令，而是它能不能像一个真正干活的人一样，把一件远程分析任务推进到完成。
结论先说：这次它跑通了。
但真正让我觉得有意思的，不是它成功跑出了结果，而是它在中间遇到配置问题时，知道先停下来，而不是硬投一个必然失败的作业。
热点归热点，我给它安排了一个真任务
在真正开跑之前，还有一个很关键的问题：Claude Science 到底在哪里跑这些分析？
它不是把所有东西都塞进本地聊天窗口里硬跑。我的理解是，它会先判断“这活儿应该落在哪个算力环境上”。
本地沙箱资源是有限的，当前只有 8 CPU、8 GiB 内存、没有 GPU。对于一些轻量步骤，比如解析表格、整理结果、画图、跑下游统计，本地可以处理。但生信里很多步骤不适合硬扛，比如下载 SRA、解压 FASTQ、建 Salmon 索引、跑比对或定量、处理大矩阵，这些任务动不动就超过本地内存或耗时很长。
所以我这次先在 Compute 面板里配置了一台远程主机，也就是后面提到的 99。
Claude Science 的运行方式大概是这样：先用 list_compute
看当前有哪些远程算力，再用 compute_details
读取这台机器的提交方式、调度系统和资源信息。如果没有远程算力，它会提示这类任务容易在本地 OOM，建议先加一台远程主机。等我把 99 配好之后，它再重新检查，并把重活投到远程服务器上。
远程作业是提交后不阻塞的模式。它把脚本和输入送到服务器，作业在 SLURM 上跑，几分钟到几小时都可以；完成后再把结果、日志和小文件回收到当前工作区。原始 FASTQ、SRA、索引这些大文件则尽量留在远程 scratch，不来回搬。
这点对生信很重要。
如果一个 AI 工具只能在本地小沙箱里跑，那它最多适合 demo。要真的处理生信数据，它必须知道什么时候该把计算派到服务器，什么时候只把结果拿回来。
于是我让 Claude Science 在一台叫 99 的远程服务器上跑一个小型 RNA-seq 冒烟测试。
任务目标很明确：
我没有提前告诉它服务器环境是什么，也没有手动帮它准备 salmon。
这点很重要。因为我不是在测试“Claude Science 能不能运行一段我已经准备好的流程”，而是在测试它能不能先理解环境，再决定怎么跑。
第一步：它没有急着投作业，而是先摸环境
Claude Science 一开始做的事情比较像一个靠谱的生信同事。
它没有直接写脚本投作业，而是先确认 99 的计算环境：
这个顺序是对的。
如果一上来就写 Salmon 流程，很容易投上去才发现环境不完整。尤其是远程服务器和集群环境，失败往往不是算法问题，而是路径、环境、权限、调度器、网络这些外围问题。
它发现 salmon 没装之后，没有把这个问题留到作业里临时处理，而是先建了一个专用 conda 环境：
/home/*/miniconda3/envs/salmon_env
里面装了 Salmon 1.10。
这一步我觉得比“会写 salmon quant 命令”更重要。因为真实工作里，能不能把环境准备和作业执行分开，决定了后面流程是否稳定。
第二步：它自己选了适合冒烟测试的数据
Claude Science 没有随便找一个大数据集开跑，而是选了两个比较小的酿酒酵母 RNA-seq 样本：
这个选择也合理。
酿酒酵母转录组小，Salmon 索引很快，样本数据量也不会太夸张，适合用来测试整条链路是否跑通。对于第一次连接一台新服务器，我更希望它先跑一个小而完整的任务，而不是一上来就上人类单细胞或大规模队列。
这也是我对 AI 跑科研任务的一个基本要求：它不只是要会执行，还要知道任务规模和测试目的匹配。
这次的目的不是发表结果，而是验证 Claude Science 能不能打通远程生信作业链路。选酵母小样本，是一个稳妥选择。
第三个细节：scratch_root 卡住了
这次实战里最有价值的细节，反而不是成功的部分，而是失败的部分。
Claude Science 写好作业后，准备提交到 99，但提交前卡住了：主机配置里没有登记
scratch_root。
简单说，就是它不知道远程作业工作目录应该放在哪里。
它先在 99 上建了一个目录：
/home/*/cs_scratch
然后尝试通过提交参数绑定 scratch 目录。但连续两次发现 submit 并没有读取这个配置，问题仍然卡在主机注册级别。
这时候它没有继续盲试第三次，而是停下来告诉我：
scratch_root
