Компания Anthropic, известная своими моделями семейства Claude, начала управлять физической «мокрой» лабораторией в районе Сан-Франциско. Под мокрыми экспериментами понимают работу с биологическими образцами, реагентами и препаратами непосредственно в лаборатории, то есть речь идёт о реальных биологических испытаниях, а не только о компьютерном моделировании.

Руководитель направления наук о жизни подтвердил эту информацию, отметив, что биологические выводы в конечном счёте всё равно нуждаются в проверке на практике.

По его словам, цель лаборатории — ускорить биологические исследования на порядок, а участие человека должно быть сведено к минимуму. Часть экспериментов уже выполнена автономно, и сейчас компания изучает возможность прямого управления роботами со стороны Claude.

Использование искусственного интеллекта в разработке лекарств давно стало привычным. Большие модели быстро порождают множество кандидатов — белков или молекул, но это лишь предсказания внутри компьютера.

Проверить их состоятельность можно только настоящим экспериментом. Идеальная схема выглядит как замкнутый цикл: модель предлагает конструкцию, лаборатория изготавливает и тестирует образцы, данные возвращаются модели, и она проектирует следующую партию.

Однако до сих пор ускорение касалось главным образом этапа проектирования, тогда как эксперименты по-прежнему идут шаг за шагом. Чем быстрее работает модель, тем заметнее разрыв между проектированием и проверкой.

Один из недавних экспериментов это наглядно показал. Модели проектировали связывающие агенты для пятнадцати мишеней, а изготовление и независимую проверку выполняли внешние компании.

В итоге для четырнадцати мишеней удалось получить подтверждённые связывающие агенты. Однако доля успешных кандидатов среди молекул составила около двадцати двух и двадцати шести процентов. Это заметно выше традиционного уровня в десять-пятнадцать процентов, но всё равно означает, что примерно три четверти предложенных молекул отбраковываются.

Значительная часть лабораторных ресурсов продолжает расходоваться впустую, и нагрузка на экспериментальную часть не снижается пропорционально ускорению проектирования.

К тому же зависимость от внешней проверки растёт: заказы сторонним подрядчикам увеличиваются, а вместе с ними растут расходы и время на возврат данных. Именно поэтому создание собственной лаборатории означает переход ключевой экспериментальной способности под прямой контроль компании.

Однако наличие лаборатории само по себе не даёт искусственному интеллекту возможности управлять экспериментами. Программное обеспечение и коммуникационные интерфейсы лабораторного оборудования разнородны, и инженерам нередко требуются недели или даже месяцы, чтобы подключить один прибор к единой системе.

Чтобы решить эту проблему, Anthropic выпустила стандарт, описывающий универсальный способ взаимодействия интеллектуальных агентов с физическими устройствами. Через него оборудование сообщает модели своё состояние, доступные операции и границы безопасности.

В ранних испытаниях время интеграции устройств сократилось с недель и месяцев до часов и даже минут. В экспериментах одной из фармацевтических компаний Claude одновременно координировал жидкостный процессор, роботизированную руку и считыватель микропланшетов, корректировал параметры по результатам и самостоятельно диагностировал неполадки, восстанавливая работу оборудования.

В другой лаборатории модель в реальном времени считывала кривые количественной полимеразной цепной реакции и согласовывала перемещение планшетов с образцами.

Стоит отметить, что Anthropic начала заниматься биомедициной задолго до этого. В 2025 году появился специализированный продукт для наук о жизни, в апреле 2026 года компания приобрела за примерно четыреста миллионов долларов фирму, знакомую с процессом разработки лекарств, а в июне выпустила научную версию Claude.

Для руководителя компании это направление имеет личный смысл: его отец умер от болезни, лечение которой появилось слишком поздно. Компания нацелена на редкие заболевания и трудно поддающиеся лечению мишени, а также на биспецифические и триспецифические антитела — области, которые крупные фармацевтические игроки считают финансово непривлекательными.

Вместе с тем возникают и вопросы. Одни опасаются, что компания, продающая инструменты фармкомпаниям и одновременно создающая собственную лабораторию для отбора молекул, может использовать чужие данные для обучения моделей.

Ответ компании таков: она не проводит клинические испытания на людях и не коммерциализирует лечебные продукты напрямую, сосредоточившись на доклиническом этапе. По статистике, в мире уже более ста препаратов, разработанных или обнаруженных с участием искусственного интеллекта, вошли в клиническую стадию, но до конца 2025 года ни одно лекарство, созданное полностью с помощью ИИ, не получило одобрения американского регулятора. Иными словами, сильная сторона больших моделей проявляется в основном на ранних этапах.

Как только дело доходит до второй и третьей фаз испытаний, где главным критерием становится эффективность, приходится иметь дело с куда более сложной биологией, а вместе с ней меняется и бизнес-модель.

Как повысить эффективность научных исследований и одновременно управлять реальными рисками — на этот вопрос следующему этапу развития ИИ в фармацевтике ещё предстоит ответить.