5吉瓦算力撞上试管培养皿：Anthropic建湿实验室背后的生物真值断层

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）的数据中心上，就要花掉超过 1000 亿美元。 5 个吉瓦是什么概念？ 500 万千瓦，相当于好几个大型核电机组满负荷发电的总和。 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。 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。 在电脑里把蛋白质折叠和分子结构推演个几百亿次。 什么疑难杂症攻不破？

但同样是今天。 Anthropic 生命科学负责人 Eric Kauderer-Abrams 证实了一件事。 他们在旧金山湾区建了一个实体的湿实验室。 是真的去采购离心机、通风橱、自动化机械臂和试剂瓶。 开始在物理世界里摆弄真实的细胞和化学溶液。 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？

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。 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。 在过去的几年里，这种模拟看起来无所不能。 AlphaFold 预测了几亿个蛋白质结构。 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。 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。 但生命科学跟下围棋、写代码有一个根本的区别。 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。 围棋的规则是一套封闭且确定的数学系统。 黑白棋子落下去，胜负由算法在几微秒内判决。 没有半点误差。 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。 但生命从来无法被几行数学公式穷尽。 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。 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。 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。 它可能根本穿不过细胞膜。 它可能刚进入血浆就被未知的酶降解掉了。 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。 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。 正如 Eric Kauderer-Abrams 所说： 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。 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。

既然算不准，去买现成的生物实验数据喂给模型不行吗？ 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。 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。 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。 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。 这导致生物学论文有着极高的不可复现率。 同一个实验换一个实验室，结果经常大相径庭。 更要命的是学术界普遍的发表偏差。 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。 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。 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。 如果拿着这些充满噪音、全是幸存者偏差的数据去训练。 算力越大，模型在生物学上的幻觉就越可怕。 把 5 吉瓦算力开满，产出的可能只是一堆精致的垃圾。

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。 紧接着，诺华制药（Novartis）的首席执行官 Vas Narasimhan 被请进了董事会。 6 月份上线了专门针对科学家的工作台 Claude Science。 现在，又在旧金山亲自建起了湿实验室。 他们并不打算开一家替药企代工检测的外包机构。 他们的目标，是打造一套自驱动的自动化实验闭环。 这套闭环具体怎么跑？ Claude 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。 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。 指令下发给实验室里的高通量移液工作站和机器人手臂。 机械臂全自动取样、配比试剂、点样、加热、培养。 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。 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？ 最关键的一步紧接着发生。 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。 直接作为奖励信号，喂回给 Claude 的训练系统。 整套循环几个小时就能跑完一轮。 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。

这就是物理世界向数字系统交账的方式。 过去两年，整个科技界都在比拼谁的显卡集群更大。 谁找电力公司拿到了更多的电网负荷。 谁的模型能在排行榜上刷出更高的分数。 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。 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。 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。 Anthropic 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。 AI 的下一场硬仗，不再仅仅取决于显卡里消耗的电力。 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。