是主机注册级设置，不是作业提交参数；它编辑的 details 备注文档只是给下次会话看的说明，不是实时主机配置；需要我在面板里把 scratch_root 配好。
这个细节很关键。
如果是普通聊天助手，很可能会继续改脚本、换参数、重新投，最后制造一堆看起来很努力但没有意义的失败。Claude Science 这次的表现更像一个知道边界的执行者：它能判断“这个问题不是脚本层能解决的，需要用户去改主机配置”。
于是我帮它在面板里补好 scratch_root 之后，它重新提交，作业成功进入队列。
这一步让我对它的定位更清楚了：它不是一个完全自动驾驶的科研系统，但它已经能承担大量“工程推进”的工作，并且在权限和配置边界处把人叫回来。
作业实际跑了什么
最终提交的作业 ID 是：
9eabb346-d7cd-4942-a51f-7a098baa4d61
运行环境：
作业做了三件事：
第一，下载酵母 cDNA 参考转录组，来源是 Ensembl release-110，对应 R64-1-1。
第二，用prefetch和fasterq-dump下载两个 SRA 样本，并转成双端 FASTQ。
第三，使用 Salmon 建索引，然后分别对两个样本做 quant。
所有计算都在服务器上完成。大文件，比如 SRA、FASTQ、索引，都留在远程服务器上；本地只回收 quant.sf、运行日志和汇总结果。
这个设计很实用。
很多时候我们不希望把几 GB、几十 GB 的中间文件全部拉回本地。真正需要带回来的往往只是聚合结果、日志和可复查的表格。Claude Science 这次的文件回收策略是合理的：重活留远程，轻结果取回来。
中间也不是一帆风顺
作业刚提交时，Claude Science 预计 10 到 15 分钟完成。
实际跑了 25 分钟还没结束。
它没有只是说“还在运行”，而是去查了实际进度。结果发现：
这又是一个很真实的生信细节。
很多流程慢，不是因为计算慢，而是因为远端下载慢。SRA 下载速度波动很常见。能定位到“当前瓶颈在第二个样本 prefetch”，比泛泛地告诉你“作业仍在运行”有用得多。
后面作业成功完成，exit 0。
结果是否合理
最终 Claude Science 取回了两份 quant.sf 和 Salmon 日志，并汇总了结果。
这个结果看起来是合理的。
酵母参考转录组 6571 条 cDNA，两个样本 TPM>0 的转录本都在 6350 左右，比对率 81% 到 85%。它还检查了高表达转录本，看到核糖体蛋白、TDH3 这类高丰度基因，符合常识。
这一步不能说是很深入的生物学分析，但作为一次冒烟测试足够了。
我关心的不是这两个酵母样本有什么新发现，而是 Claude Science 能不能完成从远程环境检查到结果合理性判断的闭环。至少这一次，它做到了。
产物也整理得比较清楚
本地取回的 artifact、远程服务器保留的文件以及关键资产都列举的很清晰：
它还提醒我：scratch 是工作目录，不是永久存储；如果后面要加更多样本，可以保留索引和 FASTQ 复用；如果只是冒烟测试，可以清理工作目录腾空间。
这个提醒很像真实生信工作里的收尾动作。
很多 AI 工具能帮你生成结果，但不会提醒你远程文件到底在哪里、哪些可以复用、哪些该清理。Claude Science 这次把资产分成“本地 artifact”“远程留存文件”“服务器环境资产”三层，我觉得这个整理方式很适合团队协作。
我觉得它最有价值的地方
这次实战下来，我觉得 Claude Science 最有价值的地方不是写代码。
Salmon 定量的命令本身并不难。很多生信人都能写：
salmon index
salmon quant
真正麻烦的是把这件事放到一台陌生服务器上，并且从头到尾跑完。
它做了几类我平时很不想重复做的工作：
这些工作没有哪个特别高深，但每一个都真实存在。
如果一个 AI 工具只能帮我写脚本，它只是一个代码助手。如果它能把这些上下游杂事一起处理掉，它才开始接近“科研工作台”。
这也是 Claude Science 和普通聊天助手最大的区别。
它还不能替代什么
这里要说谨慎一点。
这次测试成功，只能说明 Claude Science 在我的这个任务里，打通了远程服务器环境检查、软件安装、SLURM 提交、SRA 下载、Salmon 定量、结果回收和资产整理这一条链路。
