Claude Science

Sådan er Claude Science bygget teknisk

Claude Science er ikke en specialtrænet videnskabsmodel. Kernen er Claude Opus 4.8, den samme foundation model, som driver Anthropics almindelige produkter, uden gating eller særlig adgang. Det, der gør forskellen, er harness-laget udenom: en samling værktøjer, dataadgange og styringslogik, der lader modellen arbejde som en forsker i stedet for som en chatbot. Anthropic beskriver det som scaffolding, der forbinder basismodellen med videnskabelig infrastruktur.

Færdige skills og databaser. Bænken kommer med over 60 kuraterede skills og connectors, der er sat op til fem domæner: genomik, single-cell-analyse, proteomik, strukturbiologi og keminformatik. Den kobler direkte til centrale forskningsdatabaser som UniProt til proteiner, PDB til proteinstrukturer, Ensembl til genomer, Reactome til biologiske reaktionsveje, ClinVar til kliniske genvarianter, ChEMBL til bioaktive molekyler og GEO til genekspressionsdata. I praksis betyder det, at du kan stille et spørgsmål og få modellen til at hente, samkøre og analysere data fra flere kilder, uden at du selv skriver forespørgslerne.

Specialmodeller via NVIDIA BioNeMo. Til de tunge biologiske beregninger kalder Claude Science eksterne specialmodeller gennem NVIDIAs BioNeMo Agent Toolkit, blandt andet Evo 2 til genomsekvenser, Boltz-2 til proteinstruktur og OpenFold3 til foldning. Opus 4.8 er her den ræsonnerende model, der planlægger opgaven, vælger de rigtige værktøjer, fortolker resultaterne og sætter dem sammen til en konklusion. Selve strukturforudsigelsen laves altså af de specialiserede modeller, mens Claude står for ræsonnementet og orkestreringen.

Regnekraft på tre niveauer. Systemet kan køre en opgave lokalt på en bærbar, sende den til en HPC-klynge via SSH eller leje GPU'er gennem tjenesten Modal, som giver op til 2.000 dollar i regnekredit per projekt. Claude Science håndterer selv, hvor et job skal køres, men Anthropic fremhæver, at du kan gennemse eller trække enhver beslutning tilbage, før et job sendes af sted. Det er vigtigt, når en enkelt fejlkonfigureret kørsel kan koste rigtige penge i skyen.

Reproducerbare artefakter. Hvert resultat, bænken producerer, bærer sin fulde historik med sig: koden, regnemiljøet og den samtale, der frembragte det. Figurerne er ikke statiske billeder. Claude Science renderer 3D-proteinstrukturer, genomspor og kemiske strukturer direkte i værktøjet, så en kollega kan åbne en analyse og se, hvordan den blev til. Du kan også forgrene en session, så to hypoteser kan forfølges hver for sig fra samme udgangspunkt.

En indbygget reviewer, med et forbehold. Bænken leveres med en reviewer-agent, der markerer dårlige citationer og tal, der ikke hænger sammen. Det er nyttigt mod de fejl og hallucinationer, sprogmodeller ellers er kendt for. Forbeholdet er, at det er den samme model, der tjekker sit eget arbejde, ikke en uafhængig kilde til sandhed. Anmelderen i Forbes, der testede systemet, understregede netop dette punkt. En menneskelig ekspert skal stadig validere konklusionerne, før de bruges til noget vigtigt.

Platform og modenhed. Claude Science kører på macOS og Linux og er tilgængelig for abonnenter på Pro, Max, Team og Enterprise. Ved lanceringen er den i beta, og dækningen er ujævn. De molekylære og biologiske databaser er godt konfigureret, mens felter som økologi, epidemiologi og geovidenskab endnu mangler den infrastruktur, der skal til. For et biotekhold, der arbejder med genomik og kemi, er bænken klar til brug. For en klimaforsker er den det ikke endnu.

Overvejer I at bruge en arbejdsbænk som Claude Science i jeres forskning eller produktudvikling, kan vi hjælpe jer med at vurdere, hvor den giver mening, og hvordan I indfører den forsvarligt. Vi ser på jeres datastrømme, jeres krav til databeskyttelse og validering, og hvordan et værktøj som dette passer ind i jeres øvrige AI-brug. Vil I have et neutralt overblik før beslutningen, så læs mere på vores AI-side, og lad os tage en snak om jeres situation.

Hvad du kan bruge Claude Science til

Litteraturgennemgang i stor skala. Claude Science kan læse hundredvis af videnskabelige artikler og trække begreber, metoder og modstridende fund ud. Det er dybderesearch anvendt på forskningslitteratur. Eksemplet med 490 artikler om zoonotisk smitte viste, at feltets reelle arbejdsordforråd var omkring fire gange rigere end den officielle ontologi. For en dansk forskningsafdeling betyder det, at et litteraturstudie, der normalt tager uger, kan koges ned til en dag, forudsat at en forsker efterprøver konklusionerne.

Screening af sygdomsmål. Bænken kan gennemgå mange sygdomme ad gangen og pege på dem, der er værd at forfølge. I Anthropics materiale analyserede Claude 100 sjældne genetiske sygdomme på under en time og markerede 32 kandidater til videre computerbaseret screening. For et mindre biotekfirma, der skal vælge, hvilket program det har råd til at forfølge, er den slags forhåndsprioritering direkte forretningskritisk.

