一个新分子从实验室走到市场，平均需要十年和几十亿美元。大部分候选分子甚至走不到临床试验——它们在计算阶段就被筛掉了。
AI 公司们喊了好几年要改变这个流程。大多数做到了"让计算化学家少写几行代码"，但没有改变流程本身。
SandboxAQ 想做一件不一样的事。他们把自己的科学 AI 模型直接接到了 Claude 里。
不是另一个 AI 聊天机器人
SandboxAQ 的核心技术叫 LQM（Large Quantitative Models），跟 LLM 只有一字之差，但底层逻辑完全不同。
LLM 学的是文本中的模式。LQM 学的是物理世界的规则——量子化学计算、分子动力学模拟、微观反应动力学。它不是在猜下一个词会是什么，而是在算一个分子在特定条件下会怎么反应。
之前，要跑 SandboxAQ 的模型，你得自己搭基础设施、配计算环境、写调用代码。使用者基本都得是计算科学家。
现在，你在 Claude 的对话框里输入自然语言描述，后台就跑 LQM 计算，结果直接返回给你。
这意味着什么
最直接的影响是：药物发现的参与者变多了。
以前，一个生物学家想验证某个分子假设，得找计算化学团队合作、排队等计算资源、等结果。周期长、沟通成本高。
现在，同一个生物学家可以在 Claude 里直接问："这个分子在 pH 7.4 条件下的结合亲和力大概是多少？"后台调用 LQM 做量子化学计算，几分钟出结果。
这不是说计算化学家要失业了。复杂的模拟、方法学开发、结果解读仍然需要专业训练。但日常的"查一下这个分子的性质"这种需求，可以直接被自然语言接口消化掉。
SandboxAQ 的 AI 模拟总经理 Nadia Harhen 的原话是："For the first time, we have a frontier quantitative model on a frontier LLM that someone can access in natural language."
但别急着欢呼
有几个现实问题：
第一，准确性边界在哪？ LQM 基于物理规则，不是基于统计模式，这在理论上比 LLM 更可靠。但量子化学计算本身就有近似方法（DFT 的精度问题、基组选择的影响），LQM 的结果能不能直接用于实验决策，需要看具体的验证数据。
第二，Claude 作为入口的局限。 自然语言适合模糊查询，但科学计算需要精确的参数设定。一个分子构象的微小差异可能改变计算结果。Claude 能不能准确理解用户的科学意图，不打折扣地传递给 LQM，这是 UX 层面的挑战。
第三，SandboxAQ 的客户群本来就窄。 他们的客户主要是大型制药公司和工业企业的计算科学家。这个整合让现有客户更方便了，但能不能开拓新客户群体（小型 biotech、学术实验室），取决于定价和门槛。
Anthropic 的"垂直行业"野心
这个合作放在 Anthropic 的战略版图里看，更有意思。
Anthropic 正在推进 Claude for Small Business、跟 PwC 的全球部署合作。现在加上 SandboxAQ 的科学模型集成——他们在搭建一个模式：Claude 是平台，各种行业的专业模型是插件。
这个模式如果能跑通，Claude 就不再只是一个"更好的聊天机器人"，而是一个行业 AI 的入口层。
但每个垂直行业的集成都需要深度的领域适配。药物发现只是一个开始。金融、材料科学、能源——SandboxAQ 在新闻稿里点名了这些方向。
结论
这个整合的方向是对的。药物发现的核心瓶颈之一确实是"工具离用户太远"。让科学家用自然语言直接调用专业计算模型，这个直觉没有问题。
但科学不是 chat。计算结果的可靠性、可追溯性、可复现性——这些才是药物发现决策的底线。Claude + LQM 能不能在这些硬指标上站住脚，接下来几个月的实际案例会给出答案。
主要来源：