FRONTIER · 工程实践

两个不会写 kernel 的生物学家盯着 Claude 干了四周：30 多个开源生物模型平均快 4 倍，一万美元一个靶点的设计跑成了一百五

Accelerating open-source biomolecular models with Claude / How Claude is uplifting biomolecular modeling

Claude Science、Richard Shuai、Amir Shanehsazzadeh 等 7 人 Anthropic 把前沿模型用于科学任务的项目组，合作者来自 Biohub 与哥伦比亚大学 · 上一篇工作让 Claude 全自动设计 de novo 蛋白结合子，这次把同一件事的算力成本砍掉两个数量级 · 36 个优化包的代码当天全部开源，并与 Adaptyv Bio 联合出资，为社区提交的 5,000 多个设计做湿实验验证

2026 年 9 月

为什么选它AI 加速科研的报道，多数停在「它解出了一道题」。这篇不一样：Claude 优化的是分子生物学家每天在用的 36 个开源工具包，代码已开源，今天就能装。更难得的是失败写得比成功细——体系推到训练规模几十倍时，七次预测全塌。

9 月 17 日 Anthropic 放出一份工程报告，讲的不是模型多聪明，而是一件很具体的脏活：让分子生物学家每天在用的那些开源深度学习模型跑得更快。Claude 在四周内优化了 30 多个模型、36 个实现，覆盖结构预测、蛋白设计、基因组学和蛋白语言模型，平均加速约 4 倍，代码全部开源。这篇值得读，不在「4 倍」这个数字——推理加速年年有人做——而在监督这件事的只有两个人，他们懂生物分子建模，完全没做过推理优化和 kernel 工程。这门手艺原本的门槛，才是这份报告真正动到的东西。

先给结论：这份报告最硬的部分不是加速比，是它怎么定基线，以及它主动交代的失败。对照组不是「作者发布的默认脚本」，而是「一个懂行的人在同一张卡上能跑出的最快正确配置」；失败则写得比成功还细——把体系推到训练规模的几十倍，七次预测全塌。这两件事合起来，前面那些数字才站得住。

三角注意力：这一代结构模型的账都记在这一笔上

AlphaFold3、OpenFold3、Boltz-2 这一代结构预测模型，运行时间和显存的大头都压在两个操作上：triangle attention 和 triangle multiplication。它们干的事是用「第三个 token」去更新每一对 token 的表示——token i 和 j 的关系，要参考它俩分别与所有 k 的关系。模型靠这个才能推理三维几何，代价是开销对 token 数是三次方的：体系大一倍，时间和显存各涨八倍。

正因为太贵，NVIDIA 专门为这两个操作写过两代 kernel（kernel 指直接调度 GPU 的底层程序，把大量小算子融合、排布成少数几个高效的），先是 cuEquivariance，后是 BioNeMo Inference Runtime。Claude 写的 FlashPairformer v1 是在这个已经被专门优化过的基准之上再快一截：在 AlphaFold3 和 Boltz-2 用的 pair width 128 上，triangle attention 快 2.7 倍、triangle multiplication 快 1.7 倍；在 Protenix v2 用的 width 256 上是 2.9 倍和 3.2 倍。这些是 256 到 2,048 token 七个尺寸上的几何平均，且每个尺寸都更快。

三档模式，和一条我建议抄走的基线做法

每个优化包最多提供三档。Exact 只改「怎么算」，输出与原版逐位相同；Fast 允许降精度或换用舍入方式不同的融合 kernel，结果可能有微小变化；Big 则牺牲一点速度换显存，把最大的中间张量分块处理，或者把 pair 表示按行切到一台机器的八张卡上。14 个结构预测模型平均下来，Exact 快 1.6 倍，Fast 快 4.1 倍，Big 快 3.4 倍。蛋白设计模型（幻觉法、扩散与流匹配、反向折叠三类架构）、基因组学模型和蛋白语言模型也都有加速，Exact 档大致在 1.2 到 5 倍之间。

真正值得抄走的是基线怎么定。他们把对照组叫 default，指「不改模型，但由一个懂行的用户在同一张卡上用最快的正确方式跑」——打开模型自带的可选融合 kernel、把批大小调到吃满卡、必要时让几个进程共享一张卡；作者原样发布的那一版另外叫 base，两者不同的地方在附录里逐条说明。加速比这种数字，分母怎么定几乎可以单独决定结论，而市面上绝大多数「快 N 倍」从不交代这一点。

精度检查同样克制。在他们自建的 FoldBench-Lite 上，13 个配置、1,925 个模型–靶点对里，界面预测「合格」的比例是 default 54.8%、Exact 55.0%、Fast 54.5%、Big 54.2%，三个差值的 95% 置信区间都没能排除零。但报告没停在这句漂亮话上，紧接着写了：41 个逐模型比较里有六个区间的端点正好压在零上，其中包括最大的几个下降（2.2 到 3.5 个百分点），所以小幅损失并不能排除。愿意把这半句写出来的论文不多。

