北京
Anthropic 用 Claude 干了一件不太像 AI 公司会干的事：给 30 多个开源生物学模型做性能优化，平均推理速度提升约 4 倍。相关代码与报告已经开源。
这件事的特别之处在于，Claude 不是被用来做生物研究，而是被用来改底层代码——写更高效的 GPU kernel，把生物模型跑得更快。
为什么生物模型这么难跑
生物分子模型里有两个吃算力的模块：triangle attention 和 triangle multiplication。它们的计算量随规模呈立方增长，规模一大，推理成本就压不住。
Anthropic 的优化思路并不玄乎：缓存重复计算、删除死分支、降低显存峰值。三件事叠加，把底层计算的效率提了上去。
最终结果是 30 多个开源生物学模型平均提速约 4 倍。这个数字不是单点突破，是批量优化后的均值。
单卡能跑7万token的分子系统
比提速更值得关注的是规模。Anthropic 新开发了一个低内存 Big 模式，突破显存限制，让单个 GPU 节点就能处理超大分子系统。
- 可预测超过 10,000 token 的生物分子系统
- 最高推理规模达 70,000 token
- 硬件门槛从多节点降到单节点
对做生物计算的人来说，这等于把门槛往下砍了一截。过去受限于显存、必须堆硬件的超大分子预测，现在有了单卡跑通的可能。
4周，30多个模型
整个优化过程用了 4 周，覆盖 30 多个模型。这个节奏说明 Claude 在代码层面的能力已经能承接成规模的工程任务，而不只是写几段示例代码。
代码和报告都已开源，意味着这套优化方法可以被其他团队复用。生物计算领域长期受制于算力成本，这类底层提速的价值，往往比模型本身的新进展更直接。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