Molekylescreening. Til lægemiddelforskning kan Claude Science screene tusinder af molekyler mod et mål og opsummere resultatet i et beslutningsnotat. Lanceringsdemoen gennemgik 2.200 molekyler for fenylketonuri og leverede et go/no-go-notat. Det erstatter ikke laboratoriet, men det hjælper med at afgøre, hvilke få kandidater der overhovedet er værd at teste i vådlab, hvor hver test koster tid og penge.

Kvalitetskontrol af data. Fordi bænken kan samkøre rådata med referencedatabaser, kan den fange fejl, mennesker overser. UCSF-gruppen fandt på minutter en viral kontaminering i deres data, som havde ligget skjult i et år. For et laboratorium, der leverer resultater videre til kunder eller myndigheder, er tidlig fejlfangst en direkte kvalitets- og ansvarssag.

Genomik- og proteomik-arbejdsgange. Med de indbyggede skills kan du gå fra en gensekvens til en hypotese om funktion, køre en strukturforudsigelse via OpenFold3 og sammenholde resultatet med kendte varianter i ClinVar, alt sammen i samme session. Arbejdsgange, der i dag kræver flere separate værktøjer og manuel dataflytning, samles et sted. For en universitetsgruppe med begrænset bioinformatik-støtte sænker det tærsklen for at komme i gang.

Dokumentation, der kan revideres. Fordi hver figur bærer sin kode og sit datagrundlag, kan en analyse genskabes af en anden. Det er værdifuldt ved peer review, ved intern kvalitetssikring og ved ekstern revision. For en virksomhed, der skal kunne dokumentere sine resultater over for en samarbejdspartner eller en myndighed, er sporbarheden lige så vigtig som selve analysen.

Hvad den ikke gør. Claude Science finder ikke færdige lægemidler, og den erstatter ikke vådlab, dyreforsøg eller kliniske forsøg. Den fremskynder den tidlige, computerbaserede del af forskningen: at læse, sammenholde, prioritere og dokumentere. Når Anthropic taler om at udvikle lægemidler mod oversete sygdomme, handler det om den prækliniske fase, ikke om at bringe et produkt til patienter. Det er en vigtig skelnen, som vi vender tilbage til.

Claude Science i forhold til Google DeepMind og OpenAI

Anthropic er ikke først i videnskab. De tre store AI-laboratorier har hver deres tilgang, og forskellene er reelle. Kort fortalt bygger konkurrenterne specialmodeller til biologi, mens Claude Science pakker en generel model ind i videnskabelig infrastruktur. Begge veje har fordele.

Google DeepMind. DeepMind har den længste historik. Gemini for Science bygger på modeller som AlphaFold og AlphaGenome og er ifølge Google koblet til over 30 life science-databaser. AlphaFold har allerede ændret proteinstrukturforudsigelse for hele feltet. Hvor DeepMind er stærkest, er i de specialiserede, dybt validerede modeller. Hvor Claude Science kan have en fordel, er i bredden og i at arbejde oven på værktøjer, forskeren allerede kender.

Isomorphic Labs. DeepMinds spinout Isomorphic Labs er dedikeret til lægemiddeldesign og rejste 2,1 milliarder dollar med ambitionen om at løse al sygdom. Virksomheden har en egen Drug Design Engine, der ifølge selskabet går ud over AlphaFold 3. Isomorphic er dermed en fokuseret lægemiddelaktør med stor kapital og partnerskaber i medicinalindustrien. Anthropics program er indtil videre bredere og mindre kapitaltungt, men bygget ind i et værktøj, mange forskere allerede har adgang til.

OpenAI. OpenAIs bud er GPT-Rosalind, en domænespecifik forskningsmodel lanceret i april 2026. Adgangen er indtil videre begrænset til udvalgte amerikanske erhvervskunder. Dertil kommer OpenAIs bredere sundhedssatsning gennem ChatGPT Health. Forskellen til Claude Science er tydelig på adgang: hvor GPT-Rosalind er lukket og gated, integreres Claude Science i eksisterende Claude-abonnementer uden særskilt licens.

Hvor Claude Science skiller sig ud, og hvor den ikke gør. Styrken er kombinationen af en generel model, åben integration med kendte databaser og reproducerbare artefakter, samt at den kører på et abonnement, forskeren måske allerede har. Svagheden er, at den læner sig op ad eksterne specialmodeller til de tunge beregninger og deler den generelle models tendens til fejl. DeepMind har dybere validerede modeller, Isomorphic har mere kapital og en dedikeret designmotor, og begge har længere erfaring i vådlab. En ærlig vurdering er, at Claude Science er stærkest til at læse, orkestrere og prioritere, ikke til at slå specialmodellerne på deres eget felt.

Den svære del kommer senere. Flere brancheeksperter peger på, at selve opdagelsen er den lettere del. Noam Solomon, adm. direktør i Immunai, formulerede det sådan, at lægemiddelopdagelse er et lettere problem tidligt i processen, mens den svære opgave er at få lægemidler gennem kliniske forsøg. Han henviser til, at det i gennemsnit tager omkring ti år og cirka 2,7 milliarder dollar at få et lægemiddel godkendt, og at mere end 90 procent af kliniske forsøg fejler. Han påpeger også, at de patientdata, der skal til for at få et lægemiddel gennem forsøg, ligger hos medicinalselskaber og hospitaler, ikke hos AI-laboratorierne. Det er en nyttig påmindelse om, at et lovende computernotat ligger langt fra en færdig behandling.