Anthropic：Claude 優化逾三十生物分子模型平均加速四倍，開源程式並聯辦蛋白質設計競賽

重點摘要

Anthropic 於九月十七日發表科學研究文章，說明 Claude 在約四星期內優化逾三十個開源生物分子模型，平均推理加速約四倍，並推出可在單一 NVIDIA GPU 節點處理逾一萬 token 生物系統的低記憶體模式；優化程式碼全部開源，並與 Adaptyv Bio 聯辦蛋白質設計競賽，提供最高一百萬美元 Claude 點數與逾五千項設計的濕實驗驗證。本文已核對 Anthropic 官方研究頁、技術報告與 GitHub 倉庫。

Anthropic 在九月十七日於官方 Science Blog 發布〈How Claude is uplifting biomolecular modeling〉，交代其內部通用研究模型如何協助加速生物資訊學常用的開源深度學習模型。來源真實性已驗證：敘述與數字對照自 Anthropic 官網研究頁、技術報告 PDF，以及 GitHub 倉庫 anthropics/uplifting-biomolecular-modeling；發現渠道為 Anthropic 官方帳號同日串文。本文整理事件重點、技術機制、應用場景與評價，並從香港生命科學與企業私有 AI 部署角度補充觀察。

一、核心事件：四星期優化逾三十模型，並開跑蛋白質設計競賽

技術細節

據 Anthropic 官方說明，生物學家常用開源模型做分子結構預測、類藥分子設計與基因突變效應估計，但推論成本高，限制了普及。Claude 在約四星期內，針對結構預測、蛋白質設計、蛋白質語言模型與基因組學等領域，優化逾三十個開源深度學習模型：在精度損失極小的前提下，平均加速約四倍；若要求輸出完全一致，平均仍可達約二倍加速。團隊並開發低記憶體「Big」模式，使模型可在單一 NVIDIA GPU 節點上，準確預測逾一萬 token（氨基酸、核苷酸與小分子／離子原子）規模的生物分子系統，並成功對逾七萬 token 的系統完成推論（後者屬能力邊界示範，預測結構未必正確）。

Anthropic 同步開源全部優化程式碼，並公布技術報告。為展示實際效益，公司與 Adaptyv Bio 合辦蛋白質設計競賽：共同選定五項接近當前能力邊界的難題，預計實驗驗證逾五千份設計；Anthropic 提供最高一百萬美元 Claude 點數與實驗經費，Modal 提供最高二十五萬美元算力點數，Twist Bioscience 提供 DNA。官方亦提及生命科學核證計劃（LSVP）已進入公開 beta，惟該計劃屬另一獨立產品線，本文焦點仍放在推論優化與開源成果。

二、技術原理深度解析

結構預測模型（如 AlphaFold3、OpenFold3、Boltz-2 一類）大量時間與記憶體耗在 triangle attention 與 triangle multiplication：這兩類運算針對 token 三元組建模幾何關係，時間與記憶體複雜度呈立方增長，系統尺寸加倍，資源約增八倍。業界慣例是撰寫 GPU kernel；NVIDIA 亦有 cuEquivariance、BioNeMo Inference Runtime 等方案。

Anthropic 與 Claude 合作開發 FlashPairformer：一組針對 Pairformer 架構中 triangle 運算的自訂 kernel。官方數據顯示，相對業界基準，triangle attention 平均加速約 2.7–2.9 倍，triangle multiplication 約 1.7–3.2 倍（視配置而定）。除此可遷移的 kernel 外，Claude 亦針對個別模型做更細緻優化，例如快取重複計算、簡化死分支為常數輸出。結構預測模型整體平均約四倍加速，且官方稱在下游任務（如結構預測）上表現未受影響；介面可接受性以 DockQ 大於 0.23 為準時，快速模式與預設設定在統計上難以區分。

記憶體方面，「Big」模式讓開源結構預測模型可在單節點準確摺疊粒線體複合體 I、TRiC 伴侶蛋白、蛋白酶體與細菌核糖體等大型分子機器；官方指複合體 I 與 70S 核糖體各自超過一萬 token，對比 AlphaFold3 曾準確預測的 40S 核糖體約 7,663 token。能力測試更以單一 8-GPU B300 節點嘗試三萬至七萬 token 級病毒殼體，證明推論門檻下降，惟結構尚未正確，顯示泛化仍有極限。

