一句话看懂：Anthropic 用 Claude 在不到四周内优化了 30 多个开源生物分子模型，平均推理提速约 4 倍，并开源全部优化代码。这意味着原本需要大量 GPU 算力的蛋白质设计与结构预测，正在变得对普通研究者更可及。
事件核心：发生了什么
根据 Anthropic 2026 年 9 月 17 日发布的研究，其内部通用研究模型 Claude 在不到四周时间里，优化了 30 多个面向生物任务的深度学习模型，覆盖结构预测、蛋白质设计、基因组学和蛋白质语言模型等方向。结果是：平均提速约 4 倍，精度损失极小；若要求输出完全一致，也能做到接近 2 倍加速。同时 Claude 还改善了显存占用，使单个 NVIDIA GPU 节点即可预测超过 10,000 个 token 的生物分子体系（涵盖氨基酸、核苷酸、小分子和离子原子）。
Anthropic 同步开源了全部优化代码，并宣布与 Adaptyv Bio 联合发起蛋白质设计竞赛，提供最高 100 万美元 Claude credits、25 万美元 Modal 算力 credits，以及超过 5,000 个设计的湿实验验证。此前 Claude 设计 de novo 蛋白结合体时，每个靶点花费可达 1 万美元、约 2,500 H100 GPU 小时；结合本次推理优化与流程简化，达到同等 in silico 表现所需的 GPU 小时数下降了约两个数量级。
为什么重要
结构预测模型如 AlphaFold3、OpenFold3、Boltz-2 的主要算力瓶颈在 triangle attention 和 triangle multiplication，这两类操作对 token 三元组计算，时间和显存都是立方级增长：体系扩大一倍，开销增加 8 倍。降低这部分成本，直接决定了谁能跑得起大体系预测。Anthropic 此前已让 Claude 生成过 FlashPairformer 等优化内核。
更关键的是路线信号：让大模型去优化科学计算模型，而不是直接做科学发现，是一种可复用的“AI 提效 AI/科学工具”范式。开源代码意味着这类优化不会被锁在单一平台内，可能加速整个生物计算工具链的迭代。对闭源模型厂商而言，这也是一次差异化展示——Claude 不仅在文本和代码任务上竞争，也在科研基础设施层证明价值。
对用户/开发者/创作者的影响
对生物信息与药物发现方向的开发者，最直接的变化是：更多模型可以在单张或少量 GPU 上跑更大体系，推理成本下降后，本地实验和中小团队参与门槛降低。开源代码可被直接集成到现有管线，尤其适合做结构预测、蛋白设计和基因组分析的团队。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对关注 AI 应用落地的人，这件事提示了一个方向：大模型的价值不只在生成内容，还在于优化别人的计算内核和工程实现。开发者可以留意 Claude 优化代码的具体提交和内核实现，判断哪些优化思路能迁移到自己的推理场景。企业采购层面，若团队已有 GPU 预算压力，这类“同等精度、更低算力”的方案值得纳入评估。
值得关注的后续
一是开源代码的实际可用性：优化是否依赖特定硬件或框架，社区能否顺利复现 4 倍加速。二是蛋白质设计竞赛的结果：5,000 多个设计进入湿实验验证后，命中率能否支撑“AI 设计蛋白”的实用性判断。三是竞品是否跟进：OpenAI、Google DeepMind 或 NVIDIA 是否推出类似的模型优化服务或开源内核，将决定这条路线是 Anthropic 的独有叙事，还是行业标配。
