2026-11-11 · Fuente:36氪快讯·中继

Anthropic formó un equipo de ciencias de la vida y estableció un laboratorio; unos 950 agentes Claude cribaron de forma coordinada más de 200,000 secuencias de transcriptasa inversa y fijaron el sistema ART, antes no descrito, ofreciendo una referencia cuantificable de recursos para el descubrimiento científico impulsado por la IA.
El 23 de septiembre, hora local, Anthropic anunció la formación de un equipo de investigación en ciencias de la vida y el establecimiento de un laboratorio asociado, y publicó a la vez los primeros resultados de la participación de Claude en la investigación biológica. Según los investigadores, tras completar el análisis de más de 200,000 secuencias de transcriptasa inversa (RT), Claude identificó un sistema enzimático antes no descrito, que el equipo de investigación bautizó como «transcriptasa inversa asociada a matriz» (ART). Es la primera vez que Anthropic divulga en comunicado formal los resultados de aterrizaje de sus modelos en el campo de la ciencia experimental, y marca que los escenarios de validación de capacidad de los laboratorios de IA de frontera se extienden de manera sustancial de la generación de código y las tareas de razonamiento a las ciencias de la vida impulsadas por experimentos húmedos.
Por los detalles de ejecución revelados, la criba la completaron de forma coordinada unos 950 agentes Claude, con una duración total de 21 horas y un consumo de unos 210 millones de tokens. Los agentes cribaron primero 3500 sistemas candidatos desde los datos de secuencias y fueron estrechando gradualmente hasta 20, de los que ART salió vencedor. Este flujo de embudo muestra con claridad el modo de operación del modelo de colaboración de agentes: la precriba paralela a gran escala asume la clasificación inicial y la extracción de rasgos de las mareas de secuencias, y luego converge por niveles, concentrando los recursos de verificación experimental humanos en los pocos candidatos más prometedores. Las cifras de escala como el número de agentes y el consumo de tokens ofrecen por fin una muestra real de referencia para que el exterior observe el gasto de recursos de las tareas de criba científica asumidas por la IA —antes este tipo de cifras solía faltar, y compradores e investigadores solo podían estimar a ojo el costo de las cargas científicas agentificadas—.
Por estructura, ART existe sobre todo en los bacteriófagos que infectan bacterias, y está formado por una transcriptasa inversa, genes auxiliares contiguos y un conjunto de secuencias repetidas de ADN de disposición regular, cuyas repeticiones muestran rasgos similares a los de las repeticiones de CRISPR. Los experimentos preliminares muestran que estas repeticiones también se transcriben en varios ARN cortos, aunque su función concreta sigue sin aclarar y aguarda más investigación. El interés que ha despertado radica en que CRISPR fue él mismo descubierto desde el sistema inmunitario bacteriano y acabó convirtiéndose en el caso clásico de herramienta disruptiva de edición genética. Que ART aparezca en los fagos con una configuración de «matriz de repeticiones más transcriptasa inversa» sugiere que en la carrera armamentista entre fagos y bacterias pueden esconderse aún más mecanismos biológicos sin desarrollar; incluso si su función no se confirma a corto plazo, este tipo de sistemas aporta planos moleculares potenciales para nuevas herramientas de edición genética, biosensores de ácidos nucleicos e incluso estrategias antivirales.
El equipo de ciencias de la vida y el laboratorio presentados junto al comunicado indican que Anthropic está sistematizando y organizando los escenarios de validación de capacidad de Claude. En los últimos años, los éxitos de la IA en la predicción de estructuras de proteínas y otros campos demostraron una y otra vez que los modelos pueden encontrar en los datos biológicos de alta dimensión patrones que los expertos humanos difícilmente perciben; y que Anthropic elija construir equipo y laboratorio propios significa que la empresa de modelos ya no se conforma con «proveer herramientas», sino que entra de lleno a verificar «si el modelo puede producir por sí mismo descubrimientos científicos reproducibles». Si esta ruta sigue produciendo resultados con revisión por pares, remodelará la manera de colaborar entre empresas de IA, instituciones de investigación y farmacéuticas, y elevará también la demanda de capacidad de inferencia de alto rendimiento y de oleoductos de datos biológicos profesionales.
Para el comprador de capacidad de IA, el valor de esta noticia no está en la biología molecular en sí, sino en la lección sobre la forma de la carga. Una carga científica de criba que consume 210 millones de tokens por tarea con 950 agentes en paralelo difiere de manera notable de la inferencia clásica de chat y preguntas en estructura de concurrencia, longitud de contexto y duración de invocación: los flujos de trabajo de agentes suelen ser combinaciones de larga duración, múltiples rondas y alto contexto, más sensibles a la estabilidad del caudal del servicio de inferencia, al costo del contexto largo y a los descuentos por procesamiento por lotes. Al planificar el presupuesto futuro de inferencia, el comprador institucional necesita incorporar este tipo de «tareas agentificadas de nivel científico» al perfil de cargas, evaluar el punto de equilibrio de costos entre el cómputo propio y la API en la nube, y reservar elasticidad para el salto de orden de magnitud del consumo de tokens.
Para el decisor de compras hay además varios puntos que merecen incorporarse a la consideración. Primero, el éxito de las cargas científicas de agentes depende en alto grado de la capacidad de razonamiento de cadena larga y de invocación de herramientas del modelo; al seleccionar no hay que mirar solo el precio por token, sino evaluar la tasa de finalización de tareas y el costo de rehacer. Segundo, este tipo de tareas suele ejecutarse por lotes sin conexión, idóneo para aprovechar los recursos de cómputo de los períodos de valle o las interfaces de procesamiento por lotes para diluir los costos. Tercero, el cumplimiento normativo de los datos y la trazabilidad de los registros experimentales son restricciones duras en los escenarios de ciencias de la vida, y el esquema de compra debe reservar la inversión asociada de auditoría y gobernanza de datos.
[Cotización real que debe incorporarse] Este modelo no cuenta actualmente con datos de precios en venta.
En conjunto, el hallazgo de ART sigue en fase temprana y su función aguarda la confirmación experimental; pero, junto con el trío de cifras de 21 horas, 950 agentes y 210 millones de tokens, ofrece un corte concreto y raro de «IA haciendo ciencia». La competencia entre los laboratorios de frontera se extiende del benchmark de modelos a la pugna de fuerza integral de «modelo más equipo científico propio», y cada ejecución exitosa de este tipo de tareas se convierte en un tirón real de la demanda de cómputo de inferencia, más fina y también más a escala.
P: ¿Cuántos recursos consumió el equipo de Claude para cribar el sistema ART?
R: La criba la completaron de forma coordinada unos 950 agentes Claude, con una duración total de 21 horas y un consumo de unos 210 millones de tokens; cribaron 3500 candidatos desde más de 200,000 secuencias de transcriptasa inversa, estrecharon a 20 y fijaron finalmente ART.
P: ¿Qué rasgos estructurales tiene el sistema ART y por qué se compara con CRISPR?
R: ART existe sobre todo en los bacteriófagos que infectan bacterias, formado por una transcriptasa inversa, genes auxiliares contiguos y un conjunto de repeticiones de ADN de disposición regular; sus repeticiones muestran rasgos similares a los de las repeticiones de CRISPR, y los experimentos preliminares muestran que estas repeticiones también se transcriben en varios ARN cortos, aunque su función concreta sigue sin aclarar.
Etiquetas: Anthropic · Claude · AI for Science · CRISPR · Agentic AI
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado