最近，Anthropic 发布了一篇引发科研圈关注的技术文章——《Making Claude a Chemist》。文章中展示了 Claude 在多个化学任务上的最新进展，包括化学结构理解、NMR谱图解析、科研文献分析等能力。对于很多人来说，这或许只是一次模型能力升级；但对于长期关注 AI for Science 的科研工作者而言，这背后释放出的信号更加重要：

AI 正在从“会说话”，走向“懂科研”。

过去几年，大模型主要解决的是语言问题；而未来几年，真正决定科研AI价值的，将是它是否能够理解科学语言、实验逻辑和专业知识体系。

而这，也正是鹰谷过去十余年持续投入的方向。

一、Anthropic正在让AI“读懂化学”

长期以来，大语言模型最大的优势在于自然语言处理。

它们能够写文章、总结资料、生成代码，却很难真正理解化学结构、实验数据以及复杂的科研知识。原因很简单：化学并不是普通语言。

一个分子结构、一张谱图、一条反应路线，本质上都是高度专业化的信息表达体系。如果AI无法理解这些信息，就无法真正参与科研工作。在《Making Claude a Chemist》中，Anthropic展示了多个重要方向：

• 化学结构理解

• NMR谱图解析

• 科学文献阅读与推理

这些能力意味着：AI正在从“生成内容工具”升级为“科研认知工具”。未来科研AI的竞争，可能不再是谁拥有更多参数，而是谁真正理解：化学语言、实验逻辑、科学知识、科研数据，而这些能力，恰恰是科研场景长期存在的核心痛点。

二、这些能力，鹰谷早已做进真实科研工具

事实上，如果仔细观察 Anthropic 所展示的方向，会发现其中许多能力与鹰谷长期布局的方向高度重合。区别在于：Anthropic 正在探索让大模型具备这些能力；而鹰谷已经把这些能力做成科研人员每天都能使用的工具。

InDraw：让AI真正理解化学结构

在科研工作中，化学结构是最基础也是最核心的信息载体。然而长期以来，大模型对结构式的理解能力非常有限。为了解决这一问题，鹰谷持续深耕化学智能技术，并将相关能力全面融入 InDraw AI 化学设计平台。

• AI化学结构识别：高精度（99.75%准确度，基于IUPAC、uob 、 uspto、 jpo 、clef测试集）结构式图像识别、批量结构图识别、移动端拍照识别结构式、PPT、论文、专利图片直接识别，科研人员只需拍照，即可快速获得可编辑结构。

• AI实验路线设计：相比识别结构，更重要的是理解结构。InDraw 已将 AI 智能体能力深度融入结构式编辑器。不同于通用大模型依靠语言概率生成答案，InDraw 会结合真实反应数据库与专业算法进行搜索验证：推荐关键反应步骤、提供反应物与催化剂建议、给出温度、时间、加料顺序等实验条件，实现从“设计分子”到“设计实验”的跨越。

  图注：该功能将于InDraw 8.1正式上线

• 化学知识计算与预测：InDraw 同时集成大量专业化学工具：全球首家中文IUPAC命名、英文IUPAC命名、pKa预测、ADMET成药性预测、3D结构模拟、HELM大分子编辑、期刊与专利级绘图能力、完美兼容 ChemDraw、Office 与 WPS等，对于科研人员而言，这些能力已经不仅仅是画图工具，而是逐步演化为化学研发工作台。

InPaper：让AI真正理解科研文献

如果说 InDraw 解决的是化学结构理解问题，那么 InPaper 解决的则是科研知识理解问题。

科研最大的知识来源依然是文献。然而大量文献知识长期处于非结构化状态：数据隐藏在正文中、结构式存在于图片里、反应条件散落于实验部分、生物活性数据难以统一整理，即使有大模型，也很难直接利用这些知识。因此，鹰谷推出了 InPaper 文献结构化平台。

• 自动提取科研知识：InPaper 能够自动识别并提取：化学结构式、化学反应式、生物活性数据等数据，将原本难以利用的文献信息转化为结构化科研资产。

• 建立企业专属知识库：通过持续积累文献数据，可以快速建立：可全文搜索、结构式和反应式搜索的文献数据库、文献构效关系数据库，让企业过去沉睡在文献中的知识真正变得可搜索、可分析、可复用。

