文章提到Anthropic建湿实验室，但没展开为什么湿实验是AI制药的卡脖子环节。AI可以在几分钟内筛出数万个候选分子（干实验），但每批分子的合成与测试耗时数周至数月。这种"前快后慢"的结构导致整体加速效果受限——即使分子筛选效率提升百倍，若验证通量仅提升一倍，综合增益微弱。更隐蔽的问题是数据错位：湿实验结果返回时，原始计算假设可能已被新版算法取代。干湿实验闭环的核心就是要打通"AI计算—自动实验—数据回流—模型自进化"的循环，把湿实验室变成AI的数据工厂，而不只是验收车间。

文章描绘了AI进入生命科学的美好前景，但忽略了临床数据的残酷现实。截至2026年，尚无完全由AI主导发现的药物获批上市。AI分子的I期临床成功率高达80%-90%，但一到验证疗效的II期，成功率就断崖式跌至约40%，与传统药物基本持平。波士顿咨询的分析指出，AI所有效率提升都集中在成本低廉的前端研发，而占研发总成本90%以上的临床试验阶段，AI尚未形成实质性优势。换句话说，AI擅长的是"设计"，不是"通过人体检验"——后者考验的是对复杂生物系统的因果理解，而不仅是相关性学习。

Anthropic建湿实验室不只是建一间实验室，而是系统性补上干湿闭环的缺失环节。在此之前，它依赖Twist Bioscience等外部供应商做实验验证，但外部产能已供不应求（Twist刚宣布2.5亿美元增发扩产）。为打通闭环，Anthropic今年做了三件事：4月花4亿美元收购计算生物学公司Coefficient Bio，6月发布Claude Science实现机器人单元控制，8月推出MHS硬件控制标准统一设备接口。这套"模型+收购+标准"的组合，瞄准的不只是做药，而是把湿实验室变成AI独有的数据护城河——十万次失败实验不会出现在竞争对手的训练集里。

文章点出一个反直觉的事实：过去两年AI竞赛中，最先盈利的不是模型公司，而是卖存储和芯片的"铲子商"。美光半年利润137.9亿美元，长鑫从亏损到半年净赚776亿。但这引发一个问题：铲子商的好日子取决于下游资本开支持续膨胀。一旦模型公司发现每年烧千亿训练下一代模型却找不到足够大的商业场景（如生命科学），资本开支增速就可能放缓。关键信号不是Anthropic建了湿实验室，而是药企的付费意愿能否撑起下一个算力需求周期。没有新的买单者，铲子的销量也会见顶。