Anthropic「Claude Science」を検証:科学を10倍速くするAI研究環境、最大の売りに、まだ証拠がない
- 確認できる事実:Anthropicが2026年6月30日、科学者向けAI研究環境「Claude Science」をベータ公開(macOS/Linux、Claude Pro/Max/Team/Enterprise)。
- 最大の主張:文献検索・解析・計算・作図・原稿執筆を、1つのAIエージェント環境に束ねます。
- 核心の未検証点:売りの「再現できる証跡」と「引用・計算を検証する査読エージェント」は、精度も誤り率も未公開です。
- 一番派手な数字:「2年→総説約10本」「約10分の1」はいずれも利用者の自己申告で、公開データも成果物もありません。
チャット相手から「研究の作業台」へ
Anthropicが2026年6月30日に公開したClaude Scienceには、確認できる数字と、誰も確認していない数字が同居しています。支援プログラムの「最大50件」「最大$30,000」は、発表に明記された事実。一方、この製品の魅力を決めている「2年が数週間に」「解析が約10分の1に」は、いずれも使った本人の感想です。どこまでが事実で、どこからが主張か——今回はそこを一行ずつ分けて読みます。
まず、確認できるところから。Claude Scienceは科学者向けの統合研究環境をうたうアプリで、対応OSはmacOSとLinux。Claude Pro、Max、Team、Enterpriseの各プランで利用でき、TeamとEnterpriseでは管理者が機能を有効にする必要があります。ここは発表に明記された事実です。
製品像はこうです。中心に「コーディネート役(まとめ役)」のAIエージェントがいて、研究者の指示を受けて動きます。背後には60以上のスキル(あらかじめ用意された作業手順のようなもの)とコネクタ(外部の道具やデータにつなぐ標準的な差し込み口)、そして60以上の科学データベースがつながっている、とされます。文献を探し、多段階の解析を回し、研究室が持つ計算機に処理を投げ、最後に図や原稿までつくる——散らばった作業を1枚の作業台に載せる、というのが基本コンセプトです。
ただし注意も必要です。この「60」という数字は、スキルの数にもデータベースの数にも同じ値が当てられていて、どちらが正確に何個なのか、範囲がはっきりしません。しかもこれはAnthropic側が発表で述べた数で、外部から数えられるものではありません(ベンダー自己申告)。
「道具の散らかり」を1つのハブに畳む
研究の現場は、道具がとにかく散らばっています。文献はPubMed、解析はJupyterやR、大きな計算は共有クラスタのターミナル、配列やタンパク質の情報はUniProtやPDBやEnsembl……。これらを行き来するだけで時間が溶けます。Claude Scienceは、この散らかりを1つのハブにまとめる提案です。
つながる先は具体的に名前が挙がっています。データベースはUniProt、PDB、Ensembl、Reactome、ClinVar、ChEMBL、GEO。連携パートナーとしてNVIDIAのBioNeMo Agent Toolkit、そしてEvo 2、Boltz-2、OpenFold3といったバイオ向けモデル、オンデマンド計算のModal。これらの固有名詞は発表に明記された事実です。既存の科学モデルやデータベースの上に立つ「まとめ役の層」になろう、という生態系づくりの狙いが読み取れます。
これまでの研究は、資料室・実験ノート・電卓・図書館カウンターを別々の部屋に置いて、研究者が書類を抱えて何度も往復するようなものでした。Claude Scienceは、その全部を1つの受付に集めて、有能な助手(まとめ役)に「これ調べて、計算して、図にして」と頼める窓口にしよう、という発想です。しかも助手は必要に応じて専門の助手を呼び、提出前にもう一人の助手が引用と計算を見直す——という触れ込みです。
同じ発表に並ぶ数字の、半分は検証できません
発表には数字がいくつも並びますが、性質はまったく違います。片方はプログラムの条件として公式に確定した事実、もう片方は利用者の体験談です。混ぜて読むと誤解します。まず、確認できる事実のほうから。
このAI for Scienceは、Anthropicが研究を後押しする支援プログラムです。条件は具体的に決まっていて、応募締切は2026年7月15日、採否通知は7月31日、プロジェクト実施期間は9月1日から12月1日まで。ここは製品の実力とは別の「プログラムの枠組み」で、いずれも発表に明記された事実です。ひとつだけ実務的な注意を。この記事を7月17日に読む時点で、7月15日の締切はすでに過ぎています。今から応募することはできません。
一方、製品の「速さ」を印象づける数字は、すべてベータ利用者の自己申告です。中身を分けて並べると、こうなります。
| 語られた成果 | 数字 | 誰の話か | 検証状態 |
|---|---|---|---|
| 計算論的な総説を書くのに以前かかっていた時間 | 最大2年 | Allen InstituteのJérôme Lecoq | 自己申告の基準値 |
