La inteligencia artificial no solo ayuda a los científicos a escribir código: ahora optimiza el software científico en sí mismo. Anthropic anunció que Claude aceleró más de 30 modelos biomoleculares de código abierto en menos de cuatro semanas, logrando que corran en promedio unas 4 veces más rápido con una pérdida mínima de precisión (Anthropic).

Los modelos optimizados cubren tareas que los científicos usan para predecir y diseñar biomoléculas: predicción de estructura, diseño de proteínas, genómica y modelos de lenguaje de proteínas. Claude, trabajando dentro de Claude Science, produjo paquetes optimizados para 36 implementaciones de modelos incluso sin experiencia previa en ingeniería de kernels o optimización de inferencia: la tarea recayó en dos científicos de Anthropic con experiencia en modelado biomolecular, no en optimización.

Además, Claude creó un modo de baja memoria ("Big mode") que permite ejecutar predicciones precisas de sistemas de más de 10,000 tokens —incluyendo aminoácidos, nucleótidos y átomos de moléculas pequeñas e iones— en un solo nodo de GPU NVIDIA. La herramienta también logró inferencias exitosas en sistemas de más de 70,000 tokens, una escala que antes estaba fuera de alcance y que se usó para modelar cápsides virales completas y compartimentos de proteínas con un solo nodo NVIDIA B300 de 8 GPUs.

Anthropic publicó el código resultante y los kits de optimización, por lo que los investigadores pueden usar las mejoras en lugar de tratarlas como una demostración de referencia. El repositorio, con los paquetes ya optimizados, está disponible en GitHub. La compañía también anunció una competencia de diseño de proteínas coauspiciada con Adaptyv Bio, respaldada con hasta un millón de dólares en créditos de Claude y validación en laboratorio húmedo para más de 5,000 diseños.

Lo interesante del trabajo es el flujo: en lugar de que la IA simplemente ayude a los científicos a programar, Claude se usó para mejorar el propio software de investigación, haciendo que los modelos biomoleculares existentes sean más rápidos, más baratos y capaces de manejar problemas más grandes. Según Anthropic, optimizaciones que a un equipo de ingenieros le tomarían semanas por modelo —y que a menudo no son transferibles— se completaron en menos de un mes y en bloque.

Fuente: Aipost (Telegram).

Fuentes: Anthropic (reporte oficial) · GitHub: modelos optimizados · Reporte técnico (PDF) · Unite.AI · Bioanalysis Zone · Digital Watch Observatory · AI Weekly · Aipost (Telegram). Portada: Molecular model of a protein, por CSIRO en Wikimedia Commons (CC BY 3.0).