Anthropic 不做新模型，改做科學家的工作台——這才是真正的策略賭注
一個不發模型的發布會
2026 年的 AI 圈，幾乎每隔幾週就有新模型宣告「突破」。在這種節奏下，Anthropic 的選擇顯得特別反常——他們推出的不是 Claude 4.5 或某個新版本，而是一個叫做 Claude Science 的科學家工作台（workbench）。
這個平台的核心概念很直接：給科學研究者一個整合的環境，讓他們不需要在十幾個工具之間反覆切換，就能完成從文獻回顧、假設生成、數據分析到論文草稿的全流程。換句話說，Anthropic 這次賣的不是「更聰明的 AI」，而是「更順暢的工作流」。
這個轉向值得認真對待，因為它洩露了 Anthropic 對整個市場的判斷。
科學研究者為什麼是值得單獨對待的族群
在討論 Claude Science 的策略意義之前，先釐清一件事：科學研究者不是「一般知識工作者的升級版」，他們是完全不同的使用案例。
一般知識工作者使用 AI，大多是在處理有明確答案或明確格式的任務——寫報告、整理郵件、生成簡報大綱。但科學研究的核心是在不確定性中前進：文獻可能互相矛盾、假設需要反覆修正、數據需要多輪詮釋。這個過程本質上是非線性的、迭代的，而且對幻覺（hallucination）的容忍度幾乎是零。
現有的通用 AI 工具在這個場景裡有個根本問題：它們太「樂於助人」了。面對模糊的科學問題，ChatGPT 或 Gemini 傾向於給出聽起來合理的答案，但科學家需要的不是「合理的答案」，而是「有來源根據、可追溯、可挑戰的答案」。
Claude Science 如果能真正解決這個問題，它的市場不只是「科學家用戶」，而是整個嚴謹知識工作的基礎設施。
「工作台」策略的深層邏輯
從產品策略的角度看，Anthropic 這次做的事情有個清晰的邏輯鏈：
第一層：降低切換成本。 科學家目前的工作流是碎片化的——PubMed 搜文獻、Python 跑數據、Overleaf 寫論文、Zotero 管引用。Claude Science 試圖成為這些環節的黏合層，讓 Claude 的能力在一個環境內串聯起來，而不是讓使用者自己用 API 把所有東西接起來。
第二層：建立專業可信度。 通用 AI 的品牌是「什麼都能做」，但科學界對「什麼都能做」存在天然的懷疑。一個專為科學研究設計、強調引用追蹤與推理透明度的工具，在學術圈的可信度完全不同。這是在做品牌分化，不只是功能分化。
第三層：數據與反饋的護城河。 這是最難量化但最重要的一層。當大量真實的科學研究流程在 Claude Science 上發生，Anthropic 得到的反饋數據將是高度專業化、高密度、高品質的。這些數據反過來可以強化模型在科學推理上的能力，形成競爭者難以快速複製的優勢。
這個賭注的風險在哪裡
策略清晰不代表執行沒有風險。我至少看到三個值得觀察的變數。
第一：學術圈的採用速度向來緩慢。 科學家是高度保守的使用者族群，新工具的擴散往往需要幾年，而且需要頂尖實驗室的背書才能引發跟進效應。Anthropic 必須在前期投入大量資源做社群建立，而不是只靠產品本身自然成長。
第二：競爭者不會坐視。 Google DeepMind 在科學 AI 領域的投入已經不是新聞——AlphaFold、GNoME、AlphaMissense，這些都是深度科學應用的成果。如果 Claude Science 的工作流平台開始吸引用戶，Google 的反應速度和資源深度都不容小覷。
第三：「工作台」的整合深度決定護城河高度。 如果 Claude Science 只是把現有工具用 Claude 包了一層，那它的壁壘其實很低——使用者黏性建立在方便性上，一旦競爭者做出更方便的整合，用戶沒有理由不離開。真正的護城河必須建立在「在這個平台上工作會讓你的研究更好」，而不只是「在這個平台上工作更方便」。
模型競賽之外的另一條路
回到最開始的問題：為什麼 Anthropic 在這個時間點選擇做工作流平台而不是發新模型？
我的解讀是：他們在押注「專業化的工作流基礎設施」比「通用模型的邊際進步」有更高的長期價值。在模型能力已經高度同質化的 2026 年，多 5% 的 benchmark 分數已經很難轉換成商業護城河。但如果你能讓某個專業族群的工作方式對你的平台產生路徑依賴，那才是真正難以複製的優勢。
這個邏輯，正是為什麼研究圈和產品策略圈都在討論這件事。不只是因為 Claude Science 很有趣，而是因為它代表了 AI 公司競爭策略的一個分叉點：繼續跑模型軍備競賽，還是押注在特定場景的深度整合？
Anthropoc 選了後者。接下來一到兩年，我們會知道這個賭注是否正確。
分享這篇
