یک پژوهشگر در مؤسسه گلدستون توانست تنها در چند روز، یک مرورگر اختصاصی ژنوم را از صفر طراحی کند. این دستاورد نتیجه استفاده از Claude Science است؛ ابزاری که نشان می‌دهد آنتروپیک (Anthropic) در حال انجام یک چرخش استراتژیک است. این شرکت دیگر تنها به دنبال ارائه مدل‌های خام نیست و می‌خواهد «لایه عملیاتی» (Operating Layer) صنایع تخصصی را در اختیار بگیرد.
این تغییر رویکرد در حالی رخ می‌دهد که آزمایشگاه‌های هوش مصنوعی از ساخت چت‌بات‌های همه‌منظوره به سمت ابزارهای عمودی (Vertical Tools) حرکت می‌کنند. همان‌طور که در پوشش پیشین ما درباره‌ی موازنه‌ی قیمت و پایداری در مدل‌های Claude 4 و GPT-5 دیدیم، اکنون یکپارچه‌سازی نرم‌افزاری به اندازه خودِ هوش مدل اهمیت یافته است. تفاوت بنیادین در این است که در حالی که یک مدل کلی صرفاً یک ابزار است، یک «میز کار» (Workbench) در واقع یک فضای کاری کامل است.
زمینه و یکپارچه‌سازی
آنتروپیک این میز کار را روز سه‌شنبه طی یک نشست خبری تحت عنوان «هوش مصنوعی برای علم» معرفی کرد. این عرضه در ادامه انتشار نسخه Claude for Life Sciences در اکتبر ۲۰۲۵ صورت می‌گیرد. در حالی که تلاش قبلی آن‌ها تنها به تقویت چت‌بات برای انجام بهتر تکالیف زیست‌شناسی محدود می‌شد، Claude Science اکنون یک محیط اختصاصی برای انجام واقعی کارهای پژوهشی فراهم می‌کند.
این رویکرد دقیقاً مشابه استراتژی پشت Claude Code است؛ ابزاری که آنتروپیک آن را به عنوان لایه عملیاتی برای توسعه نرم‌افزار معرفی کرده است. آنتروپیک با شرط‌بندی روی محصولات سطح گردش‌کار (Workflow-level)، در حال تغییر شیوه رقابت و قیمت‌گذاری خدمات خود در برابر رقبایش است.
طبق گزارش تک‌کرانچ (TechCrunch)، Claude Science که در ۳۰ ژوئن ۲۰۲۶ عرضه شد، یک مدل هوش مصنوعی جدید نیست. این سیستم از همان مدل‌هایی استفاده می‌کند که برای همه کاربران در دسترس است، از جمله Claude Opus 4.8. آنتروپیک صراحتاً اعلام کرده است که «هیچ دسترسی ویژه یا محدودیت ورودی» برای مدل‌های زیربنایی وجود ندارد. بنابراین، ارزش واقعی این ابزار در سازمان‌دهی محیط کار (Orchestration) نهفته است، نه لزوماً در افزایش توان استدلالی خاص در حوزه زیست‌شناسی.
معماری میز کار علمی
ساختار این سامانه بر چهار محور اصلی استوار است:
- مدیست مدیریت پروژه: یک دستیار هوش مصنوعی اصلی در نقش مدیر پروژه عمل می‌کند. این دستیار جریان کلی پژوهش را مدیریت کرده و می‌تواند وظایف را به زیر-دستیاران (Sub-assistants) واگذار کند یا کار را به «عامل‌های» (Agents) متخصص که توسط خود کاربر ساخته شده‌اند، بسپارد.
- یکپارچه‌سازی داده‌ها: سیستم به‌طور مستقیم به بیش از ۶۰ پایگاه داده علمی متصل است. همچنین شامل مجموعه‌ابزارهای پیش‌ساخته‌ای برای حوزه‌های خاص از جمله شیمی، ساختار پروتئین و ژنومیک است.
- لایه تأیید: یک هوش مصنوعی مجزا برای بررسی واقعیات (Fact-checker) عمل می‌کند. این لایه استنادها و محاسبات را اعتبارسنجی می‌کند تا از جعل آمارها پیش از انتشار مقاله پیشگیری شود. این قابلیت پاسخی به روند فعلی است که در آن نوشتارهای به کمک AI، منجر به تولید آمارهای غیرقابل تأیید می‌شوند.
- تکرارپذیری: میز کار قادر به تولید ساختارهای سه‌بعدی پروتئین و طرح‌های شیمیایی است. هر شکل خروجی شامل کد دقیق، محیط مورد استفاده برای خلق آن، یک شرح به زبان ساده و تاریخچه کامل پیام‌هاست.
پژوهشگران می‌توانند این اشکال علمی را با استفاده از زبان ساده ویرایش کنند؛ به این صورت که از عامل هوشمند می‌خواهند کد زیربنایی شکل را بازنویسی کند. علاوه بر این، برای آزمایشگاه‌هایی که دغدغه‌های امنیتی شدید دارند، این پلتفرم می‌تواند روی زیرساخت‌های داخلی خود مؤسسه اجرا شود تا داده‌های حساس از سرورهای آنتروپیک خارج نشوند.
