Az Anthropic 2026. június 30-án bejelentette a Claude Science-t. A hivatalos leírás szerint ez egy testreszabható alkalmazás: egybefogja a kutatók által leggyakrabban használt eszközöket és csomagokat, auditálható kimeneteket készít, és rugalmas hozzáférést ad a számítási erőforrásokhoz. Ők maguk AI munkapadnak nevezik.

Ez a mondat elég ahhoz, hogy bárki fellelkesüljön tőle, és elég homályos ahhoz, hogy közben senki ne tudja, mit jelent a gyakorlatban. Ebben a cikkben végigvesszük, mit mond róla ténylegesen az Anthropic, mire lehet használni, kinek szól, hogyan lehet hozzáférni, és hol érdemes megtartani a szokásos gyanakvást. Amit nem közöltek hivatalosan, azt itt nem fogod olvasni.

Ha még csak most ismerkedsz a platformmal, előbb fusd át a Claude AI magyarul kezdő útmutatót. Ha pedig a modellek mögötti aktuális állást keresed, ott a friss Claude Sonnet 5 bemutatónk.

Mi az a Claude Science

A legrövidebb magyarázat: a Claude Science nem egy új nyelvi modell, hanem egy alkalmazás. Egy külön munkakörnyezet, ami a kutatói munka szétszórt darabjait, a szakirodalmat, az adatbázisokat, az elemzőkódot, az ábrákat és a kéziratot egy helyre hozza.

Az Anthropic megfogalmazása szerint támogatja a szakirodalom elemzését és a több lépésből álló kutatási folyamatok végigvitelét, és lehetővé teszi az ábrák és a kéziratok fokozatos finomítását. Ami ennél érdekesebb: minden kimenet magával viszi a saját előéletét. A hivatalos szöveg szerint minden eredmény mellé jár egy auditálható előzmény arról, hogyan készült.

Ez nem apró részlet. A tudományos munkában nem az a kérdés, hogy egy szám kijött-e, hanem hogy honnan jött. Egy AI, ami szép ábrát rajzol, de amelynél nem lehet visszafejteni, milyen adatból és milyen kóddal készült, tudományos szempontból használhatatlan. Az auditálhatóság az a pont, ahol ez a termék elkezd komolyan hangzani.

Mit tud pontosan

Az Anthropic bejelentése alapján ezek a legfontosabb képességek.

  • Ügynök-architektúra: egy általános koordináló ügynök dolgozik, ami több mint 60 összeválogatott képességhez (skill) fér hozzá, és további ügynököket tud indítani, köztük a felhasználók által készített specialistákat is.
  • Ellenőrző ügynök: külön szereplő nézi át a hivatkozásokat és a számításokat, megjelöli és javítja a hibákat.
  • Tudományos kimenetek natívan: 3D fehérjeszerkezeteket, genom-böngésző sávokat és kémiai szerkezeteket jelenít meg, ábrákat és kéziratokat készít a hozzájuk tartozó kóddal együtt.
  • Átlátható előzmény: minden kimenethez jár a kód, egy közérthető leírás arról, hogyan készült, és a teljes üzenet-előzmény.
  • Szerkesztés hétköznapi nyelven: egy ábrán egyszerű kéréssel is lehet változtatni, például hogy tűnjenek el a rácsvonalak.
  • Elágaztatható munkamenet: a munkamenet bármikor elágaztatható, így két megközelítés összehasonlítható anélkül, hogy az eredeti szál elveszne.

Az előre beállított területek: genomika, egysejt-analízis, proteomika, szerkezeti biológia, keminformatika. Mindezt több mint 60 tudományos adatbázis támogatja, köztük a UniProt, a PDB, az Ensembl, a Reactome, a ClinVar, a ChEMBL és a GEO. Az NVIDIA BioNeMo Agent Toolkitjén keresztül olyan élettudományi modellekhez is kapcsolódik, mint az Evo 2, a Boltz-2 és az OpenFold3. A saját folyamataidat is bekötheted, és bármelyik pipeline elmenthető újrahasználható képességként, amit a későbbi munkamenetek automatikusan örökölnek.

