Anthropic, Claude'ın deneyleri için biyoloji laboratuvarı kurdu



Özet


Anthropic, Claude yapay zeka modelini fiziksel biyoloji deneylerinde kullanmak amacıyla Bay Area'da bir laboratuvar operate ettiğini doğruladı. Şirket, yapay zeka ajanlarını mikroskop ve robotik kollar gibi bilimsel enstrümanlara bağlayan bir donanım standardı geliştirerek biyomoleküler modellerin optimizasyon sürecini önemli ölçüde hızlandırdı. Yapılan testlerde, mühendislerin haftalarca uğraştığı modellerin Claude yardımıyla çok daha kısa sürede ve düşük maliyetle optimize edilebildiği ve performans artışı sağlandığı gözlemlendi. Bu gelişme, yapay zeka tarafından üretilen fikirlerin fiziksel deneylerle çok daha hızlı ve dar bir döngüde test edilmesine olanak tanıyarak biyoloji alanındaki araştırmaları hızlandırmayı hedefliyor.



TechCrunch'in 18 Eylül tarihli haberine göre Anthropic, Claude ile fiziksel biyoloji deneyleri yapmak üzere Bay Area'da bir laboratuvar operate ettiğini doğruladı. Şirket, ilacın keşfedilmesinin tesisin temel amacı olmadığını belirtti.

The Rundown'da yer alan bu gelişme, Anthropic'in biyoloji modellerini Claude ile hızlandırmaya yönelik araştırmasını yayımlamasından bir gün sonra geldi. Bu adım ayrıca, şirketin Ağustos ayında AI ajanlarını bilimsel enstrümanlara bağlayan bir arayüzü piyasaya sürmesinin ardından gerçekleşti.

Hızlı modeller ve laboratuvar araçları için kullanılan yöntemler

Anthropic, 27 Ağustos'ta "Model Hardware Standard"ı (Model Donanım Standardı) bir araştırma önizlemesi olarak tanıttı. Bu standart; mikroskoplar, sıvı aktarıcılar ve robotik kollar gibi programlanabilir cihazları ajanlara bağlıyor. Standart, bir cihazın operasyonlarını ve güvenlik sınırlarını ajana sunuyor; ayrıca Claude dışındaki modelleri de destekleyebiliyor.

17 Eylül'de Anthropic, iki personelin Claude'un çalışmalarını denetlemesiyle dört haftadan kısa bir sürede 30'dan fazla biyomoleküler modeli optimize ettiğini duyurdu. Şirket, mühendislik ekiplerinin tek bir modeli optimize etmek için haftalar harcayabildiğini belirtti ve sonuç kodları GitHub'da paylaştı.

Anthropic, küçük sayısal farklara izin verildiğinde ortalama 4 kat hız artışı raporluyor. Yapı tahmini için yaptıkları karşılaştırmada ise aynı sonuçlarla yaklaşık 1,6 kat daha hızlı performans sergiledi.

Ayrı bir protein tasarımı testinde ise Anthropic, 150 dolarlık GPU hesaplama ve AI kullanımıyla, hedef başına 10.000 dolara kadar izin verilen önceki kampanyalarla kıyaslanabilir bağlanma skorları elde ettiğini belirtti.

Neden önemli?

Buradaki vaat, Claude'un fikirleri ile bu fikirleri test eden deneyler arasında daha dar bir döngü oluşturmak. Dario Amodei, biyolojide "ilk ışıkların" görüldüğünden bahsetmişti. Yetkin bir model, cihazları kontrol etme yöntemi ve fiziksel bir laboratuvar; Anthropic'e bu amaca ulaşmak için gereken malzemeleri sağlıyor. Claude bir deney önerebilir, ekipmanı yönetebilir, ölçümleri yorumlayabilir ve bir sonraki denemesini buna göre revize edebilir.

Anthropic'in MHS üniversite vaka çalışması, araştırma aşamaları arasındaki devir teslimleri tam döngüyü otomatizelemenin önündeki bir engel olarak tanımlıyor. Bu aşamaların birbirine bağlanması, önerilen bir deney ile bir sonrakine yön veren sonuçlar arasındaki bekleme süresini azaltabilir.

Biyoloji ekipleri için daha ucuz modelleme, sabit bir bütçe dahilinde daha fazla aday proteinin karşılaştırılmasına olanak tanıyabilir. Paylaşılan kodlar, dışarıdaki araştırmacılara rapor edilen kazanımları kendi çalışmalarında test etme imkanı sunuyor. Araştırmacıların, daha hızlı hesaplamaların deneyleri için yeterli doğruluğu koruyup korumadığını kontrol etmeleri gerekecek. Protein üretimi ve testi ayrı maliyetler getiriyor ve Anthropic, laboratuvar doğrulamasının hala haftalar sürdüğünü belirtiyor.

Fiziksel ölçümler aynı zamanda başarısız tahminleri de açığa çıkarabilir. 18 Ağustos tarihli protein tasarımı araştırmasında Anthropic, test edilen 15 hedeften 14'üne bağlanan tasarımlar bildirdi. Dış değerlendirmeciler Adaptyv Bio ve Twist Bioscience bu proteinleri üretti ve test etti. Zorlu hedeflerden biri için, 90 tasarımın hiçbiri doğrulanmış bir bağlayıcı üretmedi. Anthropic, başarı oranlarını ve bağlanma güçlerini doğrulamak için daha fazla teste ihtiyaç duyulduğunu söyledi. Faydalı bir deneysel döngü, bu başarısızlıkları sisteme geri besleyecektir.