五个月，一条时间线
外界看到的是「Anthropic 买了一个人的公司」。把五个月的动作按顺序排开，更像是在组装一个部门：先买计算生物学的底座，再挖做结构预测的人，再发一个面向科学家的产品，最后才补上「真实药物项目」这一块。
注意 9 月与 10 月的口径差：一个月前说「不做临床」，一个月后技术报告写明「如果候选药物继续成立，最快 2028 年底进入人体临床试验」。这不一定是矛盾——可以做临床前、把 IND 交给合作方——但它说明这条边界还在移动。
底座不是模型，是工作台
大部分「AI 做药」的叙事卡在分子设计：给我一个更好的结合物。Mithril 这条路线的重点不在那儿。技术报告里「Working with Claude」那一节写得很具体，值得逐条看它到底接了什么：
- 共享工作区：每个任务一个 thread，Claude 实例能读这个项目的邮件和实验数据，能跑代码、能准备页面、能把草稿存进某个人的邮箱。
- 但发信的是人：一周里 Claude 起草了 17 封邮件，一封都没发出去。所有对外沟通由人编辑、由人按发送。
- 多实例互审：草案在交给人之前，会有另外的 Claude 实例先审一遍。这是把「代码评审」的习惯搬进了实验管理。
- 人只做判定：一周里那个人总共做了 5 个决定、改了 4 处草稿、发了 6 封邮件——其余是阅读、比对、追数据。
所以「一个人」的准确含义是：一个人 + 11 家外部实验室/CRO + 一队兼职顾问 + 一家 VC 的钱和公司创建能力 + 一个能读邮件和数据的模型。实验不是他做的，SPR 和纯度数据是 CRO 出的。减少的是协调成本，不是实验成本。
六家合作方，六个瓶颈
官方博客把这套打法摊开的方式很聪明：不谈模型能力，谈药物开发流程里六个不同的堵点，每家合作方负责证明一个。这张表基本就是这套技术栈的能力清单。
这张表里最值得注意的不是数字大小，而是分布：五项里有三项（CMC 文书、临床方案、靶点评估）跟「聪明」关系不大，跟读得多、写得快、不漏项关系很大。真正需要科学品味的是 BigHat 那一条——Claude 质疑了指标本身，这比多生成一万个变体难得多。
那个双抗分子，逻辑是漂亮的
抛开叙事，Mithril 做的这个东西本身值得单独讲。它的推理链条很干净：
- 病因：LAMA2 突变 → 缺 laminin-α2 → laminin-211 不能聚合、也不能锚定到细胞膜 → 肌纤维基底膜持续崩解。目前无疾病修饰疗法。
- 可利用的残余：这类肌肉里 laminin-α4 反而上调，形成 laminin-411，但它没有 LN 结构域（不能自聚合），LG 结构域结合 α-dystroglycan 也很弱——所以它在那儿，但不管用。
- 为什么不用基因治疗：LAMA2 的编码序列约为 AAV 包装容量的两倍；已有的双 linker 方案（αLNNd + mini-agrin）需要两个病毒载体。
- 方案：做一条双特异性抗体，一条臂抓 β-dystroglycan（跨膜端），一条臂抓 laminin-α4 的 LG4-5。等于人工给 laminin-411 装一个锚。
这条思路的漂亮之处在于：它绕开了「补回缺失蛋白」这个不可能的工程问题，转而修复功能而不是成分。而且抗体比病毒载体好做的部分——剂量可调、可重复给药、可饱和靶点——全都用上了。
体外的结论是：格式比亲和力更决定成败。两个分子结合靶点的 KD 都在 0.5–4 nM，但把臂放到 Fc 下面、做成两个 β-DG Fab 之后，细胞保留率从「最多 20%」跳到 78–88%。也就是说，桥接效不效率，主要看几何，不看结合强度。
体内就只有一个结果值得说：四价的 2+2 在 dyW 小鼠（laminin-α2 缺陷模型）里，峰值肌力约为对照的 1.8–1.95 倍，握力约 2 倍；双价的 1+1 虽然能从肌肉里回收到，但功能上看不出差别。作者的解释是「不是没送到，是桥接不够」。
数字有多硬
下面这张图是那个「1.8–1.95 倍」的原始形态。注意看图：误差线很宽，而 1+1 的区间跨过了 1.0——这正是这项研究最诚实的地方。
读这张图的正确姿势：趋势是对的，区间太宽。四价组下界 1.12 尚且站得住，但整项研究只有 7 个 litter、每组只剩 4–7 只动物。这不是「证明有效」，这是「值得继续做」。
报告自己承认的
这份东西最不寻常的地方，是它把审稿人会问的问题提前写进了 Limitations。逐条抄下来，比任何质疑都狠：
还有一条更结构性的：这份技术报告是 Anthropic 自己发的，未经同行评审，而它同时是 Claude 的用户、Claude 的卖方、以及 Claude 能力的评价者。「Working with Claude」那一节（96 秒 vs 8.5 小时、341 页、17 封邮件）本质上是自家产品的自评，没有第三方复核。这不代表数字是假的，代表它不能被当成独立证据。
被放大的是带宽，不是智力
Cody 自己在帖子里把论点说得很清楚，而且比大多数 AI-bio 宣传克制：他认为 AI 对药物研发的价值不在「时间压缩」，而在编排与并行——一个药物猎人职业生涯里本来只能做几次 go/no-go，其余时间在回邮件；如果把管理开销压掉，让他同时跑五个项目，判断的总量就上去了，命中率不变也能多出药。
我基本同意，但要补三句冷水：
- 这条路的瓶颈会转移到「人的判断」上。如果一个人能跑十条管线，那这一个人的品味就成了整条流水线的方差来源。真正稀缺的不是 token，是能连续做对判断的人——而这类人本来就不多。
- 「一人公司」是叙事，不是成本结构。11 家 CRO、兼职顾问、VC 的公司创建服务都还在账上。被替换的是中层项目管理和文书，不是湿实验。
- 最大的风险是自评闭环。同一家公司提供模型、跑项目、写报告、评估模型。要打破这个闭环，只有两条路：第三方重复实验，或者真的把分子推进临床、让监管机构来当裁判。2028 年那个 IND 是第一个硬节点。
所以这件事的历史位置，我看不在「AI 造出了药」。它是第一个可引用的证据：AI 可以把一个人的管理半径放大一个数量级。前者还早，后者已经发生了——而且发生在一家卖模型的公司自己身上，这大概不是巧合。