A számítási erőforrás kérdése

Aki komoly adatokkal dolgozik, tudja, hogy a valódi akadály ritkán az okosság. A valódi akadály az, hogy hol fut a számítás, és hova kerül közben az adat.

Az Anthropic szerint a Claude Science fut laptopon, Linux gépen vagy HPC belépő csomóponton, és a labor meglévő erőforrásaihoz kapcsolódik, például a saját HPC klaszterhez SSH-n keresztül, vagy egy Modal fiókhoz igény szerinti számításhoz. Egyetlen GPU-tól több százig skálázódik, ha kell. A nagy vagy érzékeny adathalmazoknak nem kell elhagyniuk azt a rendszert, ahol eddig is voltak, a hatalmas adatkészleteket pedig munkamenetenként csak egyszer kell betölteni.

Van egy fékrendszer is: az alkalmazás tervet készít, kérdez, mielőtt új erőforráshoz nyúlna, és bármelyik döntése átnézhető vagy visszavonható. Pontosan ezt a viselkedést kell elvárni egy önállóan dolgozó ügynöktől. Az adatkezelési vonatkozásokról egyébként külön is írtunk: a GDPR-barát AI használat útmutatónk pont arról szól, mit szabad és mit nem AI-ba tölteni.

Mit mondanak a korai felhasználók

Az Anthropic három konkrét példát emel ki. Ezeket ők idézik, tehát nyilván kedvező példák, de legalább konkrétak.

A szövetcélzott gyógyszereket tervező Manifold Bio a Claude Science-t arra használta, hogy kísérletekhez jelöljön ki célpontokat. Az ő kiemelt előnyük az volt, hogy ezt végponttól végpontig meg tudták csinálni, vagyis a rendszer maga gyűjtötte össze a megfelelő adatot és alkalmazta a megfelelő ítéletet.

Jérôme Lecoq, az Allen Institute idegtudósa nagyjából 20 saját képességből épített egy számítógépes áttekintő sablont. Korábban egy ilyen szakirodalmi áttekintés megírása akár két évig is eltarthatott, most körülbelül 10 áttekintése van, sok közülük több mint 100 oldalas. Az általa használt szerkezet érdekes: actor-critic párok dolgoznak, az egyik ügynök tartalmat állít elő, egy másik pedig értékeli.

Stephen Francis, a UCSF agydaganat-központjának epidemiológusa a glióma molekuláris epidemiológiáját kutatja. Az ő beszámolója szerint az elemzés drámaian felgyorsult, és a több megközelítést átfogó germline vizsgálatok nagyjából a korábbi idő tizedében készültek el. Ami ennél is fontosabb: független módon validálta a Claude Science eredményeit.

Ez az utolsó félmondat a cikk legfontosabb sora. Egy AI tizedére csökkentette az elemzés idejét, de az igazán fontos, hogy a kutató utána is elvégezte a saját ellenőrzését. A gyorsulás akkor ér valamit, ha a bizonyítás megmarad.

Kinek szól, és kinek nem

Nézzük őszintén, ki mit kezd ezzel Magyarországon.

Neked való, ha kutatóként vagy PhD-hallgatóként biológiai, biomedicinális vagy kémiai adatokkal dolgozol, van hozzáférésed valamilyen számítási kapacitáshoz, és a mindennapjaid része a szakirodalom átfésülése, az adatelemzés és az ábrakészítés. Az Anthropic korai fókusza saját közlése szerint is a biológia és a biomedicinális kutatás, tehát ezen a területen a legérettebb a rendszer.

Nem neked való, ha marketinges vagy, tartalmat gyártasz, vagy általános irodai munkára keresel AI-t. Ez nem egy jobb chatbot, hanem szűk célra épített szakmai szerszám. Az ilyen jellegű munkára a szokásos Claude felület bőven elég, sőt jobb: az adatelemzés Claude-dal magyarul cikkünk pont ezt a hétköznapibb szintet mutatja be, klaszter és saját kód nélkül. Aki pedig fejleszt, annak inkább a Claude Code használata a releváns belépő.

