{"id":"raw_5972038fa5b56599","account":"mubei","brand":"@mubei","title":"手里握着能把全人类文献读上几万遍的超级算力。 为什么还要在旧金山亲自租厂房买移液枪？ 为什么非要建一个倒弄试管和培养皿的…","summary":"手里握着能把全人类文献读上几万遍的超级算力。 为什么还要在旧金山亲自租厂房买移液枪？ 为什么非要建一个倒弄试管和培养皿的生物实验室？ 纽约时报刚披露了一组数字。 Anthropic 告诉投资人，他们正计划把算力推到 5 个吉瓦（GW）。 未来十年，他们光是在亚马逊云服务（AWS）…","body":"手里握着能把全人类文献读上几万遍的超级算力。\n为什么还要在旧金山亲自租厂房买移液枪？\n为什么非要建一个倒弄试管和培养皿的生物实验室？\n\n纽约时报刚披露了一组数字。\nAnthropic 告诉投资人，他们正计划把算力推到 5 个吉瓦（GW）。\n未来十年，他们光是在亚马逊云服务（AWS）的数据中心上，就要花掉超过 1000 亿美元。\n5 个吉瓦是什么概念？\n500 万千瓦，相当于好几个大型核电机组满负荷发电的总和。\n在纯数字的屏幕里，这是人类有史以来最庞大的一台硅基大脑。\n按常规的理解，有了这种级别的算力，早该把全球生物论文吃透了。\n在电脑里把蛋白质折叠和分子结构推演个几百亿次。\n什么疑难杂症攻不破？\n\n但同样是今天。\nAnthropic 生命科学负责人 Eric Kauderer-Abrams 证实了一件事。\n他们在旧金山湾区建了一个实体的湿实验室。\n是真的去采购离心机、通风橱、自动化机械臂和试剂瓶。\n开始在物理世界里摆弄真实的细胞和化学溶液。\n一位手握 5 吉瓦数字算力的 AI 巨头，为什么突然要回过头来洗试管？\n\n因为在生物学面前，纯代码世界的算力神话撞上了一面坚硬的高墙。\n在行业里，完全依靠计算机进行模型演算的方式，叫干实验，或者叫纯计算模拟。\n在过去的几年里，这种模拟看起来无所不能。\nAlphaFold 预测了几亿个蛋白质结构。\n各种生成式模型在几分钟内就能画出几万种潜在的药物候选分子。\n很多人觉得，只要算力继续堆上去，新药和疗法就会像代码一样自动写出来。\n但生命科学跟下围棋、写代码有一个根本的区别。\n当年 AlphaGo 可以在电脑里左右互搏几千万盘棋，几小时完成一次进化。\n围棋的规则是一套封闭且确定的数学系统。\n黑白棋子落下去，胜负由算法在几微秒内判决。\n没有半点误差。\n写代码也是一样，程序能跑还是报错，编译器自己就是最公平的裁判。\n但生命从来无法被几行数学公式穷尽。\n它是地球演化了三十多亿年、被无数偶发事件揉成一团的生化浓汤。\n你在电脑里把一个药物分子和病毒靶点的结合模拟得再完美，自由能计算得再精准，它依然只是一份假说。\n一旦把这种分子真正融进液体、滴到活体细胞上，物理世界的混乱立刻砸了过来。\n它可能根本穿不过细胞膜。\n它可能刚进入血浆就被未知的酶降解掉了。\n它可能确实按住了那个致病靶点，但顺手毒死了旁边的健康细胞。\n这些微观层面的非特异性结合和脱靶毒性，目前没有任何公式能算得准。\n正如 Eric Kauderer-Abrams 所说：\n最终的检验，依然是、并且很长一段时间内都将是真实实验室里的工作。\n在这一滴真实的液体面前，5 个吉瓦的算力只要拿不到物理反馈，就算到天花板也是盲人摸象。\n\n既然算不准，去买现成的生物实验数据喂给模型不行吗？\n这就引出了生物学里最残酷的现实：整个行业正面临着巨大的真值赤字。\n很多人以为互联网上到处都是生物医学论文，数据多得用不完。\n但过去一百年人类积累的实验数据，绝大多数是全球各个高校的研究生在操作台前手工做出来的。\n移液枪吸了多少微升、试剂批次有没有杂质、当天的温度湿度有没有变化，全靠实验员的手法和肉眼观察。\n这导致生物学论文有着极高的不可复现率。\n同一个实验换一个实验室，结果经常大相径庭。\n更要命的是学术界普遍的发表偏差。\n只有实验成功了、分子产生反应了，科研人员才会写成论文发表。\n那些失败了九千九百次的阴性数据，全被顺手倒进了废液桶，连一行记录都没留下。\n但在机器学习的世界里，没有失败样本，模型就根本学不会边界在哪里。\n如果拿着这些充满噪音、全是幸存者偏差的数据去训练。\n算力越大，模型在生物学上的幻觉就越可怕。\n把 5 吉瓦算力开满，产出的可能只是一堆精致的垃圾。\n\n今年 4 月，Anthropic 先掏出 4 亿美元股票，一口气收购了生物科技初创公司 Coefficient Bio。\n紧接着，诺华制药（Novartis）的首席执行官 Vas Narasimhan 被请进了董事会。\n6 月份上线了专门针对科学家的工作台 Claude Science。\n现在，又在旧金山亲自建起了湿实验室。\n他们并不打算开一家替药企代工检测的外包机构。\n他们的目标，是打造一套自驱动的自动化实验闭环。\n这套闭环具体怎么跑？\nClaude 先在云端调动几十个专业数据库和海量算力，生成分子假说。\n接下来，模型不需要等人类科学家去手写实验步骤，它直接把方案编译成自动化控制代码。\n指令下发给实验室里的高通量移液工作站和机器人手臂。\n机械臂全自动取样、配比试剂、点样、加热、培养。\n没有人工手抖，没有记录造假，操作过程被传感器毫秒级记录。\n几个小时后，检测设备读出荧光信号和结合曲线，拿到物理世界的硬反馈：分子到底结合了没有？细胞是生是死？\n最关键的一步紧接着发生。\n这些刚从物理世界拿到的真实数据，带着完整的成功与失败记录。\n直接作为奖励信号，喂回给 Claude 的训练系统。\n整套循环几个小时就能跑完一轮。\n模型吸纳了物理世界的真实碰撞，重新修正参数，立刻发出下一批实验指令。\n\n这就是物理世界向数字系统交账的方式。\n过去两年，整个科技界都在比拼谁的显卡集群更大。\n谁找电力公司拿到了更多的电网负荷。\n谁的模型能在排行榜上刷出更高的分数。\n但当 AI 试图推开物理世界的大门时，决定胜负的瓶颈已经悄悄转移了。\n算力花钱就能向电网买，但高精度的物理真值，在市场上根本买不到。\n如果数字大脑不能连上物理触角，再多的吉瓦也只是在虚空中空转。\nAnthropic 在旧金山租下的这间实验室，标志着整个大模型竞赛走到了一个新的分水岭。\nAI 的下一场硬仗，不再仅仅取决于显卡里消耗的电力。\n它取决于谁能在真实的试剂与培养皿里，以更快的速度，把物理世界的规律一滴一滴测出来。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2101149265863057746","translated_status_id":"2101149265863057746","published_at":"2026-09-18 23:03:21","created_at":"2026-09-18T23:03:21.070582"}