它不能直接外推成“Claude Science 已经能接管所有组学分析”。
不是说它做不到，而是我这次还没有测试到。
这次任务本质上是一个 RNA-seq 定量冒烟测试。任务边界很清楚：两个酵母样本、一个参考转录组、一个 Salmon 定量流程。它更像是在验证“能不能把远程生信作业跑通”，而不是验证“能不能完成一个完整组学研究”。
后面至少还有几类能力需要继续测：
第一，多样本统计分析。
这次只有两个样本，没有真正进入差异表达的统计检验，也没有处理分组、批次、重复数、离群样本这些问题。下一步如果要测试完整 RNA-seq 分析，就应该让它从 sample metadata 开始，完成 Salmon 定量、tximport、DESeq2、PCA、相关性热图、MA plot、火山图和差异基因表。
第二，生物学解释能力。
这次它判断比对率 81% 到 85% 合理，也检查了高表达转录本是否符合酵母 RNA-seq 常识。但这还不等于它能可靠解释复杂生物学问题。比如换成环境胁迫、肿瘤队列、单细胞亚群或多组学整合，它能不能把差异基因、通路、文献和数据库证据串起来，还需要专门测试。
第三，复杂数据和复杂环境。
这次数据规模不大，物种也简单。后面如果换成人类 bulk RNA-seq、单细胞矩阵、空间转录组、蛋白组或多组学，数据量、环境依赖和中间文件都会复杂很多。它能不能稳定处理更大的数据、更多样本和更长流程，还不能从这次结果里直接推出。
第四，人工介入边界。
scratch_root 这次就是例子。它能识别问题，也能指出应该怎么改，但最终面板配置还是需要我来完成。这不是坏事，反而说明这种系统更适合人机协作，而不是完全无人值守。
第五，可复查和可复现。
我愿意继续用它的前提，是它能留下脚本、日志、路径、参数、环境和产物。没有这些，AI 跑出来的结果再快，也不适合进入严肃分析。这次它在这方面表现不错，但后面流程变长以后，还要继续看它能不能把证据链保持住。
所以这一节不是给 Claude Science 下结论，而是给这次测试划边界。
第一期我只能说：它把一个真实远程 RNA-seq 定量作业跑通了。
但这个“只能说”，其实已经不低了。
因为它不是在一个准备好的 notebook 里运行几行命令，而是在一台真实服务器上完成了环境探测、依赖安装、scratch 配置排查、SLURM 投递、下载进度跟踪、结果回收和资产整理。这里面任何一步出问题，普通 AI 聊天助手都很容易停在“给你一段建议”。
Claude Science 这次至少证明了一点：它已经不只是能告诉我怎么做，而是能在一定边界内替我把事情推进下去。
至于它能不能从文献问题出发，选择数据集，跑完整差异表达，再把结果解释成一个可审查的小型组学分析，这是下一期要测的内容。
这次测试给我的判断
Claude Science 这次让我看到的，不是一个“更会聊天的 Claude”，而是一个能接入真实计算环境的科研执行层。
它的价值不在于替代生信人，而在于替你处理那些重复、琐碎、但必须认真做的流程工作。这个能力如果稳定下来，对生信人是很有吸引力的。
如果你每天只是让 AI 改几段代码，Claude Science 可能显得有点重。
但如果你的工作经常涉及远程服务器、SLURM、conda 环境、公共数据库下载、分析流程追踪、结果回收和团队复用，那它的意义就不一样了。
不是因为这次 Salmon 定量有多难，而是因为它证明了一件事：AI 工具开始能从“给建议”走向“接作业”。它不只是告诉我该怎么做，而是真的在服务器上把任务跑完，并且把中间资产整理清楚。
这对生信人来说，是一个很重要的变化。
过去我们说 AI for Science，很多时候还停留在“模型能不能解决科学问题”。但这次测试让我觉得，另一个同样重要的方向是：AI 能不能把科研里的工程杂活组织起来。
生信工作本来就站在科学问题、数据资源、计算环境和软件流程的交叉点上。谁能把这些碎片连接起来，谁就能真正改变工作效率。
Claude Science 现在还只是 beta，也肯定还有很多边界需要测试。
但至少这一次，它不是在 demo 里看起来有用，而是在一台真实服务器上，把一次 RNA-seq 定量作业跑完了。
这已经足够让我认真关注它的下一步。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，我们，下次再见。
文章来自于微信公众号 “生物信风港”，作者 “生物信风港”
