SandboxAQ 接入 Claude：AI 制药开始抢科研入口

SandboxAQ 把自己的药物发现和材料科学模型接进 Claude。这件事容易被讲成“AI 又能制药了”，但那是误读。

Claude 没有突然变成药物研发专家。它更像一个前台：科研人员用自然语言提问题，背后调用 SandboxAQ 的物理约束型 LQM 模型，去跑原本门槛很高的科学模拟。

真正的变化不在“聊天框会不会发现新药”。而在复杂科学工具开始换入口。过去要会搭基础设施、会用专业软件；现在至少有一部分操作，可能变成会不会把科研问题说清楚。

门槛降了。专业门槛没消失。

Claude 是入口，LQM 才是工具

SandboxAQ 是从 Alphabet 分拆出来的公司，前 Google CEO Eric Schmidt 担任董事长，累计融资超过 9.5 亿美元。它的业务不只药物发现，也包括网络安全等方向。

这次接入 Claude 的，是它更有辨识度的一条线：LQM，Large Quantitative Models。

LQM 不是普通大语言模型。它不是靠预测下一句话来回答科研问题，而是把物理规则、实验数据和科学方程结合起来，做定量模拟。

药物发现为什么总被 AI 公司盯上，原因很朴素：贵、慢、失败率高。一个候选分子从发现到真正成为药物，常常要多年投入，还可能在中途死掉。

AI 的承诺，是在更早阶段筛掉低价值候选分子。少做一些注定失败的实验，本身就有价值。

但承诺不是结果。到目前为止，这类工具真正要证明的，不是演示页面多顺滑，而是计算结果能不能进入可重复、可验证、可推进的实验链条。

SandboxAQ 押的是入口，不只是模型

Chai Discovery、Isomorphic Labs 这类公司，更常被放在“谁能做出更强科学模型”的叙事里。这个方向当然重要。药物发现不是写文案，模型不准，入口再漂亮也没用。

SandboxAQ 这次更像换了一个切口：把复杂模拟能力放进 Claude 这种通用 AI 入口里。

过去使用这类模型，客户通常要自备数字基础设施。工具很强，但能真正用起来的人有限。很多实验人员不是没有问题，而是进不了工具的门。

这次合作的现实意义，就在这里。

对药企研发负责人来说，这不是一个“马上全量采购”的信号。更现实的动作，是把它放进评估清单：哪些任务适合自然语言入口，哪些仍要留在现有计算平台里。

对计算科学团队来说，压力会更具体。过去他们是工具的守门人。现在，部分实验人员可能绕过复杂界面，直接用 Claude 发起模拟请求。计算团队不会被替代，但角色会变：从“帮人操作工具”，变成“定义边界、审查结果、维护数据和流程”。

这才是入口竞争的锋利处。

技术史里这种戏码反复出现。PC 早期也是专家机器，后来被图形界面和办公软件拖进普通组织。今天不完全一样，药物研发的专业性高得多。但权力结构相似：工具一旦变成默认入口，预算、流程和决策都会跟着移动。

“天下熙熙，皆为利来。”放到企业 AI 里，就是谁能嵌进工作流，谁才更接近长期价值。

真瓶颈还在实验台，不在聊天框

我不太买账的，是把“自然语言访问”直接讲成药物研发提速。原始信息里没有这样的验证数据。接入 Claude 只是降低调用门槛，不是证明研发成本已经下降，更不是证明临床周期会缩短。

真正的硬约束还在三处。

数据质量要命。实验条件、样本偏差、历史数据噪声，都会影响模型判断。输入数据脏，界面再友好也没用。

实验验证昂贵。一个分子在模拟里表现不错，不代表它在湿实验、动物实验、人体临床里一路绿灯。制药行业最贵的失败，常常不发生在电脑里。

企业流程也慢。大型药企和工业公司不是因为少一个聊天框才慢。它们慢在合规、预算、跨部门协作、责任归属和失败成本。

所以，接下来最该看的不是发布会话术，而是几个更硬的变量：

• 科研人员能否在 Claude 里稳定调用具体模拟任务，而不是只做演示查询。
• 企业客户是否把结果接进现有实验记录、数据平台和审批流程。
• 计算科学团队是否愿意把部分入口交给实验人员，而不是继续集中控制。
• 模拟结果有没有被后续实验验证支持，而不是停在漂亮报告里。

如果这些环节走不通，Claude 只是多了一个科学工具插件。如果走得通，SandboxAQ 抢到的就不是一次曝光，而是一段研发流程的控制权。

这步棋少见地现实。它没有把 Claude 包装成自动制药机器，而是承认科研工具要先被用起来。

AI 制药的下半场，未必只属于模型冠军。也会属于那些能把模型塞进组织肌肉记忆里的人。