A magyar valóság még egy szempontot hoz ide. A hazai kutatói és klinikai adatok jelentős része érzékeny, és a hozzáférésük szabályozott. Az a képesség, hogy az adat nem hagyja el a saját rendszerét, itt nem kényelmi funkció, hanem alapfeltétel. Ha ez a rész nem oldható meg az intézményed szabályzatával összhangban, akkor a többi funkció szépsége nem sokat számít.

Elérhetőség, csomagok, támogatás

Ez az a rész, ahol a legtöbb félreértés születik, ezért csak a hivatalos adatok.

  • Állapot: béta.
  • Platform: macOS és Linux.
  • Csomagok: Claude Pro, Max, Team és Enterprise felhasználóknak. Team és Enterprise esetén az adminisztrátornak kell engedélyeznie.
  • Akadémiai kedvezmény: a Team csomagban kedvezményes helyek járnak aktív tudományos laboroknak akadémiai intézményeknél és nonprofit kutatószervezeteknél.
  • Belépési pont: a claude.com/science oldal.

Külön figyelmet érdemel az AI for Science program. Legfeljebb 50 projekt kaphat akár 30 000 dollár értékű kreditet, a Modal pedig akár 2000 dollár számítási keretet ad hozzá. A jelentkezési határidő 2026. július 15., az értesítés július 31., a projektidőszak 2026. szeptember 1-től december 1-ig tart. A korai fókusz itt is a biológia és a biomedicinális kutatás.

Aki magyar kutatóintézetben vagy egyetemi laborban dolgozik, annak ez lehet a cikk leggyakorlatibb bekezdése. A határidő viszont már a küszöbön van, 2026. július 15. Aki ezt most olvassa, annak ez nem tervezgetés, hanem azonnali döntés. Ha pedig nem tudod eldönteni, elég-e a jelenlegi előfizetésed, a Claude Pro vagy ingyenes összehasonlításunk segít a csomagválasztásban.

Hol tartsd meg a gyanakvást

Három józan megjegyzés, mielőtt bárki azt hinné, hogy a tudomány ezzel meg van oldva.

Először: minden szám és állítás, ami ebben a cikkben szerepel, a fejlesztő saját bejelentéséből származik. Ez nem független mérés, hanem terméktájékoztató. A tizedére csökkenő elemzési idő egy konkrét kutató konkrét feladatán jött ki, nem általános ígéret.

Másodszor: az ellenőrző ügynök, ami hivatkozásokat és számításokat néz át, hasznos, de nem helyettesíti a szakértői kontrollt. Egy AI, ami saját magát ellenőrzi, ugyanabból a hibás feltevésből indulhat ki kétszer is. A UCSF-es példa pont azért hiteles, mert ott egy ember validálta az eredményt.

Harmadszor: a béta az béta. Egy kutatási munkafolyamatot nem érdemes rögtön ráépíteni egy most induló, még változó termékre. Kezdd egy olyan feladattal, aminek ismered a helyes válaszát, és nézd meg, eljut-e oda a rendszer. Ez a legolcsóbb teszt, amit el tudsz végezni.

Összefoglalás

A Claude Science az első olyan Anthropic termék, ami nem okosabb beszélgetőpartnert ígér, hanem egy szakmai munkakörnyezetet. Három dolgot vigyél magaddal:

  • Nem új modell, hanem alkalmazás. Egyben tartja a szakirodalmat, az adatbázisokat, az elemzést és az ábrákat, és minden kimenethez auditálható előzményt ad.
  • Béta állapotban, macOS és Linux rendszeren, Pro, Max, Team és Enterprise csomagban érhető el.
  • Akadémiai laboroknak kedvezményes Team helyek járnak, és fut egy támogatási program, aminek a jelentkezési határideje 2026. július 15.

A régi szabály itt is él: a gyorsaság nem bizonyíték. Ami gyorsan elkészül, azt továbbra is neked kell átnézned.

Ha viszont nem kutatsz, hanem a hétköznapi munkádból akarsz több időt visszanyerni, ott a jó prompt többet ér minden szakmai munkapadnál. Nézd meg a 281 magyar AI prompt csomagot, vagy kezdd az 50 ingyenes prompttal.