بر اساس گزارش‌های اولیه، این ابزار باعث صرفه‌جویی قابل‌توجهی در زمان شده است. شون والهالن، دانشمند ارشد یادگیری ماشین و ژنومیک عملکردی در مؤسسه گلدستون، از این ابزار برای ساخت مرورگر ژنوم خود استفاده کرد. همچنین ژروم لکوک، عصب‌شناس در مؤسسه آلن (Allen Institute)، از این ابزار برای ساخت یک خط لوله بازبینی محاسباتی چند-عاملی استفاده کرد که به ادعای او، سال‌ها از حجم کاری دستی انسان‌ها کاسته است.
این استراتژی در تضاد کامل با رویکرد OpenAI است که در آوریل ۲۰۲۶ با عرضه GPT-Rosalind، مسیری مدل‌محور را پیش گرفت. روزالیند یک مدل تخصصی است که به‌طور خاص برای استدلال‌های زیست‌شناسی تنظیم دقیق (Fine-tuning) شده است. در حالی که OpenAI دسترسی به روزالیند را پشت لایه‌های بررسی صلاحیت و ایمنی برای شرکای تجاری مانند Amgen، Moderna، Thermo Fisher و Novo Nordisk محدود کرد، آنتروپیک Claude Science را در حالت بتا برای تمامی مشترکان Pro، Max، Team و Enterprise در دسترس قرار داده است.
در همین حال، گوگل دیپ‌مایند (Google DeepMind) همچنان بر لایه بنیادی تسلط دارد. پلتفرم Gemini for Science مدل‌های بنیادی انحصاری مانند AlphaFold و AlphaGenome را در کنار بیش از ۳۰ پایگاه داده علوم زیستی یکپارچه کرده است. این‌ها مدل‌هایی هستند که آنتروپیک و OpenAI تنها می‌توانند آن‌ها را به عنوان ابزارهای خارجی فراخوانی کنند.
برای کاربر نهایی، این بدان معناست که رقابت دیگر تنها بر سر این نیست که چه کسی «باهوش‌ترین» مدل زبانی بزرگ (LLM) را دارد، بلکه رقابت بر سر این است که چه کسی «روان‌ترین گردش‌کار» را می‌سازد. اگر آنتروپیک در این مسیر موفق شود، موفقیت Claude Code را تکرار کرده و هوش مصنوعی خود را به رابط ضروری برای توسعه نرم‌افزار و پژوهش‌های علمی تبدیل می‌کند.
آنتروپیک همچنین در حال سرمایه‌گذاری مالی روی این اکوسیستم است. آن‌ها از حداکثر ۵۰ پروژه برای دانشجویان دکترا و فارغ‌التحصیلانی که در حال بررسی مرزهای پژوهش‌های زیست‌پزشکی هستند، حمایت می‌کنند. این پروژه‌ها تا سقف ۳۰ هزار دلار اعتبار دریافت خواهند کرد. مهلت ارسال درخواست‌ها تا ۱۵ ژوئیه ۲۰۲۶ است و اطلاعیه‌ها تا ۳۱ ژوئیه ارسال می‌شوند. این پروژه‌ها از ۱ سپتامبر تا ۱ دسامبر ۲۰۲۶ اجرا خواهند شد.
در آینده باید رصد کرد که غول‌های دارویی مانند Novo Nordisk و مؤسسه آلن چگونه این لایه‌های رقابتی را با هم ترکیب می‌کنند. این موردپژوهی‌ها نشان می‌دهند که سازمان‌های دارویی از همین حالا به‌طور هم‌زمان با چندین فروشنده AI همکاری می‌کنند. برنده واقعی، نه لزوماً صاحب بهترین مدل، بلکه پلتفرمی خواهد بود که بتواند به‌طور مؤثرترین شکل، آشفتگیِ پراکنده پایگاه‌های داده قدیمی علمی را جایگزین کند.
گام بعدی شما
- اگر پژوهشگر هستید، بررسی کنید که آیا دسترسی به پایگاه‌های داده مورد نیازتان از طریق API فراهم است تا بتوانید از لایه‌های عملیاتی مشابه استفاده کنید.
- در صورت استفاده از نسخه‌های Pro یا Team، قابلیت‌های Beta در بخش Science را برای اتوماسیون مستندات علمی تست کنید.
- مدل‌های استدلالی را با ابزارهای یکپارچه‌ساز مقایسه کنید تا تفاوت «هوش خام» و «گردش‌کار بهینه» را در خروجی‌ها ببینید.
اما نبرد واقعی در لایه زیرساختی است؛ اثر این رقابت بر بازار تراشه‌های تخصصی را در تحلیل ما درباره نسل جدید GPUها دنبال کنید.
گفتگو