这两天，「Claude 自主设计蛋白质，15 个靶点命中 14 个」的消息刷了屏，麻省理工科技评论、DeepTech、新智元都做了报道，连一向嘴毒的「制药兄弟」Martin Shkreli 都忍不住在推特上连发吐槽。
你看到的标题大概率是「AI 效率超越人类专家数十倍」「AI 制药跨过最关键一步」。但对关注 AlphaFold 和蛋白质结构预测的人来说，这件事里有三个容易被读错的点，不先掰扯清楚，谈资很容易跑偏。
先对一遍事实：8 月 18 日到底发生了什么
Anthropic 在 8 月 18 日公布了一组实验：把 Claude 的两个模型放进一个叫「Claude Science」的环境，给它一份约 1.6 万词的「蛋白质设计说明书」——差不多一篇硕士论文的长度，然后让它自己干。知乎这次上场的是 Mythos Preview 和 Opus 4.8 两个版本，端到端自主完成蛋白结合剂的从头设计：自己选结合位点、自己编排模型、自己跑多轮优化与筛选，人类只在它申请上网时点一下批准。微博关键数字，逐个看：
15 个蛋白靶点，从零设计微型蛋白结合剂（minibinder），14 个靶点成功拿到结合物；
自主运行 24 到 48 小时，期间没有任何人类科学家介入指导；
共 1320 个设计方案送进湿实验验证，其中 354 个被确认能结合靶点；
RBX1 靶点此前办过设计竞赛，245 份参赛作品最高命中率只有 3.7%，Claude 做到 40%；
TNFα——「药王」修美乐（Humira）的靶点——是多聚体，结合位点藏在沟槽里，Opus 4.8 不仅做出来了，还设计出能同时结合人、猴、小鼠 TNFα 的「通用型」结合蛋白；
唯一全军覆没的是麦芽糖结合蛋白（MBP）：90 个设计全部失败。
这些设计由 Adaptyv Bio 和 Twist Bioscience 两家机构独立合成并做湿实验验证，整体命中率在 22.6% 到 26.7% 之间，而当前蛋白从头设计活动的行业平均命中率约在 10%—15%。知乎RBX1 那一栏更扎眼：Claude 排名第一的设计，结合强度是竞赛冠军的十倍。知乎
MBP 的失败也别漏掉，Claude 自己的总结很诚实：这个靶点表面光滑又亲水，几乎没有可以抓的地方，相当于徒手爬一面玻璃墙。知乎能赢的赢得很漂亮，赢不了的它也知道自己为什么赢不了，这本身就是有价值的信息。
顺带一提，同一次公布里还有个化学分析实验：读 NMR（核磁共振）和 LC-MS（液相色谱-质谱）的原始数据、判断化合物合成对不对、纯度够不够，原本是化学家每个样品要花半小时到一小时的活。知乎Claude Opus 5 读 NMR 用了 23 分钟、LC-MS 用了 19 分钟，给出的纯度结果是 96.4%，实验室自己算是 96.33%。知乎
误读一：「大模型学会设计蛋白了」
这次事件最流行的解读是：LLM 攻入了蛋白质设计，专业工具要失业了。
方向反了。按公开复盘，Claude 全程调用的都是现成的开源模型——RFdiffusion、ProteinMPNN、ESMFold 一系，加上 Protenix、BindCraft 这些工具，任何一个实验室都能从 GitHub 下载。知乎知乎Claude 做的是另一件事：给每个靶点挑结合位点、决定组合哪些模型、按什么顺序用、跑多轮计算筛选、淘汰不靠谱的候选。这是「蛋白质设计工程师的判断力」，不是生成能力本身。
一个更值得 AlphaFold 圈留意的细节：AlphaFold 3、Rosetta、ESM3 这三个能力更强的模型，这次因为授权问题被排除在实验之外。知乎也就是说，这次刷屏的不是 AlphaFold 的对手，而是 AlphaFold 外围的开源生态——被调用的 Protenix，正是 AF3 技术路线的开源实现。AF 系模型以另一种方式出现在了这场实验里。
误读二：「14/15 = AI 制药就在眼前」
「制药兄弟」Shkreli 的批评倒是踩在点上：这些结合蛋白的亲和力整体偏低，而且 15 个靶点全是细胞外靶点，没有一个能进入细胞内部。知乎真正棘手的疾病靶点大多藏在细胞内，这个水平暂时还够不着。
微型结合蛋白离真正的药也还有很长的路：动物实验、临床试验、审批上市，每一步都可能翻车。「能结合」和「能治病」是完全不同的两件事。
还有一个容易被兴奋掩盖的事实：1320 个设计方案能全部验证，是因为有 Adaptyv Bio 和 Twist Bioscience 两家公司接下了湿实验。AI 的设计速度再快一个数量级，基因合成、表达纯化、结合验证还是得在实验室里一步步做。圈里有人总结得很直白：AI 设计蛋白只要 1 秒，下游合成验证这一步却要以月计。小红书瓶颈不在流程的上游，至少现在不在。
误读三：「AlphaFold 没被用上，说明它落后了」
有解读把「Claude 没用 AlphaFold」当成 AF 过气的证据，真实原因只有两个字：授权。
把时间线拉长看，这其实是一条越来越紧的曲线：AF2 时代代码、权重、训练方法全部开源；到 AF3 变成代码部分开源、权重受限；再到今年 2 月 Isomorphic Labs 发布的 IsoDDE——被 Nature 称为「AlphaFold 4」——直接彻底闭源，只给技术报告和跑分，只能通过跟礼来、诺华、强生的合作使用。知乎
与此同时，开源阵营一直在追。Boltz-2 已经把能力推进到结合亲和力预测；寻明生科（Aureka）7 月放出的 OpenDDE，则瞄准了 AF3 最不擅长的抗体-抗原预测，第三方平台 Tamarind Bio 用公开基准 FoldBench v1 复测，113 个复合物、172 个界面上，OpenDDE 拿到 76.1%，AlphaFold3 只有 47.9%。知乎Claude 这次实验恰恰证明：开源工具生态已经强到可以当基础设施用——最强的通用大模型做蛋白设计，也得站在这些开源工具上干活。
所以，和你有什么关系
分三种人说。
如果你是用 AlphaFold、Protenix、Boltz 这类工具做结构预测的湿实验党或学生：这次被替代的是「手动跑流程的人」，不是「懂流程的人」。Claude 再会编排，也得先有人写出那份 1.6 万词的设计说明书——说明书本身就是专家经验的书面化。懂工具的原理、参数和坑，价值在上升，不在下降。
如果你是 AIDD 从业者：Agent 化流程会先落在有预算的大实验室，短期竞争焦点仍然是湿实验验证瓶颈和功能数据。值得盯的有两件事。一是 Anthropic 已经在规划让 Claude 端到端跑通覆盖所有药物模态的完整开发流程。知乎二是这项蛋白设计能力目前不向普通用户开放，只通过「可信访问计划」交付给科学家，放开的节奏本身就是风向标。
如果你只是想看个热闹：记住三个数字就够了——15 个靶点命中 14 个、命中率约为行业均值的两倍、MBP 全军覆没。再补一句澄清：「Claude 不是学会了设计蛋白，是学会了用现成的工具。」这比多数营销号都准确。
两年前，AlphaFold 把结构预测从「难」变成了「基本解决」；今天，大模型开始把「跑流程」从「难」变成「可自动化」。下一个问题已经摆上台面：当编排变得廉价，什么仍然昂贵？可能是湿实验数据，也可能是那几个闭源的顶级模型。这个答案，值得继续盯下去。
