AIが科学者を手伝うだけではなく、科学者が使うAIそのものを改善する段階へ進み始めています。
Anthropicは2026年9月17日、Claudeを使って生体分子研究で利用される30以上のオープンソースAIモデルを最適化した研究成果を公開しました。
Claudeは4週間弱でこれらのモデルを改善し、タスクを平均約4倍高速化。さらにメモリ使用量も削減し、これまで大規模な計算環境が必要だった生体分子システムを、より少ない計算資源で扱えるようにしています。
Claudeは単に科学の質問へ回答したわけではありません。構造予測、タンパク質設計、ゲノミクスなどで使われる専門AIモデルのコードを分析し、自ら高速化・省メモリ化しました。
オープンソースモデル
高速化
かかった期間
Claudeが30以上の科学AIモデルを最適化
今回Claudeが取り組んだのは、生体分子研究で利用されるディープラーニングモデルの高速化です。
対象には、タンパク質の構造予測やタンパク質設計だけでなく、ゲノミクスやタンパク質言語モデルなども含まれています。
Anthropicによると、Claudeはこれら30以上のモデルを4週間弱で最適化しました。
最適化後は、精度への影響を最小限に抑えながら平均約4倍の高速化を達成しています。
完全に同一の出力を維持する条件でも大幅な高速化が確認されており、単に計算を省略して速度だけを上げたわけではありません。
人間なら各モデルに数週間かかる作業
こうしたAIモデルの高速化は、単純な設定変更ではありません。
GPU上で計算を高速化するための低レベルなコードや、モデル内部で重複して行われている計算、不要な処理などを調べ、モデルごとに最適化する必要があります。
Anthropicによると、通常は経験豊富なエンジニアチームでも、1つのモデルを最適化するのに数週間かかる場合があります。
しかも、あるモデル向けに作った最適化が別のモデルへそのまま使えるとは限りません。
今回Claudeは、Anthropicの技術スタッフ2人による監督のもと、30以上のモデルを4週間弱で処理しました。
ClaudeがGPU向けコードまで開発
Claudeは今回、既存コードを少し書き換えただけではありません。
AnthropicはClaudeとともに、「FlashPairformer」と呼ばれるカスタムカーネル群も開発しました。
これは、最先端の生体分子構造予測モデルで大きな計算負荷となる「triangle attention」や「triangle multiplication」を高速化するためのものです。
Anthropicの測定では、FlashPairformerは既存の標準的な実装と比較して、処理内容によって約1.7〜3.2倍の高速化を記録しています。
Claudeは「科学AIを使って研究した」のではなく、科学AIそのものを高速化するエンジニアリングを行っています。
AI → 別のAIを利用
から
AI → 別のAIを改善
へ進み始めています。
巨大な生体分子も1つのGPUノードで処理
Claudeは速度だけでなく、モデルが使用するメモリの削減にも取り組みました。
その結果作られたのが、低メモリで動作する「Big」モードです。
Anthropicによると、このモードでは10,000トークンを超える巨大な生体分子システムについても、単一のNVIDIA GPUノードで高精度な構造予測が可能になりました。
さらに限界テストでは、31,000〜70,000トークンを超える非常に巨大なシステムについても推論自体を実行できています。
ただし、この極端なサイズでは予測された構造が正確ではなかったケースもあり、Anthropicも能力の限界として明記しています。
タンパク質設計のGPU時間を約100分の1へ
さらに興味深いのが、タンパク質設計に必要な計算資源です。
Anthropicが以前行ったタンパク質設計研究では、1つのターゲットにつき最大約2,500 NVIDIA H100 GPU時間を使用できる設定でした。
今回の実験では、ClaudeにNVIDIA H200を1基、24時間与えるという、はるかに小さな計算環境を使用しています。
それでも16のターゲットを対象とした評価では、以前の大規模な実験とほぼ同等のin-silico性能を達成したとAnthropicは報告しています。
使用したGPU時間は、以前と比較して約2桁少ない、つまりおよそ100分の1です。
GPU時間
GPU環境
推定合計コスト
これは創薬にもつながる技術
タンパク質の構造予測や設計は、単なるAI研究ではありません。
分子生物学や創薬では、タンパク質がどのような形をしていて、他の分子とどのように結合するのかを理解することが重要です。
こうした計算を高速化できれば、研究者がより多くの候補を短時間で検証できる可能性があります。
Anthropicは今回の最適化コードをオープンソースとして公開しており、他の研究者も利用できます。
最大100万ドル分のClaudeクレジットも提供
Anthropicは今回の研究発表と同時に、Adaptyv Bioと共同でタンパク質設計コンペティションを開始することも発表しました。
参加研究者に対して最大100万ドル分のClaudeクレジットを提供するほか、Modalから最大25万ドル分の計算クレジットも提供されます。
さらに、コミュニティから提出された5,000以上の設計について実際のウェットラボで検証する計画です。
「AI for Science」が次の大きな競争領域に
生成AIというと、ChatGPTやClaudeのようなチャットAIを思い浮かべる人が多いかもしれません。
しかし現在、OpenAI、Anthropic、Google DeepMindなどのAI企業が力を入れている分野の一つが「AI for Science」です。
AIを使って科学研究そのものを高速化する取り組みです。
代表的な例としては、Google DeepMindのAlphaFoldがあります。
今回Anthropicが示したのは、それとは少し違う方向性です。
Claudeのような汎用AIが、専門的な科学AIを利用するだけでなく、改善するというアプローチです。
OmochiXの視点
今回のニュースで最も重要なのは「Claudeが4倍高速化した」という数字だけではありません。
汎用AIが専門AIを改善できるようになり始めたことです。
これまでAI開発では、人間のエンジニアがモデルを作り、人間が高速化し、人間が運用するのが基本でした。
しかし今後は、
人間が目的を決める
↓
AIが専門AIを分析する
↓
AIがコードを改善する
↓
AIがテストする
↓
人間が結果を確認する
という開発方法が増えていく可能性があります。
前回紹介したAnthropicのデータでは、Claudeはすでに同社AI研究開発の一部で「主導」レベルに達しています。
今回の研究は、その変化が実際の科学AIの最適化でも起き始めていることを示す具体例と言えます。
AIがAIを改善する時代が始まっている
Claudeは今回、30以上の生体分子AIモデルを4週間弱で最適化し、平均約4倍高速化しました。
さらに省メモリ化によって、これまで大規模な計算環境が必要だった生体分子システムを、より小さな環境で扱える可能性も示しています。
そしてタンパク質設計では、以前と比較して約100分の1のGPU時間で同程度のin-silico性能を達成しました。
AIが科学者の助手になる。
その次に起きているのは、AIが科学者の使うAIそのものを作り変えるという変化です。
「AIがAIを改善する」という構造が広がれば、AI開発だけでなく科学研究そのものの速度も大きく変わる可能性があります。
