Claude 用四周优化三十多个生物模型，平均提速四倍
四周改写三十多个模型
9 月 17 日，Anthropic 公布了一项不太一样的 AI 生物计算成果。过去大家更熟悉的是 AI 生成新蛋白质、预测结构或筛选药物分子，但这次 Claude 干的是“幕后活”——直接优化科学家日常使用的开源生物模型。
在不到四周的时间里，Claude 自动重写了 30 多个开源模型的代码，涵盖蛋白质结构预测、蛋白质设计、基因组学和蛋白质语言模型等多个方向。这些优化不是微调参数，而是对底层计算逻辑的重构。结果是：模型平均推理速度提升约 4 倍；即使强制要求输出完全一致，也能实现约 1.6 倍加速，同时显著降低内存消耗。
这类改进看起来不如“发现新药”那么抓眼球，但对实际科研至关重要。很多前沿生物计算任务因为模型太慢或吃内存太多，根本跑不动。现在，同样的硬件能处理更大、更复杂的系统，门槛实实在在地降了下来。
重写 Pairformer 的核心瓶颈
现代蛋白质结构预测模型，比如 AlphaFold 3、OpenFold 3 和 Boltz-2，都依赖一种叫 Pairformer 的架构。它通过建模原子、氨基酸和核苷酸之间的几何关系来预测三维结构。其中两个操作特别吃资源：triangle attention 和 triangle multiplication。
问题出在它们的计算复杂度上。这两个操作要处理三个 token（比如三个氨基酸）之间的相互作用。当输入序列长度翻倍，计算量和内存需求会膨胀到原来的 8 倍；长度变成三倍，就飙升到 27 倍。对于包含上千个残基的大型蛋白质复合物来说，这很快就会超出单张 GPU 的能力。
Anthropic 让 Claude 编写了一套专门的 GPU kernel，命名为 FlashPairformer，用来高效执行这两个操作。测试显示，相比当前领域内的标准实现，triangle attention 能获得 2.7 到 2.9 倍的加速，triangle multiplication 则能达到 1.7 到 3.2 倍，具体效果取决于模型的具体配置。
在此基础上，Claude 还做了更多针对性优化。比如识别并缓存重复计算的结果，或者直接删掉那些在特定任务中永远不会被触发的计算分支。这些改动组合起来，最终让十多个主流结构预测模型平均提速约 4 倍。研究团队确认，这些加速版本在下游任务中的预测精度完全没有损失。
推理超大生物系统
有了更快的模型，下一步就是挑战规模极限。
Claude 创建了一个低内存的“大”推理模式，能够精确建模超过 10,000 个 token 的生物系统。更惊人的是，它仅用一个 NVIDIA GPU 节点，就成功完成了对超过 70,000 个 token 系统的推理。
据 Anthropic 团队所知，这是目前通过结构预测模型精确折叠的最大结构之一。作为对比，即使是 AlphaFold 3，在预测 40S 核糖体时，准确建模的残基数也只有 7,663 个。
为了测试 Claude 的极限，团队让它预测比以往任何公开案例都要大的结构。在一个配备 8 块 GPU 的 B300 节点上，Claude 生成了整个病毒衣壳和大型蛋白质区间的预测，token 数从 31,000 到 70,000 不等。虽然预测结果并非完全准确，但关键在于：以前需要大规模集群才能尝试的任务，现在用一张高端消费级 GPU 就能跑起来。
低成本设计蛋白质结合剂
除了加速已有模型，Anthropic 还用这套优化后的工具做蛋白质设计。
在早期的蛋白质设计项目中，他们会给 Claude 一个长达 1.6 万字的详细提示，调用多个智能体协作，并为每个靶点投入最高 1 万美元的 Modal 云算力——相当于约 2,500 个 NVIDIA H100 GPU 小时。
这一次，条件被大幅压缩：每个 Claude 模型只分配一块 NVIDIA H200 GPU、24 小时运行时间，提示词缩短到约 1,100 字。没有辅助智能体，也没有人工中途干预。三个独立的 Claude 模型被要求针对 16 个不同的靶点设计全新的蛋白质结合剂，并用 ipSAE 这一计算指标评估其潜在结合能力。
结果令人意外：在 16 个靶点上，新设计的计算表现与之前那轮高成本实验相当。但 GPU 使用时间减少了约两个数量级。如果把 GPU 成本和模型调用的 token 成本都算上，Anthropic 估算，现在只需大约 150 美元，就能达到过去数万美元才能实现的计算性能。
把工具交给社区
这项工作的最后一步，也是最关键的一步：开源。
Anthropic 表示，这些被优化的生物模型本来就是分子生物学界广泛使用的工具，用于药物发现和基础研究。因此，他们决定公开全部优化代码和技术报告，让全球的研究团队都能直接用上这些改进，不用自己从头折腾。
与此同时，Anthropic 还与合成生物学公司 Adaptyv Bio 联合发起了一场蛋白质设计竞赛。通过这个生命科学验证项目，他们希望为一线生物学家提供前沿的 AI 能力，真正推动生物学问题的解决。
Claude 这次的角色不再是“答案生成器”，而是一个“工具增强器”。Anthropic 团队选择把优化后的基础设施交到研究者手中，让他们去探索更多可能性——这才是 AI 赋能科研更可持续的方式。