AWS、OpenAI与Anthropic均已推出专属AI工作流，有望加速科学发现进程
作者：Fay Lin博士
图片来源：Yuichiro Chino / Moment / 盖蒂图片社
英伟达首席执行官黄仁勋表示，加速计算领域尚有一块待填补的空白：应用加速。这家兼具“垂直整合”与“横向开放”属性的芯片制造商正致力于构建可将人工智能落地到实际应用场景的基础设施。
今年3月黄仁勋在圣何塞举办的年度英伟达GTC大会主题演讲中提到：“加速计算不是芯片层面的问题。我们要实现应用加速、大幅提升效率并降低成本的唯一途径，是开展领域专属加速。”
这一愿景目前已落地到药物研发领域，该领域新药获批周期往往超过10年，临床试验失败率接近90%。
亚马逊云服务（AWS）、OpenAI与Anthropic近期推出的一系列平台，已将通用助理工具定制为适配科学研究的AI驱动工作流。这一趋势表明，云基础设施与智能体AI在整合分散工具、简化数据管理、降低领域专业技术门槛方面的作用正愈发凸显。
在环实验室（Lab-in-the-loop）
今年4月，AWS推出亚马逊生物发现（Amazon Bio Discovery）平台，这是一套“在环实验室（Lab-in-the-loop）”工作流，整合了40余款开源及专有生物基础模型，搭配可指导实验设计的AI智能体。该平台还集成了Twist生物科学、银杏生物工场、A-Alpha Bio等合同研究组织（CRO）合作伙伴，可提供实验室验证服务，相关发布信息在纽约Javits中心举办的AWS生命科学研讨会上公布。
通过与纪念斯隆凯特琳癌症中心合作，亚马逊生物发现平台设计出了具备纳摩尔级亲和力的纳米抗体：平台生成了近30万个候选分子，仅用数周就筛选出10万个最优分子进入湿实验室验证，而传统方法完成这一流程最多需要1年，耗时大幅缩短。
AWS医疗与生命科学副总裁兼总经理Dan Sheeran解释称，尽管生物AI模型已在蛋白质设计等领域实现突破，但这类模型对编码能力与复杂计算基础设施的依赖，仍是其扩大应用范围的重要阻碍。
“为特定任务选择适配模型本身就是一项重大挑战。作为衔接AI与生物学的专业人才，计算生物学家目前存在巨大缺口，”Sheeran接受《GEN Edge》采访时表示，“这导致了协作瓶颈，并非相关科学研究没有进展，而是现有工具无法适配研究团队的协作需求。”
A-Alpha Bio联合创始人兼首席执行官David Younger博士补充称，与AWS的合作凸显了AI驱动药物研发领域的“核心缺口”：缺乏大规模高质量实验数据用于评估蛋白质设计模型。基于亚马逊生物发现平台设计的计算机模拟（in silico）候选分子，可通过A-Alpha的AlphaSeq平台在实验室中快速验证，该平台可定量检测数十万至数百万组蛋白质-蛋白质相互作用。
Younger对《GEN Edge》表示：“技术与生命科学的融合不仅意味着更快的计算能力或更优的算法，更要将这些技术进展与真实世界的实验观测结果衔接起来。”
亚马逊生物发现平台构建于目前全球Top20制药企业中19家均在使用的AWS基础设施之上，每个机构的数据在其应用环境内相互隔离，所有专有数据、模型与设计成果所有权均归属客户。
罗莎琳德（Rosalind）推理模型
亚马逊生物发现平台发布两天后，OpenAI推出了GPT-罗莎琳德（GPT-Rosalind）——一款专属推理模型，可支持生物学、药物研发与转化医学领域研究的证据整合、假设生成与实验规划。该平台包含一款面向Codex的免费生命科学研究插件，可对接50余个公共多组学数据库、文献库与计算生物学工具。
该模型通过可信访问计划向美国符合资质的企业客户开放，安进、莫德纳、艾伦研究所、赛默飞世尔科技均是GPT-罗莎琳德的合作客户。
OpenAI在给《GEN Edge》的邮件中提及开发GPT-罗莎琳德的动机时写道：“研究机构正在积极寻找专为科学工作流构建、而非基于通用模型改造的系统，生命科学仍是最重要的领域之一，更优质的工具可切实推动该领域进展。”
