← Capa | Mercado

950 agentes durante 21 horas: Claude descobre de forma autônoma um novo sistema enzimático; a conta de computação do AI for Science chega à mesa

2026-11-03 · Fonte:[zh] 华尔街见闻全球·中继

950 agentes durante 21 horas: Claude descobre de forma autônoma um novo sistema enzimático; a conta de computação do AI for Science chega à mesa

O novo laboratório de biologia molecular da Anthropic apresenta seu primeiro resultado: o modelo identificou sozinho, em DNA de fago, um novo sistema enzimático nunca registrado, com estrutura muito semelhante ao CRISPR; cientistas humanos assumiram depois a revisão e a validação experimental.

A Anthropic acaba de anunciar o primeiro resultado do seu recém-criado laboratório de biologia molecular: o modelo Claude descobriu de forma autônoma, no DNA de bacteriófagos, um sistema enzimático completamente novo, jamais registrado pela humanidade. Segundo a descrição da fonte, a estrutura desse sistema é altamente semelhante à do CRISPR, conhecido como a "tesoura de Deus", apresentando igualmente as características de corte, cópia e colagem de DNA. Em outras palavras, o AI não se limitou a fazer buscas e sínteses na literatura existente: partiu dos dados brutos de sequências para propor uma hipótese sobre um sistema funcional até então desconhecido — e é justamente aí que reside o maior peso deste resultado.

A cadeia de descoberta tem um contorno quantitativo claro: a Anthropic empregou 950 agentes de AI, em operação contínua por 21 horas, consumindo cerca de 210 milhões de tokens, para que o AI identificasse de forma autônoma o sistema enzimático desconhecido; somente depois cientistas humanos assumiram, revisando os resultados e conduzindo a validação experimental. A divisão de trabalho — descoberta autônoma pelo AI, revisão e confirmação por humanos — compõe o fluxo completo deste "primeiro resultado". O próprio desenho desse fluxo merece leitura atenta: não se trata de usar o modelo como uma máquina de respostas, mas como um motor de alto rendimento para geração de hipóteses, trocando escala por amplitude e reservando ao julgamento especializado humano o filtro final.

Sob a ótica da arquitetura técnica, 950 agentes trabalhando em paralelo durante 21 horas significam que não se trata de uma tarefa de raciocínio em conversa única, mas de um sistema de trabalho multiagente organizado e com divisão de funções. É razoável supor que esses agentes desempenharam papéis distintos — varredura de sequências, comparação de padrões, geração de hipóteses e verificação cruzada —, enquanto o consumo de 210 milhões de tokens indica que o sistema realizou inúmeras chamadas repetidas e trocas de contexto na vastidão dos dados do genoma dos fagos. Para os observadores do setor de computação, o valor deste exemplo está em oferecer uma âncora real de custo de uma "descoberta científica com AI": um único projeto, uma única execução, com consumo de tokens já na casa das centenas de milhões.

O CRISPR é chamado de "tesoura de Deus" porque conferiu aos humanos a capacidade de editar genomas com precisão, impulsionando diretamente a explosão de várias indústrias, da terapia gênica ao melhoramento agrícola. Embora o novo sistema enzimático descoberto pelo Claude ainda aguarde estudos posteriores para confirmar seus limites de aplicação, o fato de sua estrutura ser altamente semelhante à do CRISPR e apresentar as mesmas características de corte, cópia e colagem de DNA já basta para manter as ciências da vida em alta atenção. Se as validações subsequentes correrem bem, esses novos sistemas enzimáticos podem se tornar a base candidata de uma próxima geração de ferramentas de edição genética — um espaço de industrialização que não deve ser subestimado.

O Wall Street CN interpreta esse avanço como um sinal de que o paradigma de pesquisa nas ciências da vida está sendo completamente reescrito, e acredita que o marco de aceleração do AI4S farmacêutico se aproxima do setor; a reportagem descreve ainda essa trilha como uma direção que segue esquentando, com diversos gigantes entrando em cena. No quadro do setor, o AI for Science está saindo da fase de prova de conceito para a fase de produção real: nos últimos anos, competiam-se escalas de modelo e pontuações em benchmarks, enquanto a Anthropic agora apresenta um resultado científico real, descoberto autonomamente pelo AI e confirmado por experimentos — esse "produto verificável" é justamente a linha divisória entre narrativa e realização.

