2026-11-03 · Fuente:[zh] 华尔街见闻全球·中继

El nuevo laboratorio de biología molecular de Anthropic presenta sus primeros resultados: el gran modelo identificó por sí solo, en ADN de fagos, un sistema enzimático nunca registrado, estructuralmente muy similar a CRISPR; los científicos humanos completaron la revisión y la validación experimental.
Anthropic acaba de dar a conocer los primeros resultados de su nuevo laboratorio de biología molecular: el gran modelo Claude descubrió de forma autónoma, en ADN de fagos, un sistema enzimático completamente nuevo que nunca había sido registrado por el ser humano. Según la fuente, este sistema presenta una estructura muy similar a la de CRISPR, conocido como el "bisturí de Dios", y comparte sus características de corte, replicación y pegado de ADN. En otras palabras, la IA no se limitó a buscar y sintetizar información de la literatura existente, sino que planteó, a partir de datos de secuencias brutos, una hipótesis sobre un sistema funcional hasta entonces desconocido: ahí reside el mayor peso de este logro.
La cadena del descubrimiento tiene un contorno cuantitativo claro: Anthropic empleó 950 agentes de IA en ejecución continua durante 21 horas, con un consumo acumulado de unos 210 millones de tokens, completando la identificación del sistema enzimático desconocido de manera autónoma; solo después los científicos humanos tomaron el relevo para revisar los resultados y realizar la validación experimental. La división del trabajo —descubrimiento autónomo por la IA, revisión y confirmación por los humanos— constituye el flujo completo de este "primer resultado". El diseño del propio proceso merece un análisis detenido: no trata al gran modelo como una máquina de respuestas, sino como un motor de generación de hipótesis de alto rendimiento, que cambia escala por amplitud y deja el filtrado final al juicio experto humano.
Desde la perspectiva de la arquitectura técnica, que 950 agentes trabajaran en paralelo durante 21 horas significa que no se trató de una tarea de razonamiento conversacional única, sino de un sistema de trabajo multiagente organizado y con división de funciones. Es razonable suponer que estos agentes asumieron roles distintos: escaneo de secuencias, comparación de patrones, generación de hipótesis y verificación cruzada, mientras que el consumo de 210 millones de tokens indica que el sistema realizó numerosas llamadas repetidas y cambios de contexto en la vastedad de datos del genoma de los fagos. Para los observadores del sector del cómputo, el valor de esta muestra es que aporta un ancla de coste real de un "descubrimiento científico con IA": un solo proyecto, una sola ejecución, con un consumo de tokens en el orden de los cientos de millones.
CRISPR se conoce como el "bisturí de Dios" porque dotó a la humanidad de la capacidad de editar genomas con precisión, impulsando directamente el auge de industrias como la terapia génica y la mejora agrícola. Aunque el nuevo sistema enzimático descubierto por Claude aún debe confirmar sus límites de aplicación en investigaciones posteriores, el hecho de que su estructura sea muy similar a la de CRISPR y que comparta sus rasgos de corte, replicación y pegado de ADN ya es suficiente para mantener en alerta a las ciencias de la vida. Si las validaciones futuras salen bien, este tipo de nuevos sistemas enzimáticos podría convertirse en la base candidata de la próxima generación de herramientas de edición génica, con un potencial de industrialización nada despreciable.
Wall Street CN interpreta este avance como la señal de que el paradigma de investigación en ciencias de la vida ha sido reescrito por completo, y considera que se acerca al sector un hito de aceleración en la IA aplicada a las ciencias farmacéuticas; el reportaje describe además este campo como una vía que se calienta de forma continua y en la que entran múltiples gigantes. En términos de panorama sectorial, el AI for Science está pasando de la fase de prueba de concepto a la de producción real: en los últimos años la competición se centraba en el tamaño de los modelos y las puntuaciones de los benchmarks, mientras que Anthropic presenta ahora un resultado científico real descubierto de forma autónoma por la IA y confirmado experimentalmente. Ese "resultado verificable" es justamente la línea divisoria entre un campo de promesas y otro de concreciones.
Para los compradores empresariales atentos al gasto en cómputo de IA, los 950 agentes, las 21 horas y los unos 210 millones de tokens son la parte más concreta de esta revelación: ponen sobre la mesa el consumo real de un descubrimiento científico autónomo mediante IA y ofrecen una muestra de referencia para evaluar la escala de inversión de cargas de trabajo tipo AI for Science. Tomando este orden de magnitud como referencia aproximada, al planificar sus propias plataformas de investigación con IA las instituciones ya no deben considerar solo el coste de una única inferencia, sino el consumo sostenido de tokens derivado de ejecuciones multiagente prolongadas, la capacidad de llamadas concurrentes y la estabilidad de la infraestructura de orquestación de tareas. En tareas multiagente de larga duración, la tolerancia a fallos y la capacidad de reanudación desde puntos de control suelen determinar el éxito real de un proyecto más que el rendimiento máximo.