该模型以DNA双螺旋结构发现过程中作出关键贡献的罗莎琳德·富兰克林（Rosalind Franklin）博士命名，在BixBench基准测试中得分0.751，该基准用于评估大语言模型（LLM）在生物信息学与计算生物学任务中的表现，得分略高于GPT-5.4、xAI的Grok 4.2与谷歌的Gemini 3.1 Pro。
在覆盖文献检索、数据库访问、序列操作与实验方案设计的LABBench2基准测试中，GPT-罗莎琳德在11项任务中的6项表现优于GPT-5.4，其中在要求完成分子克隆工作流全流程DNA构建与酶试剂设计的CloningQA任务中提升幅度最大。
GPT-罗莎琳德是OpenAI在制药与医疗领域布局不断拓展的重要一步。近几周，该公司还推出了面向临床医生的ChatGPT，用于支持文书记录、医学研究等临床工作流；同时与诺和诺德合作提升员工AI应用能力、优化生产与供应链效率，还与Massive Bio合作扩大临床试验可及性。
推理拐点（Inference inflection）
Anthropic也在布局生命科学领域，近期该公司以4亿美元收购了Coefficient Bio，引发行业关注。Coefficient Bio是一家约有10名员工的AI药物研发初创企业，创始团队均为前基因泰克科学家。
作为OpenAI的竞争对手，Anthropic自去年秋季起就一直在开发生命科学版Claude（Claude for Life Sciences）——一款面向研究人员、临床协调员与监管事务经理的专属AI助手。
在去年10月的博客文章中，Anthropic披露这款基于Claude Sonnet 4.5构建的定制平台在Protocol QA基准测试中得分0.83，该基准用于测试模型对实验室操作方案的理解能力，得分超过了0.79的人类基线，也高于Sonnet 4的0.74分。生命科学版Claude还集成了多个科学平台对接接口，包括Benchling数字实验记录本、PubMed文献库、以及10x Genomics的单细胞与空间分析工具。
“我们希望为科学家提供和软件工程师一样的体验：拥有一个可以共同头脑风暴、承接任务的协作伙伴。”Anthropic生物学与生命科学部门负责人Eric Kauderer-Abrams博士在产品发布相关视频中表示。
今年1月，Anthropic将平台拓展为医疗版Claude（Claude for Healthcare），这套互补工具集符合《健康保险流通与责任法案》（HIPAA）要求，可供医疗服务提供方、支付方、医疗科技企业与初创企业将Claude用于医疗场景。
Arkitekt Ventures创始人兼董事总经理Enke Bashllari博士谈及这些生命科学领域的新产品时表示，三家企业“走的是不同的发展路线”：OpenAI出售的是访问权限有限的“最强推理引擎”，AWS则在构建基础设施与实验室整合体系，Anthropic押注工作流覆盖广度，并通过收购填补专业领域的能力缺口。
“对初创企业而言，问题不在于哪款平台会胜出，而在于你要在哪一层架构上开展开发。”Bashllari在领英上写道。
Atria Ventures创始人兼普通合伙人Chris Leiter认为，向生物消费化的转型将是“现代生命科学领域影响最深远的变革期”。
Leiter在领英上写道：“医疗是支撑整个技术体系建设的核心应用场景。当技术产出的药物能提前5年惠及患者，或是开发出的诊断工具能发现医生无法检出的癌症时，公众的质疑就会逐步消解。”
随着模型逐渐从孤立预测升级为可跨生物系统开展复杂推理，目前行业面临的问题已不再是是否要采用这类技术，而是行业能以多快的速度适应这种全新的科学发现范式。
黄仁勋的表述最为贴切：“我们正处于新一轮平台转型的起点，推理拐点已经到来。”
专业注释
- 在环实验室（Lab-in-the-loop）：将AI计算预测与湿实验室实验验证迭代结合的工作模式
- 计算机模拟（in silico）：完全通过计算机仿真开展的生物学研究，区别于体外/体内实验
- 推理拐点：大模型落地应用从量变到质变的关键节点，推理成本大幅下降、应用场景快速扩容