Claude прискорив понад 30 біомолекулярних моделей: Anthropic відкриває оптимізації для науковців

ШІ використали не як чатбот, а як інженера продуктивності

Anthropic показала незвичний сценарій застосування Claude у науці: модель не просто пояснювала біологію чи писала окремі фрагменти коду, а системно оптимізувала open-source моделі для прогнозування структури біомолекул, protein design, геноміки та protein language models. За даними компанії, менш ніж за чотири тижні Claude пройшов понад 30 моделей і в середньому прискорив їх приблизно у чотири рази з мінімальним впливом на точність. Для режимів з ідентичними виходами середнє прискорення було майже дворазовим.

Що саме оптимізував Claude

Команда дала моделі код і профілі продуктивності та поставила практичну задачу: скоротити час виконання й використання пам’яті, не зламавши науковий результат. Частина покращень переноситься між проєктами — наприклад, спеціалізовані GPU kernels для операцій, типових у структурній біології. Інші зміни були специфічними для конкретних репозиторіїв: кешування повторних обчислень, усунення мертвих гілок, спрощення постійних виразів та інші оптимізації, які зазвичай шукають вручну.

Цифри, які варто читати уважно

Для FlashPairformer Anthropic повідомляє про прискорення triangle attention приблизно у 2,7–2,9 раза та triangle multiplication у 1,7–3,2 раза залежно від конфігурації. В окремих моделях виграш був вищим, але найважливіше — не рекордний benchmark, а те, що компанія перевіряла downstream-якість після оптимізації. Це все одно результати самої Anthropic, тож незалежне відтворення на іншому обладнанні буде важливішим за найкращу цифру в таблиці.

Менше пам’яті означає більші біологічні системи

Окремий результат — low-memory режим. Anthropic заявляє, що він дозволяє точно моделювати біомолекулярні системи розміром понад 10 тисяч токенів — амінокислот, нуклеотидів та атомів малих молекул чи іонів — на одному NVIDIA GPU-вузлі. Для великих комплексів саме пам’ять часто стає обмеженням раніше, ніж чиста швидкість, тому такий режим може бути не менш важливим за прискорення.

Чому це важливо для реальної науки

У науковому софті продуктивність прямо перетворюється на кількість гіпотез, які можна перевірити за той самий бюджет. Якщо structure model працює в кілька разів швидше, команда може прогнати більше кандидатів, повторити розрахунки з іншими параметрами або взяти більші системи. Це не робить біологічний висновок автоматично правильним: in-silico результат все одно має пройти експериментальну перевірку. Але дешевший обчислювальний етап розширює поле експериментів.

Protein design і лабораторна перевірка

Anthropic пов’язує цю роботу з попередніми експериментами з de novo protein binders. Нова оптимізація має зробити подібні workflow доступнішими. Компанія відкриває оптимізований код і разом з Adaptyv Bio запускає конкурс, у якому передбачені Claude credits та wet-lab validation для тисяч дизайнів. Саме лабораторна частина є критичною: високий комп’ютерний score не гарантує, що білок поводитиметься так само у фізичному експерименті.

Що тут справді нове

Найцікавіший сюжет не в тому, що «ШІ написав код». Якщо універсальна модель здатна переносити прийоми low-level optimization між десятками наукових репозиторіїв, це може послабити дефіцит інженерів, які одночасно розуміють предметну область, профілювання, GPU-архітектуру та нестандартні kernels. Відкритий код дає стороннім лабораторіям шанс перевірити заяви Anthropic на власному залізі — саме це буде найважливішим наступним тестом.

↗