Anthropic 全新的 Claude Science 工作台，將與一個值得注意的基礎架構夥伴一同推出：NVIDIA。根據 NVIDIA 的說法，Claude Science 現在已整合 NVIDIA BioNeMo Agent Toolkit，讓生命科學研究人員能以自然語言介面呼叫加速的生物與化學工具，而不必手動組裝模型端點與軟體環境。

這項宣布之所以重要，是因為它瞄準應用 AI 中更困難的問題之一：把通用型助理變成能執行真實科學工作流程的領域型代理。依 NVIDIA 的說法，Claude Science 可以解讀研究人員的請求，將其路由到專門代理，並呼叫以 BioNeMo 打包的工具來執行基因體分析、結構預測、分子生成、對接與化學資訊學等任務。Anthropic 正將 Claude Science 推出公共測試版，而 NVIDIA 表示，該工具組及其技能目前可透過開發者資源與 GitHub 取得。

對 AI 建構者與企業研發團隊而言，這項變動與其說是另一個聊天機器人整合，不如說是工作流程控制。NVIDIA 正將 BioNeMo 定位為讓生物學模型可被生產環境中的代理使用的層級，不論這些模型是以託管端點形式提供，或是在企業基礎架構上本地執行。

NVIDIA 與 Anthropic 實際上在推出什麼

核心產品變化是 Claude Science 與 NVIDIA BioNeMo Agent Toolkit 的連接。NVIDIA 將 Claude Science 描述為一個用於科學研究的 AI 工作台，使用者可用自然語言與代理對話，並讓這些代理端到端地執行工作。在這個環境中，BioNeMo Agent Toolkit 充當可呼叫科學技能的目錄。

這些技能將 NVIDIA 加速能力打包，讓代理能辨識正確工具、準備有效輸入、執行任務，並將結果回傳供檢視。NVIDIA 表示，這讓研究人員能停留在單一介面內，而底層工作負載則在可「部署於任何地方」的 NVIDIA 運算資源上執行。

在實務上，NVIDIA 表示這項整合使 Claude Science 可存取 BioNeMo 模型與服務，包括 Evo 2、Boltz-2 與 OpenFold3，以及公司的 NVIDIA NIM 微服務。公司的例子涵蓋基因體學、蛋白質體學、單細胞分析、化學資訊學與臨床研究工作流程。

NVIDIA 的開發者資料清楚顯示，該公司將此視為代理工具層，而不只是模型託管故事。該工具組包含 BioNeMo Skills 與 Model Context Protocol 包裝器，用來說明模型的用途、所需輸入、回傳的成果物，以及失敗時應如何處理。這些中繼資料很重要，因為科學代理往往不是敗在純推理，而是敗在選錯工具、格式化無效請求，或誤讀輸出。

為什麼 NVIDIA 聚焦技能，而不只是模型

NVIDIA 的兩個來源都主張，生命科學代理需要的不只是大型模型存取。通用型代理可能知道蛋白質摺疊或對接相關，但仍缺乏程序性知識來選擇特定模型、正確準備輸入，並解讀回傳檔案。NVIDIA 正試圖透過標準化代理框架與領域特定科學軟體之間的介面，彌補這個落差。

這種做法反映企業 AI 的更廣泛轉變：從「模型存取」走向「工作流程可靠性」。在藥物研發與計算生物學中，一次失敗的呼叫不只是麻煩；它可能打斷一個多步驟迴圈，包括候選物生成、結構分析、排序與後續實驗。NVIDIA 的主張是，BioNeMo Skills 能把專門的生物分子能力變成可供代理使用的工具，而不是孤立的端點。

公司也強調部署彈性。NVIDIA 表示，團隊可以先使用託管的 NIM 端點，以快速存取和最低的基礎架構負擔起步，之後在需要更低延遲、更嚴格控制或更強資料在地性時，將特定模型遷移到本地部署。這個區別對於製藥與生技團隊很重要，因為他們可能想先大範圍試驗，之後再把重複呼叫的工作負載或敏感資料管線移到自己的系統上。

換句話說，NVIDIA 不只是賣加速，它也在賣一個控制平面，讓 AI 代理知道如何發現並使用領域工具。

NVIDIA 所說這項技術可啟用的工作流程

NVIDIA 最清楚的使用情境，是科學推理與高運算成本執行之間的反覆迴圈。研究人員可能請 Claude Science 分析基因序列、預測蛋白質結構，或設計一個候選結合體。根據 NVIDIA 的說法，Claude Science 之後會協調理解既有工作流程的專門代理。BioNeMo 則補上工具定義與加速模型存取，讓這些步驟真正能被執行。

公司給出一個腫瘤學例子：從一個已知的癌症相關突變出發，請 Claude 設計潛在抑制劑。依 NVIDIA 的描述，搭配 BioNeMo Agent Toolkit 與 NVIDIA NIM 微服務的 Claude Science，可以加速這個工作流程中的預測、最佳化與驗證步驟。

NVIDIA 也強調會支撐這類代理迴圈的元件技術。NVIDIA Parabricks 被視為能把基因體分析從數小時壓縮到數分鐘的方法。NVIDIA 指出，由 scverse 開發的 RAPIDS-singlecell 可將 130 萬細胞的前處理與分群工作流程從 52 分鐘縮短到 25 秒。nvMolKit 則被描述為可將相似性搜尋與構象生成等化學資訊學操作加速高達 3,000 倍。

