2026-11-11 · Fonte:36氪快讯·中继

A Anthropic montou uma equipe de ciências da vida e instituiu um laboratório; cerca de 950 agentes Claude colaboraram para filtrar mais de 200 mil sequências de transcriptase reversa e travar o sistema ART, antes não descrito, oferecendo referência quantificável de recursos para as descobertas científicas movidas por IA.
Em 23 de setembro, hora local, a Anthropic anunciou a formação de uma equipe de pesquisa em ciências da vida e a instituição de laboratório correlato, divulgando ao mesmo tempo os primeiros resultados da participação do Claude em pesquisa biológica. Segundo os pesquisadores, após concluir a análise de mais de 200 mil sequências de transcriptase reversa (RT), o Claude identificou um sistema enzimático antes não descrito, que a equipe batizou de 'transcriptase reversa associada a arranjo' (ART). É a primeira vez que a Anthropic divulga formalmente, por comunicado oficial, resultados concretizados de seu modelo no campo da ciência experimental — marcando que os cenários de validação de capacidade dos laboratórios de IA de fronteira se estendem, de modo substantivo, da geração de código e das tarefas de inferência às ciências da vida movidas a experimento úmido.
Pelos detalhes de execução divulgados, esse trabalho de filtragem foi completado em colaboração por cerca de 950 agentes Claude, levando 21 horas no total e consumindo cerca de 210 milhões de tokens. Os agentes primeiro filtraram das sequências 3.500 sistemas candidatos, estreitando depois gradualmente para 20, dos quais o ART venceu ao final. Esse fluxo de funil mostra com clareza como opera o modo de colaboração por agentes: a pré-triagem paralela em larga escala assume a classificação inicial e a extração de características das massas de sequências, e depois converge nível a nível, concentrando os recursos humanos de validação experimental nos poucos candidatos mais promissores. Os números de escala — quantidade de agentes e consumo de tokens — fornecem ao mundo externo uma referência concreta para observar o custo de recursos de tarefas de filtragem científica assumidas por IA: no passado, esses números costumavam faltar, e compradores e pesquisadores só podiam estimar de sentimento o custo das cargas de pesquisa agentificadas; agora, finalmente, existe uma amostra real de referência.
Quanto à estrutura, o ART existe sobretudo nos fagos que infectam bactérias, composto por transcriptase reversa, genes auxiliares adjacentes e um conjunto de sequências repetidas de DNA de arranjo regular, cujas repetidas exibem características semelhantes às repetidas do CRISPR. Experimentos preliminares mostram que essas sequências repetidas igualmente serão transcritas em múltiplos RNAs curtos, mas sua função concreta ainda é incerta, aguardando pesquisa adicional. A razão de chamar atenção está em o próprio CRISPR ser o caso clássico descoberto no sistema imunológico bacteriano e desenvolvido até se tornar ferramenta disruptiva de edição genética. O ART aparecer nos fagos na configuração de 'arranjo de sequências repetidas mais transcriptase reversa' sugere que, na corrida armamentista entre fagos e bactérias, podem ainda se esconder mais mecanismos biológicos não desenvolvidos; mesmo que sua função não se confirme no curto prazo, esse tipo de sistema fornece potencial blueprint molecular para novas ferramentas de edição genética, sensoriamento de ácidos nucleicos e até estratégias antivirais.
A equipe de ciências da vida e o laboratório apresentados junto com o comunicado indicam que a Anthropic está sistematizando e organizando os cenários de validação de capacidade do Claude. Nos últimos anos, os sucessos da IA na previsão de estruturas de proteínas e campos similares já provaram repetidamente que os modelos podem achar padrões imperceptíveis aos especialistas humanos em dados biológicos de alta dimensão; e a escolha da Anthropic de montar equipe e laboratório próprios significa que as empresas de modelos não mais se contentam em 'fornecer ferramentas', entrando direto em campo para validar 'se o modelo consegue produzir de forma independente descobertas científicas reproduzíveis'. Se essa rota puder produzir continuamente resultados aprovados por revisão por pares, remodelará o modo de cooperação entre empresas de IA, instituições de pesquisa e farmacêuticas, e também elevará a demanda por capacidade de inferência de alto desempenho e por pipelines profissionais de dados biológicos.
Para os compradores de computação para IA, o valor desta notícia não está na biologia molecular em si, mas na lição da forma da carga. A carga de filtragem científica de uma única tarefa consumindo 210 milhões de tokens com 950 agentes em paralelo difere significativamente da inferência tradicional de perguntas e respostas em estrutura de concorrência, comprimento de contexto e duração de chamada: os fluxos de trabalho agentificados costumam ser combinações de longa duração, múltiplas rodadas e alto contexto, mais sensíveis à estabilidade de throughput do serviço de inferência, ao custo de contexto longo e aos descontos de lote. Ao planejar o orçamento futuro de inferência, o comprador institucional precisa incluir esse tipo de 'tarefa de agentes de nível científico' no retrato das cargas, avaliar o ponto de equilíbrio de custo entre computação própria e API na nuvem, e reservar elasticidade para o salto de ordem de grandeza no consumo de tokens.
Para os decisores de compra, restam pontos a incluir na análise. Primeiro: o sucesso ou fracasso das cargas de pesquisa agentificadas depende intensamente da capacidade do modelo de raciocínio de cadeia longa e de chamada de ferramentas — na seleção, não se deve olhar só o preço por token, mas avaliar taxa de conclusão das tarefas e custo de retrabalho. Segundo: essas tarefas podem normalmente ser executadas offline em lote, adequadas a usar recursos de computação nos vales de horário ou interfaces de processamento em lote para diluir custos. Terceiro: conformidade de dados e rastreabilidade dos registros experimentais são restrições duras nos cenários de ciências da vida, e o plano de compra precisa reservar investimento correlato de auditoria e governança de dados.
[Dados reais de mercado de inclusão obrigatória] Este modelo não possui atualmente dados de ofertas à venda.
No conjunto, a descoberta do ART em si segue em fase inicial, com sua função aguardando confirmação experimental posterior; mas ela, junto com o conjunto de números de 21 horas, 950 agentes e 210 milhões de tokens, fornece a 'IA fazer ciência' um recorte concreto raro. A competição entre laboratórios de fronteira está se estendendo dos benchmarks dos modelos à disputa de força composta de 'modelo mais equipe científica própria', e cada execução bem-sucedida desse tipo de tarefa se converte em puxada real de demanda por computação de inferência mais fina e mais escalada.
P: Quanto de recursos custou à equipe do Claude filtrar o sistema ART?
R: Foi completado em colaboração por cerca de 950 agentes Claude, levando 21 horas no total e consumindo cerca de 210 milhões de tokens; filtrou 3.500 candidatos de mais de 200 mil sequências de transcriptase reversa, estreitou para 20 e travou o ART ao final.
P: Que traços estruturais tem o sistema ART, e por que é comparado ao CRISPR?
R: O ART existe sobretudo nos fagos que infectam bactérias, composto por transcriptase reversa, genes auxiliares adjacentes e um conjunto de sequências repetidas de DNA de arranjo regular; suas repetidas têm características semelhantes às do CRISPR, e experimentos preliminares mostram que igualmente serão transcritas em múltiplos RNAs curtos, embora a função concreta ainda seja incerta.
Tags: Anthropic · Claude · AI for Science · CRISPR · Agentic AI
萬安算交所 AIXX · AIXX · Exchange verificado · Ir ao mercado