在 de novo 蛋白質結合劑設計方面，先前 Mythos 5.1 實驗允許子代理，單目標最多約一萬美元 Modal 算力（約 2,500 顆 H100 小時）。今次改為單一 Claude 模型、一台 H200、二十四小時牆鐘時間、約一千一百字提示，無子代理、無人為操控設計；配合加速後的生物分子模型，在十六個目標上以 ipSAE（與濕實驗結合傾向相關的 in silico 分數）衡量，中位與最高分數約可達到先前大規模戰役水準，GPU 小時數約少兩個數量級；官方估計約一百五十美元 GPU 加 token 合計支出即可逼近舊戰役 in silico 表現。

四、日常應用場景

1. 開發者與技術團隊

開源優化碼與 FlashPairformer 類 kernel，讓生物資訊與計算化學團隊可直接把既有結構預測／設計流水線換成更快的推論路徑，縮短迭代週期。對維護多模型管線的工程組而言，「模型無關的推論優化」本身亦是可遷移技能：快取、死碼消除與硬體特定 kernel 可複用到其他科學工作負載。

2. 企業與隱私敏感行業

藥企、醫療器械與合約研究組織（CRO）往往不能把專有序列與臨床相關資料送出境外。較快、較省記憶體的開源模型，有利在內網 GPU 節點完成結構篩選與候選分子設計，降低對雲端大批量租用的依賴。結合權限控管與審計日誌，較易對齊內部合規要求。

3. 一般用戶

一般公眾不會直接跑 AlphaFold 類模型，但競賽與開源結果會間接影響藥物發現節奏與科研工具成本。Adaptyv 競賽把「AI 設計 → 濕實驗驗證」公開化，有助外界觀察 frontier 模型在真實生物任務上的可複現程度，而不只看演示影片。

4. 香港與亞洲市場視角

香港定位為國際創科與生命健康樞紐，科學園、港深合作區與大學實驗室對結構生物學與 AI 藥物發現需求上升。單一 GPU 節點即可嘗試更大分子系統，對中小型實驗室與初創較務實。若團隊同時需要把領域資料留在本地、並以 OpenAI 相容 API 對外提供私有模型服務，可參考 YSK Limited 的企業私有 LLM 全託管方案（年費 HK$88,000 起，Dataset → QLoRA／LoRA → 私有 API，數據不出境）：https://ysk.hk/services/ai-automation 。

五、專業評價與潛在考量

優勢

官方數字清楚：模型數量、加速倍數、記憶體門檻、競賽資源與開源倉庫一次交代，便於第三方覆核。
把「AI 寫 kernel／優化推論」從單次 demo 推到三十多個真實開源模型，並用下游任務指標驗證精度，說服力高於純吞吐量宣傳。
蛋白質設計成本下降約兩個數量級（以 in silico 可比表現計），有助縮小頂尖實驗室與一般研究組之間的算力鴻溝。
與 Adaptyv、Modal、Twist 組成「算力—設計—DNA—濕實驗」閉環，利於檢驗真實世界效用。

需要留意的地方

加速倍數為平均或相對基準結果，個別模型與硬體組合可能差異大；部署前仍應在自有資料集重測。
「Big」模式在超大系統（三萬 token 以上）僅證明可跑推論，並不保證結構正確；不可把能力邊界示範誤讀為已解決巨型複合體預測。
de novo 結合劑結果以 in silico 分數為主，濕實驗驗證仍取決於競賽與後續發表。
生命科學用途涉及雙重用途與生物安全；Anthropic 另以 LSVP 等機制控管高能力模型存取，企業導入時應同步檢視授權與合規條款。

結語

Anthropic 此次公布的重點，不只是又一次「AI 會做科學」的敘事，而是把 frontier 模型用在科學軟體棧最痛的一環——推論成本與記憶體上限——並以開源與公開競賽把成果交回社群。對香港從事計算生物學、藥物研發與醫療 AI 的團隊而言，可先評估官方優化碼能否嵌入現有管線；若同時需要把專有數據與領域模型留在本地運行，亦可參考 YSK Limited 企業私有 LLM 全託管（https://ysk.hk/services/ai-automation），以可控成本建立 Dataset 到私有 API 的閉環。

參考來源

Anthropic 官方研究：How Claude is uplifting biomolecular modeling（2026-09-17）https://www.anthropic.com/research/claude-uplifts-biomolecular-modeling
Anthropic 技術報告 PDF https://www-cdn.anthropic.com/d8ca26d0d205708d26c7337cf4cfe7cb52e9b671.pdf
GitHub：anthropics/uplifting-biomolecular-modeling https://github.com/anthropics/uplifting-biomolecular-modeling
Adaptyv Bio 競賽頁 https://proteinbase.com/competitions/anthropic-adaptyv-2026
X 發現（Anthropic 官方串文，非唯一依據）https://x.com/AnthropicAI/status/2100701581109072332