如果這些加速在近似生產的環境中成立，營運意義就很直接：更多步驟可以留在主動推理迴圈中，而不是被推到批次作業，讓研究人員之後再回頭查看。這會讓 AI 代理在探索性工作上更有用，因為每個結果都會改變下一個問題。

證據、基準測試，以及哪些是供應商回報

這則報導中的證據完全來自 NVIDIA 控制的來源，因此最強的產品與效能主張，在未經獨立驗證前，都應視為供應商回報。

這包括 NVIDIA 所稱的採用訊號：前 20 大製藥公司中有 18 家使用 NVIDIA BioNeMo。公司並未在提供的證據中點名這些組織，也未定義使用深度，或區分試點與規模化部署。若屬實，這是有意義的市場觸及指標，但仍然是 NVIDIA 自身的敘事方式。

效能數據同樣由供應商提供。NVIDIA 表示，RAPIDS-singlecell 可將某個 130 萬細胞工作流程從 52 分鐘縮短到 25 秒，而 nvMolKit 可將部分化學資訊學操作加速高達 3,000 倍。這些提升幅度很大，但原文沒有提供完整基準方法、每個案例的硬體配置，或外部重現結果。

開發者部落格也報告了一個使用 Codex CLI 與 GPT-5.5 fast 的實證基準，聲稱加入 BioNeMo Skills 後，token 效率翻倍，任務完成率也從 57.1% 提升到 100%。這個結果很有意思，因為它暗示價值不僅來自模型品質，也來自結構化工具介面。不過，這是 NVIDIA 的內部測試，而摘錄的證據並未提供足夠細節來判斷這種改善在不同任務、代理設定或真實實驗室環境中的普遍性。

較具體、也較少推測的事實，是產品可用性的訊號：Anthropic 的 Claude Science 正進入公共測試版，而 NVIDIA 表示 NVIDIA BioNeMo Agent Toolkit 與相關技能可透過 GitHub 和 NVIDIA 開發者管道取得。

這對建構者與企業買家意味著什麼

對 AI 產品團隊而言，這次推出提醒大家：垂直代理的成敗，取決於工具編排。能寫出看似合理答案的模型，不一定就是能管理 OpenFold3 輸入、轉送對 Evo 2 的呼叫、解析輸出，並在執行失敗時恢復的系統。NVIDIA ცდილ make this orchestration reusable across frameworks by making the toolkit “harness-agnostic”. If that works in practice, it lowers the cost of building domain agents on top of existing research software stacks.

For enterprise buyers in pharma and biotech, the appeal is different. The promise is not simply better chat. It is faster time to a usable workflow with enterprise deployment options. NVIDIA NIM is central here because it packages models as containerized inference endpoints with the software stack pre-integrated. That should reduce some of the operational work required to deploy biology models from source, especially for teams that want a stable API and a supportable runtime.

There are also clear caveats. Scientific workflows are sensitive to provenance, reproducibility, and failure handling. NVIDIA’s emphasis on documented inputs, expected artifacts, and failure modes is encouraging, but enterprise teams will still need to validate how Claude Science, BioNeMo, and NVIDIA NIM behave in their own environments. In life sciences, a faster loop is only valuable if the outputs are interpretable, traceable, and suitable for downstream review.

Another implication is competition. This integration puts Anthropic’s Claude Science into the conversation not just as a foundation-model interface, but as a front end for domain workflows. For model vendors and cloud platforms, the message is that scientific AI may increasingly be won through infrastructure partnerships and agent tooling rather than raw model performance alone.

What to watch next

The first signal to watch is whether Anthropic and NVIDIA expand beyond launch examples into named research workflows with clearer validation data. If users begin publishing repeatable results on tasks involving Evo 2, Boltz-2, OpenFold3, or NVIDIA Parabricks, the story becomes stronger than a platform announcement.

Second, look for evidence on deployment patterns. NVIDIA’s own guidance suggests teams should start with hosted endpoints and move repeat-call workloads local. Whether enterprises actually do that with Claude Science will reveal how much demand there is for hybrid agent infrastructure in regulated research settings.

Third, watch for broader framework support and third-party tooling. NVIDIA says the toolkit is open and harness-agnostic. If BioNeMo Skills show up in more agent runtimes and not just Claude Science, the toolkit could become a more important interoperability layer.

Finally, monitor whether vendor claims around adoption and benchmark gains receive outside confirmation. Public references from pharmaceutical users, reproducible performance studies, or independent benchmarks would materially strengthen NVIDIA’s case.

Perspectiva da Creati.ai

This announcement is most important as an infrastructure move, not as a model launch. NVIDIA is using BioNeMo to solve a practical problem many AI teams run into after the demo stage: general agents sound capable, but specialized work breaks down without reliable tool definitions, deployment choices, and error handling. By connecting BioNeMo to Claude Science, NVIDIA is trying to move life sciences agents from “assistant” behavior toward operational workflow execution.

The opportunity is real, but so is the gap between vendor demos and production science. The strongest speed and completion claims here come from NVIDIA’s own materials, and the field still needs independent proof that these systems can support robust research loops at enterprise scale. Even so, the direction is notable. In enterprise AI, the winning stack may be the one that makes domain tools callable, observable, and governable — and NVIDIA BioNeMo, Anthropic, and Claude Science are now making that case directly to life sciences teams.