Claude ускорил более 30 биомолекулярных моделей: Anthropic открывает оптимизации для учёных

ИИ использовали не как чат-бот, а как инженера производительности

Anthropic показала необычный сценарий применения Claude в науке: модель не просто объясняла биологию или писала отдельные фрагменты кода, а системно оптимизировала open-source модели для предсказания структуры биомолекул, protein design, геномики и protein language models. По данным компании, менее чем за четыре недели Claude прошёл более 30 моделей и в среднем ускорил их примерно в четыре раза при минимальном влиянии на точность. В режимах с идентичными выходами среднее ускорение было почти двукратным.

Что именно оптимизировал Claude

Команда дала модели код и профили производительности и поставила практическую задачу: сократить время выполнения и расход памяти, не нарушив научный результат. Часть улучшений переносится между проектами — например, специализированные GPU kernels для операций, типичных для структурной биологии. Другие изменения были специфичны для конкретных репозиториев: кэширование повторных вычислений, устранение мёртвых ветвей, упрощение постоянных выражений и другие оптимизации, которые обычно ищут вручную.

Цифры, которые стоит читать внимательно

Для FlashPairformer Anthropic сообщает об ускорении triangle attention примерно в 2,7–2,9 раза и triangle multiplication в 1,7–3,2 раза в зависимости от конфигурации. В отдельных моделях выигрыш был выше, но важнее не рекордный benchmark, а проверка downstream-качества после оптимизации. Это всё ещё результаты самой Anthropic, поэтому независимое воспроизведение на другом оборудовании будет важнее лучшей цифры из таблицы.

Меньше памяти означает более крупные биологические системы

Отдельный результат — low-memory режим. Anthropic заявляет, что он позволяет точно моделировать биомолекулярные системы размером более 10 тысяч токенов — аминокислот, нуклеотидов и атомов малых молекул или ионов — на одном NVIDIA GPU-узле. Для крупных комплексов именно память часто становится ограничением раньше чистой скорости, поэтому такой режим может быть не менее важен, чем ускорение.

Почему это важно для реальной науки

В научном ПО производительность напрямую превращается в количество гипотез, которые можно проверить за тот же бюджет. Если structure model работает в несколько раз быстрее, команда может прогнать больше кандидатов, повторить расчёты с другими параметрами или перейти к более крупным системам. Это не делает биологический вывод автоматически правильным: in-silico результат всё равно должен пройти экспериментальную проверку. Но более дешёвый вычислительный этап расширяет поле экспериментов.

Protein design и лабораторная проверка

Anthropic связывает эту работу с предыдущими экспериментами с de novo protein binders. Новая оптимизация должна сделать подобные workflow доступнее. Компания открывает оптимизированный код и вместе с Adaptyv Bio запускает конкурс с Claude credits и wet-lab validation для тысяч дизайнов. Лабораторная часть здесь критична: высокий компьютерный score не гарантирует, что белок будет вести себя так же в физическом эксперименте.

Что здесь действительно новое

Главный сюжет не в том, что «ИИ написал код». Если универсальная модель способна переносить приёмы low-level optimization между десятками научных репозиториев, это может ослабить дефицит инженеров, которые одновременно понимают предметную область, профилирование, GPU-архитектуру и нестандартные kernels. Открытый код даст внешним лабораториям возможность проверить заявления Anthropic на собственном оборудовании — именно это станет самым важным следующим тестом.

↗