Para os compradores corporativos atentos aos custos de computação de AI, 950 agentes, 21 horas e cerca de 210 milhões de tokens são a parte mais concreta desta divulgação: põe na mesa o consumo real de uma descoberta científica autônoma por AI e oferece um exemplo de referência para dimensionar investimentos em cargas de trabalho do tipo AI for Science. Usando essa ordem de grandeza como referência grosseira, ao planejar plataformas próprias de pesquisa com AI, as instituições precisam considerar não apenas o custo de uma única inferência, mas o consumo contínuo de tokens gerado por operações multiagente de longa duração, a capacidade de chamadas concorrentes e a estabilidade da infraestrutura de orquestração de tarefas. Em tarefas multiagente de longo prazo, a tolerância a falhas e a capacidade de retomada de execução costumam determinar o sucesso real do projeto mais do que o desempenho de pico.

Sob a perspectiva de aquisição, esse tipo de carga de trabalho do AI for Science impõe exigências claras às soluções de computação. A primeira é alta concorrência e alta disponibilidade na inferência: 950 agentes simultâneos por 21 horas significam que o cluster de inferência precisa manter um rendimento estável durante todo o ciclo de execução — qualquer falha pontual pode desperdiçar dezenas de horas de processo. A segunda é largura de banda de contexto e armazenamento: por trás dos 210 milhões de tokens há leitura e escrita de enormes volumes de resultados intermediários e dados de sequências, e a eficiência do I/O de armazenamento e dos pipelines de dados impacta diretamente o tempo total de execução. A terceira é a controlabilidade de custos: para instituições de pesquisa e empresas de biomedicina com orçamento limitado, usar recursos de inferência de faixas de preço diferentes — adotando camadas de baixo custo na fase exploratória e migrando para camadas de alto desempenho na fase de validação — é um caminho comum de otimização. Na escolha de fornecedores, os compradores devem examinar com atenção a estabilidade em tarefas de longa duração, a transparência da cobrança por tokens e o suporte a agendamento de tarefas em lote e monitoramento de consumo. Vale notar que capacidades de modelos de ponta como as divulgadas nesta ocasião estão altamente concentradas nos ecossistemas próprios dos grandes fornecedores, sem formação de cotação de mercado para configurações especializadas afins — o modelo em questão não possui dados de preço à venda disponíveis publicamente, de modo que, ao planejar cargas de trabalho semelhantes, as empresas precisam calcular orçamentos com base em modelos de cobrança por uso na nuvem e em suas próprias curvas reais de consumo de tokens, e não em preços de tabela de hardware prontos.

Numa vista mais ampla, o impacto deste resultado na indústria farmacêutica pode se refletir na compressão dos ciclos de P&D. A descoberta tradicional de sistemas enzimáticos depende de triagem em larga escala de bibliotecas e de longa tentativa e erro, enquanto a descoberta autônoma guiada por AI pode estreitar drasticamente o leque de candidatos, concentrando os recursos de experimentos úmidos nas hipóteses mais promissoras. Para instituições que detêm vastos dados ômicos ainda inexplorados, o exemplo da Anthropic aponta um caminho claro: combinar ativos de dados com sistemas multiagente pode liberar valor científico muito além do esperado. Cabe, porém, manter a lucidez: um sucesso isolado não significa que o paradigma esteja plenamente maduro, e a revisão por cientistas humanos e a validação experimental seguem indispensáveis — os produtos do AI ainda precisam passar por um rigoroso crivo empírico antes de se converterem em conclusões científicas utilizáveis.

P: Quantos recursos de computação o Claude consumiu nesta descoberta do novo sistema enzimático?

R: A Anthropic empregou 950 agentes de AI, em operação contínua por 21 horas, com consumo acumulado de cerca de 210 milhões de tokens, para que o AI identificasse de forma autônoma o sistema enzimático desconhecido; depois, cientistas humanos assumiram a revisão e conduziram a validação experimental.

P: Quais são as características do novo sistema enzimático descoberto?

R: O sistema foi descoberto de forma autônoma no DNA de bacteriófagos, sem qualquer registro anterior pela humanidade; sua estrutura é altamente semelhante à do CRISPR, a "tesoura de Deus", apresentando igualmente as características de corte, cópia e colagem de DNA.

P: Quantos recursos de computação o Claude consumiu nesta descoberta do novo sistema enzimático?

R: A Anthropic empregou 950 agentes de AI, em operação contínua por 21 horas, com consumo acumulado de cerca de 210 milhões de tokens, para que o AI identificasse de forma autônoma o sistema enzimático desconhecido; depois, cientistas humanos assumiram a revisão e conduziram a validação experimental.

P: Quais são as características do novo sistema enzimático descoberto?

R: O sistema foi descoberto de forma autônoma no DNA de bacteriófagos, sem qualquer registro anterior pela humanidade; sua estrutura é altamente semelhante à do CRISPR, a "tesoura de Deus", apresentando igualmente as características de corte, cópia e colagem de DNA.

Tags: Anthropic · Claude · AI for Science · CRISPR · AI Agents


Leituras relacionadas


萬安算交所 AIXX · AIXX · Exchange verificado · Ir ao mercado