В лаборатории утро, кажется, тоже меняется: инструмент, который обещает ускорить науку, одновременно ускоряет и очень неприятный вопрос — кто теперь делает работу, а кто только смотрит на результаты и перепроверяет ошибки.

Anthropic на этой неделе показала Claude Science — отдельный флагманский продукт для исследований. Не плагин, не «ещё одна полезная надстройка», а самостоятельная штука, которую компания ставит рядом с Claude Code. И вот это уже не очередной блестящий слайд: для биологов, фармкоманд и тех, кто работает на стыке науки и кода, речь идёт о времени, деньгах и статусе в команде.

Не костыль к Claude, а отдельная ставка

Раньше у Anthropic уже были научные инструменты: в октябре компания выпустила Claude for Life Sciences — набор плагинов для работы с научным софтом и базами данных.

Но Claude Science — это уже другой жест. Если по-человечески, раньше вам предлагали полезную надстройку, а теперь выдают отдельный инструмент, который должен жить своей жизнью.

Компания прямо сравнивает его с Claude Code: мол, как один продукт помогает программистам, так другой должен помогать исследователям. И да, тут всё завязано не на абстрактное «ИИ для науки», а на вполне приземлённые области — computational biology и drug development.

Computational biology — это вычислительная биология, то есть когда биологические задачи решают не только пробирками, но и кодом, данными, моделями. Drug discovery — разработка лекарств: медленная, дорогая, нервная история, где каждая лишняя итерация стоит очень ощутимо.

Где сгорают деньги и терпение

Почти любая фармкоманда знает этот сценарий: данных много, проверок ещё больше, людей с нужной смесью биологии и программирования — не так уж много.

Вот на этот кусок и целится Claude Science. Anthropic хочет, чтобы система могла выполнять полезную работу по короткой, высокоуровневой инструкции. Не «сделай мне текст», а «вот задача, вот контекст, вот данные — разберись и продвинь работу».

И это, конечно, звучит как повышение эффективности. Но у эффективности есть второе лицо, и оно обычно не попадает в презентации. Если часть рутины и промежуточных задач забирает ИИ, то молодому исследователю остаётся не так много тех самых входных ступенек, на которых обычно и набирают опыт.

С виду это ускорение. По ощущениям — ещё и пересборка того, как вообще устроена научная лестница.

«Как аспирант» — звучит бодро. А проверять кто будет?

Самая яркая цитата тут — оценка Opus 4.5 от гарвардского физика Мэттью Шварца. Он сказал, что модель примерно на уровне второго года аспирантуры, если говорить о выполнении научных проектов.

Фраза красивая. Даже слишком красивая.

Потому что «как аспирант» — это не метрика, а человеческое сравнение. А в науке важны не только скорость и умение связать куски данных, но и аккуратность, воспроизводимость, способность не уйти в правдоподобную ерунду.

Воспроизводимость — это когда результат можно снова получить тем же способом. Не один раз красиво показать, а потом забыть, а действительно повторить. Для тех, кто не сидит на C++, это, пожалуй, самая скучная и самая важная часть науки.

И вот тут у автономных агентов обычная слабость: они могут действовать уверенно и при этом ошибаться в цепочке шагов. Причём ошибаться тихо. Без драмы. А тихая ошибка в лаборатории — это, честно, очень дорогой вид неприятности.

DeepMind уже не единственный флаг на этом поле

Есть и более широкий смысл. Десять лет Google DeepMind был почти синонимом AI for Science: AlphaFold, химия, метеорология, материалы — весь этот большой научный пьедестал.

Теперь Anthropic идёт туда же и делает это довольно демонстративно.

Дополнительный сигнал — переход Джона Джампера из DeepMind в Anthropic. Это, конечно, не означает, что DeepMind внезапно исчез. Но рынок любит такие истории читать как голосование ногами. И когда один из самых заметных учёных в этой области меняет работодателя, это уже не фон.

Anthropic при этом отдельно говорит о миссии: компания хочет делать AI, который служит долгосрочному благополучию человечества, а life sciences считает одной из ключевых зон. Плюс она объявила, что будет использовать продукт и для собственных исследований лекарств от редких и neglected diseases — то есть малоизученных и часто заброшенных болезней. Тут, как обычно, благородная риторика и очень конкретный продукт идут почти в обнимку. Ну надо же.

Реальная польза есть. И конфликт тоже есть

Польза у Claude Science вполне может быть не декоративной.

Для биологов и фармкоманд это шанс быстрее анализировать данные, меньше зависеть от редких специалистов и снижать долю ручной рутины. Для небольших команд — особенно заметно: меньше времени уходит на связку «научная задача — код — проверка — снова код».

Но конфликт тут тоже вполне виден.

Во-первых, автономные системы ошибаются. Во-вторых, проверить их можно только независимыми тестами в реальных лабораторных сценариях, а не на слайде. В-третьих, эффект для профессии может оказаться неравномерным: опытным людям инструмент даст рычаг, а junior-исследователю вход в профессию может стать одновременно проще и скользче.

И это, пожалуй, главная неловкость всей истории. ИИ обещает ускорить науку, но вместе с этим начинает перераспределять то, кто в этой науке учится, кто проверяет, а кто уже считает себя незаменимым.

Что это значит на ближайшие год-два

Если вы работаете в биологии, биофарме или рядом с вычислительными науками, это уже не шум вокруг «очередного AI-проекта». Такие системы становятся частью нормального инструментария.

Если вы junior-исследователь, ближайшие год-два могут оказаться странными: часть задач станет доступнее, но часть учебной рутины, на которой обычно растут, может сжаться. Удобно? Да. Комфортно? Не очень.

Anthropic, похоже, решила сделать науку не просто областью применения ИИ, а отдельной продуктовой вертикалью. И если это действительно взлетит, то лабораториям придётся жить не рядом с ИИ — а уже внутри его рабочих привычек. И вот тут я бы, честно, не торопилась радоваться раньше проверки результатов.

Материалы