Anthropic：Claude將超30個生物模型加速約4倍
anthropic在科學博客中稱，claude在不到四周內優化了30多個開源生物分子模型，平均加速約4倍，部分靠給gpu寫定製軟件，優化代碼全部開源。這些模型用於分子系統結構、類藥分子設計和基因突變效應預測，原先推理貴，限制了實驗室使用。
內部通用研究模型產出36個優化包，覆蓋六個家族：共摺疊與結構預測14個、幻覺3個、結構生成6個、反向摺疊3個、基因組7個、蛋白質語言模型3個。精確模式在h100上讓14個結構預測模型前向平均快1.6倍且輸出相同；快速模式平均4.1倍；大分子模式平均3.4倍。精確模式下基因組和蛋白語言模型加速約1.2至5倍。結構預測快速模式從opendde的2.3倍到chai-1的6.4倍。
共同瓶頸上，claude寫出flashpairformer第一版定製核。三角形注意力在配對寬度128時比alphafold3、boltz-2常用核快2.7倍，寬度256時比protenix v2快2.9倍；三角形乘法分別快1.7倍和3.2倍。另有中間結果緩存、恆定分支摺疊、cuda圖捕獲和核融合。低內存模式讓超過1萬個token的生物分子系統（氨基酸、核苷酸、小分子與離子原子）能在單塊英偉達gpu節點上做準確預測。
監督者是anthropic兩名懂生物分子建模、此前沒有推理優化和核工程經驗的技術人員。公司稱這類優化通常要資深團隊按模型花數週，且很難在模型間遷移。此前mythos 5.1已把7個開源生物學模型最多加快2.5倍。同期與adaptyv bio合辦蛋白質設計賽，最高提供100萬美元claude積分，並給逾5000個設計做溼實驗驗證。
這是把通用模型當成編譯器後端：不另訓結構網絡，而是改開源棧的推理圖和核。claude science已把evo 2、boltz-2、openfold3等接到工作流裏。開源優化包降低的是單次摺疊和設計的機時，不是發現新摺疊原理。
市場機制是把稀缺gpu小時攤薄。買方是被推理賬單卡住的結構生物學和藥物設計實驗室；賣方是按模型各寫一套核、交付週期以周計的高性能計算小組。受益方是能在單節點跑更大體系的開源工作流和賣h100機時的雲；承壓方是靠慢推理形成使用門檻的商業結構預測服務。資金從“再買一批卡硬跑”轉向“同一張卡多跑幾倍序列”。
來源：公開信息
ABAB AI 解讀
alphafold證明結構可預測之後，瓶頸從算法變成每多一個原子就多一截顯存和牆鍾時間。anthropic讓通用模型在四周內改三十多個倉庫，等於宣佈：核工程也可以被代理化。兩個沒有寫過cuda核的生物員工能盯完這件事，說明遷移成本從“僱一個gpu團隊”變成“給模型倉庫權限和一塊h100”。開源全部優化代碼，是把加速本身做成獲客，而不是把核當私有資產。
資本路徑是科學工作臺抽成。claude science賣的是編排加計算調度；模型越快，同一筆積分能跑完的設計就越多，溼實驗競賽再把積分兌換成真實結合數據。nvidia的bionemo已經把加速庫接到同一工作流。錢從藥企的內部高性能計算編制，流向按任務調用的模型和雲配額。誰控制優化後的開源棧，誰就控制實驗室默認點哪條命令。
類比要落到llvm和pytorch編譯器。編譯器喫掉手寫彙編；現在語言模型喫掉按模型手寫的注意力核。deepmind開源alphafold權重改變了發現權，anthropic開源推理核改變了單位成本。行業位置從“有沒有結構模型”進入“同一張卡能摺疊多大體系”，階段是工具鏈商品化。
結構判斷屬於技術替代。被替代的是按模型配備的推理工程師編制。機制是結構預測網絡共享三角形注意力這類可抽象瓶頸，一旦通用模型能寫可複用核，邊際模型的優化成本趨近於再跑一輪代理。科學發現的速率開始跟機時單價而不是跟會寫cuda的人數掛鉤。
ABAB News · 認知定律
科學模型的下一次加速，可能來自不會寫核的人盯着的代理
開源的是權重之後，開源的就是推理核
同一張卡能跑更大的分子，比再發一篇結構論文更改變實驗室節奏