Big 模式：能算出来，不等于学得会

省显存这一档的成果最直观。在单个 8 卡节点上，模型准确折出了人线粒体复合物 I、TRiC 伴侣蛋白复合体、蛋白酶体和大肠杆菌 70S 核糖体，TM-score 在 0.92 到 0.997 之间，其中六个体系超过一万 token。作个参照：AlphaFold3 论文里拿出来展示的最大体系是 7,663 个残基的人 40S 核糖体亚基，而 AlphaFold3 训练时的裁剪最大只有 768 token——这些被准确预测的体系是它的十三倍以上。

然后他们故意往悬崖上推：完整的病毒衣壳和蛋白质外壳，3.1 万到 7 万残基，跑在一个 8 卡 B300 节点上。七次全部跑完了，七次全部错。预测塌成一个互相穿插的紧密球，直径约为真实结构的四分之一，打过分的三个 TM-score 是 0.14、0.08、0.08。作者的解释是泛化失败——这些体系是训练裁剪的 40 到 90 倍。这一段是全文最该被记住的：Big 模式扩大的是「能算」的边界，不是「学过」的边界，两者之间没有任何自动的桥。

一万美元一个靶点，跑成了一百五

最后一节回到他们上一篇工作。之前让 Claude 自主设计 de novo 蛋白结合子（计算设计出来的小蛋白，能牢牢贴住指定靶点，用来激活、阻断或递送），用的是一份约 16,000 词的提示词，允许它开子代理，每个靶点最多花一万美元云 GPU——按标价约合 2,500 个 H100 小时，24 小时内跑完。

这次的配置砍到了：一张 H200、24 小时、约 1,100 词提示词、不联网、不开子代理、没有人插手设计。三个模型（Opus 5、Mythos 5.1、Mythos 5）各跑五遍，对同样的 16 个靶点。打分用 ipSAE——结构预测器对「结合界面」这件事的自信程度，0 到 1，已被验证与湿实验里的真实结合相关。结果是中位分 Opus 5 拿到 0.785、Mythos 5.1 拿到 0.781，此前那批高预算实验的对照线是 0.749；最高分 0.833 对 0.817。GPU 预算差了约一百倍。Opus 5 在第 12 小时追平旧成绩，那时 GPU 加 token 合计约 117 到 136 美元。

这一节也是全篇最该打折扣的地方，而且报告自己先打了折：这些设计一个都没进湿实验；加速后的模型和简化后的协议各自贡献了多少，没有拆开测。in silico 分数好看和真能结合之间，隔着一整个实验室。

这篇真正的新闻不是「快了 4 倍」，是「监督它的两个人不会写 kernel」。kernel 工程是典型的高门槛窄手艺，写得好的人全世界不多，而它恰恰卡在科学软件的咽喉上。第 64 篇里 Lilian Weng 那句免责声明说得很清楚——一项优化能不能活下来，取决于有没有硬件和 kernel 接得住，而不是它在论文里省了几倍。过去这句话的潜台词是「得有人肯为它手写 kernel」，那是个人力问题。这篇和第 55 篇（agent 在训练数据里几乎没有的新芯片上写出比专家手写更快的算子）指向同一个变化：这项人力的单价正在塌。塌下来之后，第一批受益的不是模型厂商，是那些有模型、没工程师的实验室。其次，这是一个比「AI 发现了什么」更实在的 AI for Science 样本。第 48 篇讲过 AI 的加速是斑块状的：OpenSSL 一年从 6 个漏洞涨到 39 个，Stockfish 的棋力一分没多。而「让已有代码跑得更快」恰好落在最适合 AI 的那块斑块上——目标可自动验证（输出逐位相同、精度不掉），迭代便宜，人类专家做起来又慢又不爱做。相比之下第 57 篇那种把费马大定理形式化是展示能力上限，这篇是把已有能力摊到日常工具上；论对整个领域的总产出，后者未必更小。最后说那七个塌掉的病毒衣壳——它应该被当成好消息读。作者完全可以不放这张图，报告只会更好看。放了，等于把「工程能力」和「模型能力」这两条经常被混为一谈的曲线明确分开：显存优化让你能把七万残基喂进去，模型该不会还是不会。以后再看到任何「现在能处理 X 倍长的输入了」的说法，这张塌成一团的球就是标准反例。

AI for Science推理优化GPU kernel蛋白质结构预测开源

去读原文 本文是原创导读，不是原文翻译——真正的细节、证据和微妙之处都在原文里。原文Anthropic Research · How Claude is uplifting biomolecular modeling → 原文技术报告全文（含基线定义、置信区间与全部局限）：Accelerating open-source biomolecular models with Claude → 原文36 个优化包的开源代码 →

上一篇把 1750 亿参数压到 4 比特几乎不掉点，压完却不一定更快——三年前那篇推理优化综述，最保值的是一句免责声明下一篇一万个 agent 跑了 88 小时，纳维-斯托克斯方程被证明会「炸」——Lean 说证明是对的，功劳却还没算清

本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。篇目由编辑独立选取，来源均经人工核实。