Anthropic показала один из наиболее практичных примеров использования универсальной AI-модели в научной инфраструктуре: Claude менее чем за четыре недели оптимизировал более 30 открытых моделей, которыми исследователи пользуются для предсказания структуры белков, белкового дизайна, анализа генома и работы с protein language models.
По данным компании, после оптимизации вычисления в среднем выполнялись примерно в четыре раза быстрее в режиме с небольшими допустимыми численными различиями. В режиме Exact, где результат должен совпадать с исходной реализацией, ускорение в среднем было близко к двукратному. Anthropic опубликовала созданный код в открытом репозитории, включающем 36 отдельных наборов оптимизаций для разных моделей.
Claude не создал новую биологическую модель — он переписал то, как работают существующие
Это важное различие. Работа Anthropic не является конкурентом AlphaFold3 или Boltz-2 в привычном смысле. Claude не обучал новую систему предсказания белковых структур. Вместо этого модель выступила как performance-инженер: анализировала уже существующий код, искала вычислительные узкие места и переписывала части программ так, чтобы они эффективнее использовали GPU.
В репозиторий вошли оптимизации для моделей и инструментов из нескольких направлений — structure prediction и co-folding, генерации и дизайна белков, inverse folding, геномики и protein language models. Среди поддерживаемых проектов есть Boltz-2, OpenFold3, ColabFold, RFdiffusion, ProteinMPNN, Evo 2 и другие широко используемые исследовательские инструменты.
Почему это важно: ускорение уже обученной научной модели может быть не менее полезно, чем создание новой. Если исследователь получает тот же результат в несколько раз быстрее или способен запустить задачу на одном узле вместо нескольких, это напрямую снижает стоимость эксперимента и позволяет проверить больше гипотез.
FlashPairformer атакует одно из самых дорогих мест в современных моделях структуры
Для систем класса AlphaFold3, OpenFold3 и Boltz-2 значительная часть времени и памяти уходит на triangle attention и triangle multiplication — операции, которые помогают моделировать геометрию взаимодействий внутри сложных биомолекулярных систем.
Проблема в масштабировании. Anthropic отмечает, что вычислительная сложность этих операций растет кубически: если размер системы удвоить, затраты времени и памяти могут вырасти примерно в восемь раз; если утроить — примерно в 27 раз.
Claude помог разработать набор низкоуровневых GPU-ядер FlashPairformer. В тестах Anthropic они превосходили используемый компанией ориентир для triangle attention примерно в 2,7–2,9 раза, а для triangle multiplication — примерно в 1,7–3,2 раза в зависимости от конфигурации модели.
Кроме универсальных ядер, Claude оптимизировал каждую модель отдельно. В числе приемов Anthropic перечисляет кеширование промежуточных вычислений, которые исходный код выполнял повторно, упрощение ветвей с фактически постоянным результатом, fusion отдельных GPU-операций и другие стандартные, но трудоемкие техники performance engineering.
Самая интересная часть — не скорость, а память
Для части моделей Claude создал отдельный режим Big, ориентированный не на максимальную скорость, а на минимальное пиковое потребление GPU-памяти.
По данным Anthropic, этот режим позволил точно предсказывать структуры биомолекулярных систем размером более 10 000 токенов на одном NVIDIA GPU-узле. В терминологии работы токенами могут быть аминокислоты, нуклеотиды, атомы небольших молекул и ионы.
Среди успешно рассчитанных крупных систем Anthropic называет человеческий митохондриальный комплекс I, шаперонин TRiC, протеасому и бактериальную рибосому 70S. Их предсказанные структуры, по данным компании, хорошо совпадали с экспериментально определенными. Для сравнения Anthropic приводит AlphaFold3: в его публикации отдельно демонстрировалась точная структура рибосомного комплекса размером 7 663 токена.
Это не означает, что любой гигантский молекулярный комплекс теперь можно корректно «свернуть». Anthropic специально проверила предел метода на системах от примерно 31 000 до более чем 70 000 токенов, включая целые вирусные капсиды и белковые компартменты. Технически расчеты на одном восьми-GPU узле B300 завершались, но сами предсказанные структуры схлопывались в неправильные компактные формы. Компания связывает это прежде всего с пределами самих обученных моделей, а не только с объемом памяти.
