当一家估值数千亿美元的前沿AI公司决定把触角伸向实体实验室，资本市场的第一反应不是欢呼，而是审视其背后的成本结构与风险边界。2026年9月18日，Anthropic生命科学负责人Eric Kauderer-Abrams向路透社确认，公司已在旧金山湾区运营一座湿实验室，用于开展真实的生物学实验。这一动作标志着Anthropic正式从计算生物学模拟跨入物理实验验证阶段，也将其与诺和诺德、赛诺菲、艾伯维等合作药企的关系推向微妙地带。
从模拟到实体，一笔被低估的基础设施开支
湿实验室的建立并非临时起意。2026年4月，Anthropic以约4亿美元股票收购了成立仅八个月的AI生物技术初创公司Coefficient Bio，后者团队不足十人，核心成员来自基因泰克的计算药物发现部门。这笔交易的估值倍数在传统医药并购语境下近乎荒谬，但放在AI人才争夺战的框架中，其本质是一次精准的技术团队收购。Coefficient Bio创始成员Nathan Frey曾在Nature Machine Intelligence等期刊发表二十余篇论文，并获得ICLR 2024杰出论文奖。Anthropic支付的溢价，买的是蛋白质设计与生物分子建模领域的稀缺认知资本。
湿实验室的运营成本结构则完全不同于算法研发。物理设施需要持续的试剂耗材采购、设备维护、生物安全合规以及具备实操经验的研究人员。Anthropic近期招聘信息显示，公司正在寻找蛋白质与核酸表征专家以及采购运营负责人，一份职位描述明确提出将生命科学进展提速一个数量级的目标。这些投入在财务报表上体现为刚性运营支出，与AI模型训练的可变算力成本形成截然不同的成本曲线。对于一家过去三年营收连续十倍增长、年化收入达到140亿美元的公司而言，实体实验室的绝对金额或许不大，但其对毛利率的稀释效应以及管理复杂度的抬升，是投资者需要持续跟踪的变量。
商业策略的巧妙卡位，避开与客户的正面冲突
Anthropic在生命科学领域的定位选择具有清晰的商业理性。Kauderer-Abrams明确表示，公司不会开展临床试验，以避免与诺和诺德、百时美施贵宝等客户形成直接竞争。这一边界设定解决了AI公司与药企合作中固有的信任困境。当Anthropic同时向百时美施贵宝部署覆盖三万余名员工的企业级AI平台，又自行推进药物发现项目时，客户难免担忧自身的研发数据或战略方向会被用于竞争目的。
Anthropic选择的切入点是传统药企因经济回报不足而系统性忽视的领域，即罕见病与被认为不可成药的靶点。Kauderer-Abrams特别提及双特异性与三特异性抗体等技术方向，这类复杂分子能够同时作用于多个靶点，设计难度极高，但一旦成功可能打开全新的治疗空间。这种策略的商业逻辑在于，Anthropic不必在拥挤的肿瘤或代谢疾病赛道与客户争夺，而是利用AI的计算优势探索被行业放弃的角落。如果某个项目最终显示出临床潜力，Anthropic可以选择授权给合作伙伴，而非自行推进至商业化阶段。这种轻资产的知识产权变现模式，与湿实验室的重资产投入之间存在天然的张力，如何平衡将考验管理层的资本配置能力。
安全叙事与商业扩张之间的估值折价
Anthropic面临的一个独特估值因素是市场对其安全立场的定价。公司CEO Dario Amodei多次呼吁放缓AI发展速度，警告先进系统可能带来失控风险，公司研究人员也曾公开表示AI导致人类灭绝的概率超过百分之十。与此同时，Anthropic确认其系统被发现可能被用于生物武器开发辅助的场景。这些安全叙事与公司建立湿实验室、探索AI指导机器人执行实验的动作形成了鲜明对照。
这种张力在资本市场的映射方式值得深思。如果投资者将Anthropic的安全立场视为真诚的治理承诺，那么湿实验室应当被解读为在严格生物安全协议下推进有益应用的负责任举措。但如果市场将安全叙事视为监管套利或品牌差异化手段，那么实体实验室的建立可能被重新定价为风险敞口的扩大。Anthropic目前据报正在筹备可能达到2万亿美元估值的IPO，在这一节点上，任何被解读为言行不一的信号都可能对发行定价产生实质性影响。公司需要在招股材料中清晰界定湿实验室的生物安全等级、实验类型边界以及AI系统在实验执行中的权限范围，以缓解机构投资者的治理顾虑。
竞争格局中的位置，追赶者的差异化路径
在AI驱动的药物发现领域，Anthropic并非先行者。Alphabet旗下的Isomorphic Labs已在这一领域耕耘多年，其AI设计的候选药物处于IND enabling阶段，预计最早于2026年底进入临床，尽管时间表有所推迟。英伟达在2026年1月宣布与礼来建立为期五年、投入十亿美元的合作，共建AI药物发现联合创新实验室。OpenAI则与Moderna合作加速个性化癌症疫苗的开发。
Anthropic的差异化在于其全栈整合的野心。Claude Science作为独立的科研工作台产品，集成了超过六十种预配置技能与连接器，覆盖基因组学、单细胞分析、蛋白质组学与结构生物学等方向，并配备审查代理来验证引用与计算的准确性。Model Hardware Standard的推出则旨在解决AI与实验室设备之间的接口标准化问题，将硬件集成时间从数周压缩至数小时。这一软硬件协同策略如果成功，可能使Anthropic成为生命科学领域的基础设施层，而非仅仅是工具供应商。
然而，从湿实验室中获得的实证数据能否有效反哺模型能力，进而形成可持续的竞争壁垒，目前尚无公开证据支撑。药物发现的经济学规律并未因AI的介入而改变，绝大多数候选分子仍将在临床试验中失败。Anthropic选择不触碰临床阶段，意味着它无法从一款成功上市的药物中获得完整的价值捕获，其收益模式将高度依赖里程碑付款与专利授权。对于一家以订阅制软件为主要收入来源的公司而言，这种项目制、长周期、高不确定性的收入形态，将对其估值叙事构成新的挑战。
湿实验室的建立是Anthropic将AI能力从数字世界向物理世界延伸的必要步骤。在计算模拟无法完全替代实验验证的生物学领域，拥有内部实验能力意味着更快的迭代速度与更深的第一手认知。但这一举措也将其置于一个复杂的博弈格局中，需要在客户信任、安全承诺与商业野心之间维持精妙的平衡。资本市场的耐心将取决于Anthropic能否在合理的时间框架内，从这些试管与培养皿中产出具有说服力的数据。