对于未来AI科学家而言，这些知识库正是其持续学习与推理的重要基础。

三、未来科研AI竞争的核心，不只是模型

过去几年，行业讨论最多的是模型参数规模。但越来越多实践证明：参数并不直接等于科研能力。真正决定科研AI价值的，往往是以下几个因素：

• 是否理解专业领域语言

  化学结构、谱图、反应式，本质上都是专业语言。AI必须先理解这些语言，才能参与科研。

• 是否拥有真实科研场景

  科研不同于通用办公，实验失败、反应异常、数据缺失、条件优化等问题，都需要长期场景积累。

• 是否拥有高质量科研数据

  未来科研竞争，本质上也是数据竞争。谁拥有更多真实、完整、结构化的实验数据，谁就拥有训练下一代科研AI的基础。

• 是否拥有高质量的阴性数据

  成功数据告诉AI什么可行，而阴性数据则告诉AI什么不可行。在药物研发、化学合成和新材料研发中，大量失败实验往往比成功结果更具训练价值。

• 是否能够形成知识体系

  单个模型能力终究有限。真正重要的是：数据、知识、工具和智能体之间能否形成闭环。从实验数据，到文献知识，再到智能体推理与执行，最终构建完整的科研智能基础设施。

四、Anthropic 下场科研，垂直领域科研软件的机会在哪里

每当大模型能力升级，总会有人提出同一个问题：
很多软件公司都被大模型替代了，Anthropic等巨头开始进入科研领域后，鹰谷这样的专业垂直领域的科研软件公司还有机会吗？

答案或许恰恰相反：全球AI巨头进入科研领域，反而验证了科研智能化正在成为未来的重要方向。大模型升级导致创业公司被替代，在软件研发板块确实频繁上演，但在化学科研领域，这套逻辑并不完全适用，反而会相互协同，促进超级AI科学家更快速实现。

1. 语言模型不等于化学、物理和生物模型

目前大模型理解化学的主要桥梁是 SMILES 线性字符串，但这种表达方式将三维分子构象、电子效应、空间位阻等信息全部压缩为一串字符，信息丢失是结构性的。面对反应选择性预测、催化剂设计等需要深度化学理解的任务，通用大模型容易犯“看起来合理、实际错误”的低级错误。大模型要理解化学、物理和生物，还要在底层算法和数据上持续深度研究，才会有更大的突破。

2. 公开数据远远不够

互联网拥有海量文本数据，但化学、生物医药领域真正高质量的科研数据其实十分有限。尤其是实验数据。大量最有价值的数据，并不在公开论文和数据库中，而是沉淀在企业实验室、高校课题组和科研机构的日常研发过程中。更重要的是，公开发表的往往是成功结果，而大量失败实验、条件优化记录和阴性数据通常不会被公开。

但对于AI而言：知道什么有效很重要，知道什么无效往往更重要。未来科研AI的竞争，不仅是谁拥有更多成功数据，更是谁保存了更多真实的失败数据。

而这正是鹰谷电子实验记录本InELN 的价值所在。实验过程中的原始数据、优化过程以及阴性数据都能够被完整记录和持续积累，形成企业最宝贵的科研数据资产，也成为未来AI科学家的重要基础。

3. 未来属于“大模型 + 专业系统”

Anthropic 展示的是科研AI发展的重要方向。但从“理解化学”到“做好科研”，仍然需要专业系统的支撑。大模型擅长理解与推理，专业系统负责沉淀数据、构建知识和连接真实科研场景。两者不是替代关系，而是协同关系。

对于鹰谷而言，Anthropic 等领先模型的发展并不是威胁，而是机遇。InELN、InDraw、InPaper 等长期积累的数据、知识和场景能力，恰恰能够与不断进步的大模型结合，共同推动下一代AI科学家的诞生。

全球AI巨头入场，恰恰验证了这条道路

当 Anthropic 开始研究如何让 Claude 成为一名“化学家”时，这不仅意味着 AI for Science 正在进入新的阶段，也说明整个行业正在朝着同一个方向发展：让AI真正理解科学，让超级AI科学家更快到来。

而对于鹰谷来说，这条路并非刚刚开始。从 InELN 沉淀真实实验数据，到 InDraw 理解化学结构与反应，再到 InPaper 构建科研知识体系，鹰谷长期布局的核心始终没有改变：

让科研数据变成知识，让知识驱动AI，让AI服务科学发现，打造超级AI科学家。