То есть Claude расширил вычислительный предел — но не знания моделей
Этот отрицательный результат особенно полезен для понимания новости. Оптимизация программного обеспечения позволяет модели обработать вход, который раньше не помещался в память, но она не добавляет в обученную нейросеть новые закономерности.
Если структура в десятки раз превышает размеры объектов, которые модель видела при обучении, наличие достаточного количества GPU-памяти еще не гарантирует правильный ответ. Anthropic прямо показывает этот предел вместо того, чтобы выдавать способность завершить вычисление за способность получить достоверную биологическую структуру.
Белковый дизайн подешевел примерно с тысяч GPU-часов до одного H200
Еще один эксперимент Anthropic показывает, зачем такие оптимизации нужны за пределами чистых бенчмарков.
В предыдущей работе по de novo-дизайну белков Claude разрешалось использовать сабагентов и тратить до $10 000 вычислительного бюджета на одну мишень — около 2 500 GPU-часов NVIDIA H100. В новом эксперименте одному Claude дали один H200, 24 часа времени, существенно более короткую инструкцию и уже оптимизированные биомолекулярные инструменты. Сабагенты и человеческое управление самим процессом дизайна не использовались.
Anthropic сообщает, что на 16 тестовых мишенях три версии Claude смогли получить примерно сопоставимые in silico показатели качества с прежней кампанией, использовав примерно в сто раз меньше GPU-часов. С учетом стоимости токенов и GPU компания оценила один такой запуск примерно в $150.
Здесь необходима важная оговорка: речь идет об in silico-оценке потенциального связывания, а не о доказанном лекарстве и даже не о гарантированно работающем белке. Следующий шаг — физический синтез и лабораторная проверка.
Именно поэтому Anthropic запускает проверку более 5 000 белков в реальной лаборатории
Вместе с Adaptyv Bio компания запустила открытую Protein Design Competition. Участники будут решать пять задач, связанных с реальными биологическими механизмами, а выбранные конструкции затем синтезируют и проверят в автоматизированной лаборатории Adaptyv.
Anthropic и Adaptyv выделяют $1 млн на экспериментальную проверку более 5 000 белковых дизайнов. Дополнительно Anthropic предлагает до $1 млн в Claude-кредитах, Modal — вычислительные кредиты, а Twist Bioscience предоставляет DNA для синтеза. Все результаты протестированных конструкций, включая отрицательные, организаторы обещают опубликовать на Proteinbase.
Пять раундов конкурса запланированы с 28 сентября по 31 октября. Экспериментальная проверка отобранных дизайнов должна завершиться к концу ноября, а публикация результатов запланирована на 15 декабря.
Почему эта работа интереснее обычного «AI написал код»
Оптимизация GPU-ядер — одна из областей программирования, где результат сравнительно легко проверить. Код либо дает тот же научный результат быстрее, либо нет; он либо укладывает более крупную задачу в память, либо не укладывает.
Поэтому такой сценарий дает достаточно чистый пример того, как универсальная AI-модель может ускорять специализированные научные инструменты без необходимости самой быть лучшей биологической моделью.
Особенно показателен масштаб: Anthropic утверждает, что больше 30 моделей были оптимизированы менее чем за четыре недели под надзором всего двух сотрудников, которые имели опыт в биомолекулярном моделировании, но до проекта не специализировались на GPU-kernel engineering.
При этом результаты пока нельзя автоматически переносить на любое оборудование. Опубликованные ускорения зависят от конкретных моделей, режимов и GPU, а отдельные оптимизации используют больше памяти ради скорости. Репозиторий Anthropic также обозначен как reference release: компания не планирует постоянно сопровождать все 36 наборов и принимать изменения как обычный поддерживаемый open-source проект.
Но главный результат от этого не становится менее интересным. На этот раз Claude не просто помог ученому написать анализ или предложил молекулу. Он изменил сам вычислительный слой научного софта — и сделал инструменты, которыми уже пользуется биологическое сообщество, заметно дешевле и доступнее для экспериментов.
