Вычислительная биология долгое время страдала от постоянного инфраструктурного налога. Исследователи полагаются на модели глубокого обучения для прогнозирования свертывания белков и молекулярных взаимодействий, однако масштабирование таких конвейеров традиционно требовало утомительной низкоуровневой оптимизации GPU-ядер силами дефицитных инженерных кадров. Недавний шаг Anthropic намекает на то, что это узкое место наконец поддается решению.
Автоматизированная оптимизация ядер
В ходе ранних методологических тестов компания Anthropic позволила Claude потратить до $10 000 на каждую цель на инфраструктурной платформе Modal, что примерно эквивалентно 2500 часам работы GPU NVIDIA H100. Опираясь на эти первоначальные запуски, команда расширила подход, охватив более 30 открытых биомолекулярных моделей одновременно.
"Claude оптимизировал более 30 этих моделей чуть менее чем за четыре недели, ускорив их примерно в 4 раза в среднем."
Такой алгоритмический рефакторинг грубой силой позволил обойти ручное узкое место. Вместо того чтобы ждать месяцами, пока системные инженеры вручную настраивают отдельные конвейеры, Anthropic задействовала Claude для переписывания открытых биомолекулярных кодовых баз, добившись четырехкратного роста производительности менее чем за месяц.
Пользовательские ядра и крупные биомолекулы
Помимо чистой скорости выполнения, оптимизированный код представляет режим с низким потреблением памяти, разработанный для работы с массивными структурными нагрузками. Теперь исследователи могут оценивать системы, превышающие 10 000 токенов — включая сложные цепочки аминокислот, нуклеотиды и атомные координаты — на едином узле GPU NVIDIA без возникновения сбоев из-за исчерпания памяти.
Anthropic открывает исходный код всего репозитория оптимизированных разработок, чтобы научное сообщество могло изучить результаты. Чтобы проверить эти оптимизации на практике, компания также запускает конкурс по дизайну белков, организованный совместно с Adaptyv Bio, с призовым фондом до $1 миллиона в кредитах Claude и реальной лабораторной валидацией для победных последовательностей.
Автоматизация разработки низкоуровневых GPU-ядер напрямую сокращает бюджет на вычислительные мощности, необходимый для оценки сложных биологических архитектур. И хотя эти ускорения выглядят впечатляюще на бумаге, их истинная ценность в конечном итоге будет определяться в лаборатории, где компьютерные прогнозы должны выдержать проверку физической биологией.