| チームが作成したと言う長編総説(多くが100ページ超) | 約10本 | 同上(約20個の自作スキルを使用) | 自己申告・成果物は非公開 |
| 生殖細胞系列変異の解析にかかった時間 | 約10分の1 | UCSF脳腫瘍センターのStephen Francis | 自己申告・「独立に検証」も同一ラボ |
| Manifold Bioによる創薬標的の絞り込み | 端から端まで | Manifold Bio | 自己申告・データ非公開 |
読みどころは検証状態の列です。「2年が数週間に」「約10倍の高速化」といった数字は確かに強烈ですが、いずれも使った本人の体験談で、公開されたデータもコードも成果物もありません。特にFrancisの「独立に検証した」という表現は要注意で、検証したのはツールを使った同じラボであり、第三者ではありません。厳密には「独立」とは呼びにくい性質のものです。
公式条件(最大50件、最大$30,000、最大$2,000、締切7月15日、実施9月1日〜12月1日)と、連携先の固有名詞(UniProt・PDB・Ensembl・ClinVar・ChEMBL・GEO・Reactome、NVIDIA BioNeMo、Evo 2/Boltz-2/OpenFold3、Modal)は、発表に明記された確認できる事実です。一方、「60以上」のスキル/データベース、そして「2年→10本」「約10分の1」といった効率の数字は、すべて自己申告。前者は地図、後者はまだ検証待ちの体験談として読むのが正確です。
最大の売りが、最も証拠の薄い部分でした
Claude Scienceの核心的な売りは、速さそのものよりも「信頼できる出力」にあります。Anthropicは、すべての出力に監査可能で再現できる証跡——使ったコード、実行環境、平易な説明、やり取りの全履歴——が付く、と主張します。さらに、引用と計算をチェックする査読エージェントが誤りを指摘・修正し、処理の途中で自己修正する、とも言います。
これは研究でLLMを使う最大の不信感、つまり「でっち上げの引用」と「どこから来たのか分からない数字」を正面から狙った設計です。もし本当に機能するなら価値は大きい。ただし——ここが肝心ですが——これらは実演されておらず、主張として述べられているだけです。LLMによる引用チェックがどれだけ信頼できるかは、ここでは何も証明されていません。誤り率も、再現性の検証も、定量的な評価も一切示されていない。
Claude Scienceは、研究でLLMを使うときの最大の不信に、正面から答えようとしています。けれど現時点では、核心の売りほど、証拠が薄いのです。
もう一つの売りは「機微なデータは研究室のシステムから外に出ない」。自前の計算機で動き、必要な文脈だけをClaudeに送るから安全、という説明です。ただし裏を返せば「必要な文脈は外に出る」ということ。つまりデータの一部はClaude側に送られます。どこまでが「必要な文脈」で、どこからが「外に出さない」のか——その境界線は発表では正確に定義されていません。センシティブなデータを扱う人ほど、ここは自分で確かめる必要があります。
このほかにも主張は続きます。まとめ役エージェントが他のエージェントを生成し、利用者が自作した専門エージェントも呼べる。セッションは文脈をメモリに保持するので巨大なデータも一度だけ読み込めばよく、セッションを枝分かれさせて複数のやり方を比べられる。計算ジョブはSSH越しにHPC(共有の大型計算機クラスタ)へ、あるいはModalへ自動で計画・投入でき、GPU1枚から数百枚まで広げられる。3Dのタンパク質構造やゲノムブラウザのトラック、化学構造をそのまま描ける——。どれも魅力的ですが、繰り返しになる通り、現時点ではベンダーの説明であって、外部の検証を経た事実ではありません。
狙いは正しい。証明だけが、まだありません
最後に、この発表の時間軸と、業界にとっての意味を整理します。
意味は小さくありません。まず、Claudeの立ち位置がチャットやコーディングの相棒から「特定分野に特化した研究の作業台」へと移ったこと。PubMed、Jupyter、R、クラスタといった道具の散らかりは研究を確実に遅くしており、そこを丸ごと畳もうとする発想は理にかなっています。次に、監査できて再現できる成果物と引用チェックの査読エージェントは、科学でLLMを使う最大の信頼の壁を正面から狙ったもの。研究室の自前インフラで動く設計は、アップロードできない大規模・機微なデータにAIを届ける試みです。NVIDIA BioNeMoとの提携や専門バイオモデルの取り込みは、既存モデルとデータの「上に立つ」生態系づくりの布石でしょう。
Claude Scienceは、研究AIの未来像としてはかなり面白い一手です。狙いどころ(道具の散らかり、引用の不信、機微データ)はどれも本物の痛点を突いています。しかし、いま信じてよいのは「何を目指しているか」まで。「どれだけ正確で、どれだけ速いか」は、まだ発表資料の外に出ていません。白黒がつくのは、査読エージェントの引用チェックの誤り率が公開されたとき、あるいは第三者のラボが「約10分の1」を再現したときです。それまでは、上の表のいちばん右——検証状態の列——が、この製品のいちばん正確な要約です。