Desde la óptica de las adquisiciones, este tipo de cargas de trabajo del AI for Science plantea varias exigencias claras a las soluciones de cómputo. La primera es la alta concurrencia y alta disponibilidad en el lado de la inferencia: 950 agentes en línea simultáneamente durante 21 horas implican que el clúster de inferencia debe mantener un rendimiento estable durante todo el ciclo de ejecución, pues cualquier fallo de un solo punto puede arruinar un proceso de decenas de horas. La segunda es el contexto y el ancho de banda de almacenamiento: detrás de los 210 millones de tokens hay lecturas y escrituras masivas de resultados intermedios y datos de secuencias, y la eficiencia de la E/S de almacenamiento y de los conductos de datos afecta directamente la duración total de la ejecución. La tercera es el control de costes: para instituciones de investigación y empresas biotecnológicas con presupuestos limitados, mezclar recursos de inferencia de distintos niveles de precio, usando opciones de bajo coste en la fase de exploración y migrando a niveles de alto rendimiento en la de validación, es una vía habitual de optimización. Al seleccionar proveedores conviene evaluar con especial atención la estabilidad en tareas de larga duración, la transparencia de la tarificación por tokens y el soporte de programación de tareas por lotes y de monitorización de consumo. Cabe señalar que las capacidades de modelos de vanguardia como los aquí revelados están altamente concentradas en los sistemas propios de los fabricantes líderes, y las configuraciones especializadas asociadas no forman un mercado de circulación pública: el modelo en cuestión no cuenta actualmente con datos de precios de venta publicados, por lo que las empresas que planifiquen cargas de trabajo similares deberán calcular sus presupuestos a partir de los modelos de pago por uso en la nube y de sus propias curvas de consumo real de tokens, en lugar de apoyarse en precios de hardware ya publicados.
Desde una perspectiva más amplia, el impacto de este resultado en la industria farmacéutica podría reflejarse en la compresión de los ciclos de I+D. El descubrimiento tradicional de sistemas enzimáticos depende de cribados de librerías a gran escala y de largos procesos de ensayo y error, mientras que el descubrimiento autónomo impulsado por IA puede reducir drásticamente el abanico de candidatos y concentrar los recursos de experimentación húmeda en las hipótesis más prometedoras. Para las instituciones que poseen enormes volúmenes de datos ómicos sin explotar, la muestra de Anthropic apunta una ruta clara: la combinación de activos de datos con sistemas multiagente puede liberar un valor científico muy superior al esperado. No obstante, conviene mantener la lucidez: un éxito aislado no significa que el paradigma esté plenamente maduro, el papel de revisión y validación experimental de los científicos humanos sigue siendo imprescindible, y los resultados de la IA todavía deben superar un estricto control empírico antes de convertirse en conclusiones científicas utilizables.
P: ¿Cuántos recursos de cómputo consumió Claude para descubrir el nuevo sistema enzimático?
R: Anthropic empleó 950 agentes de IA en ejecución continua durante 21 horas, con un consumo acumulado de unos 210 millones de tokens, completando la IA la identificación autónoma del sistema enzimático desconocido; después, los científicos humanos asumieron la revisión y realizaron la validación experimental.
P: ¿Qué características tiene el nuevo sistema enzimático descubierto?
R: El sistema fue descubierto de forma autónoma en ADN de fagos y nunca había sido registrado por el ser humano; su estructura es muy similar a la de CRISPR, el llamado "bisturí de Dios", y comparte sus características de corte, replicación y pegado de ADN.
P: ¿Cuántos recursos de cómputo consumió Claude para descubrir el nuevo sistema enzimático?
R: Anthropic empleó 950 agentes de IA en ejecución continua durante 21 horas, con un consumo acumulado de unos 210 millones de tokens, completando la IA la identificación autónoma del sistema enzimático desconocido; después, los científicos humanos asumieron la revisión y realizaron la validación experimental.
P: ¿Qué características tiene el nuevo sistema enzimático descubierto?
R: El sistema fue descubierto de forma autónoma en ADN de fagos y nunca había sido registrado por el ser humano; su estructura es muy similar a la de CRISPR, el llamado "bisturí de Dios", y comparte sus características de corte, replicación y pegado de ADN.
Etiquetas: Anthropic · Claude · AI for Science · CRISPR · AI Agents
萬安算交所 AIXX · AIXX · Exchange verificado · Ir al mercado