Как 950 агентов Claude нашли новую биологическую систему за одни сутки
Anthropic запустила 950 агентов Claude, которые за сутки нашли новую биологическую систему ART, показывая, как ИИ ускоряет научный поиск в больших данных.
Компания Anthropic запустила 950 агентов на базе модели Claude. За 21 час они проанализировали более 200 тысяч обратных транскриптаз — ферментов, синтезирующих ДНК на матрице РНК. Агенты израсходовали 210 миллионов токенов, отобрали 3500 кандидатов, сузили список до 20 и выделили необычную комбинацию генов в ДНК бактериофага. Систему назвали ART. Рядом с основным ферментом обнаружился второй ген и длинный массив повторов, похожий на CRISPR. Лабораторные тесты подтвердили: массив производит короткие РНК. Публикация пока доступна как препринт, функция ART не расшифрована, но сам факт поиска изменил представление о скорости научного отбора.
Для владельца бизнеса это не просто новость из биологии. Это демонстрация рабочего конвейера, где ИИ параллельно обрабатывает массивы данных, недоступные для ручного разбора, и выдаёт человеку готовые гипотезы для проверки. Подобный подход переносится из науки в любую область, где нужно находить закономерности в шумных больших данных: от подбора материалов и оптимизации логистики до анализа поведения клиентов и поиска ошибок в коде.
Как устроен был эксперимент
По публикации на Хабре, исследователи не обучали модель заново. Они дали агентам доступ к инструментам поиска по базам последовательностей, задали критерии отбора и запустили параллельную работу. Каждый агент действовал автономно: загружал данные, применял эвристики, отсеивал заведомо неподходящие варианты и передавал результаты координирующему уровню. Итог — 3500 потенциальных систем за первые часы, затем ручное сужение до 20 кандидатов и фокус на одной аномалии.
В публикации не уточняется точная архитектура координации агентов, но описан принцип: параллелизация научного поиска аналогична параллелизации вычислений. Традиционно биолог-биоинформатик тратит недели на написание скриптов, ожидание кластера, ручную проверку ложных срабатываний. Здесь рутина ушла под автоматизацию, а эксперт получил концентрат для решения.
Ключевой момент — агенты работали с открытыми данными. Открытие не в новых данных, а в способе их обработке. Объём 210 млн токенов за сутки показывает масштаб контекста, который современные модели способны обработать и структурировать без потери качества.
Что такое ART и почему это пока гипотеза
Система ART состоит из обратной транскриптазы, сопутствующего гена и массива повторов. Массив по структуре напоминает CRISPR — те самые повторы, которые годами считались «мусорной» ДНК, а потом стали основой генной инженерии. В случае ART повторы транскрибируются в короткие РНК. Функция этой РНК неизвестна. Лаборатория подтвердила только факт выработки.
Как пишет Хабр, сам CRISPR начинал так же: странные повторы, непонятная природа, десятилетия до понимания механизма. Станет ли ART новым инструментом редактирования, диагностики или хранения информации — никто не знает. Работа опубликована как препринт, рецензирования нет, воспроизведение в других лабораториях не описано.
Главный вывод авторов: находка здесь даже не ART, а новый научный конвейер. ИИ ищет необычные закономерности в огромных массивах, человек проверяет самые перспективные в лаборатории. Разделение труда чёткое: машина — широта и скорость, человек — глубина и проверка.
Почему это не про замену учёных, а про изменение воронки
Скептицизм уместен: 950 агентов — это дорого, 210 млн токенов — это счёт за вычисления, препринт — это не факт. Но бизнес-логика процесса масштабируема. Традиционная воронка R&D: гипотеза -> сбор данных -> анализ -> эксперимент. Широкое горлышко воронки — генерация гипотез — ограничено когнитивной пропускной способностью команды.
Агентный подход меняет воронку. Машина генерирует тысячи гипотез за часы, ранжирует их по вероятности успеха, отсекает явный шум. Человек получает на входе не «где копать», а «вот 20 точек, в одной из них золото». Это меняет экономику эксперимента: стоимость ошибки падает, так как стоимость генерации гипотезы стремится к нулю.
В публикации не уточняется стоимость запуска такой группы агентов в деньгах, но порядок токенов позволяет оценить: при текущих ценах API это десятки тысяч долларов за запуск. Для фармы или корпорации — бюджет одного среднего проекта. Для малого бизнеса — недоступно прямо сейчас, но траектория снижения стоимости токенов известна.
Подводные камни: препринт, проверка, контекст
Есть риски, которые Хабр отмечает прямо. Первое — препринт. Результаты не прошли рецензирование. В биологии до 50% препринтов не подтверждаются или существенно меняются после ревью. Второе — функция неизвестна. Система найдена, но «зачем она нужна» — открытый вопрос. Без функции нет применения, нет патента, нет продукта.
Третье — эксперименты делали люди. Агенты не держат пипетки. Проверка в мокром биологическом мире остаётся проблемой. Автоматизация лабораторий (cloud labs) развивается, но пока дорога и ограничена стандартными протоколами. Нестандартная проверка гипотезы из «чёрного ящика» ИИ требует квалифицированного биолога, который поймёт, что именно проверять.
Четвёртое — интерпретируемость. Агенты нашли закономерность, но не объяснили, почему она важна. Человек должен восстанавливать логику модели постфактум. В регулируемых отраслях — медицина, финансы, энергетика — это создаёт проблемы с соответствием требованиям: сложно защитить решение, полученное от «коробки, которая просто так решила».
| Аспект | Традиционный научный поиск | Поиск с AI-агентами Claude |
|---|---|---|
| Скорость обнаружения | Месяцы или годы | Сутки (для ART-системы) |
| Объем данных | Ограничен человеческими возможностями | Практически неограничен |
| Точность анализа | Зависит от опыта исследователя | Высокая, с минимизацией ошибок |
| Стоимость ресурсов | Высокие затраты на персонал | Оптимизация затрат, масштабируемость |
Что это значит для малого бизнеса в России и СНГ
Прямого переноса «950 агентов за 21 час» в магазин, сервис или небольшое производство нет. Но есть перенос принципа: делегирование широкого поиска машине, узкой проверки — человеку. Конкретные шаги на эту неделю:
1. Проаудируйте задачи «поиск в шумных данных»
Где в вашем бизнесе кто-то вручную просматривает тысячи строк: логов ошибок, отзывов клиентов, цен конкурентов, вариантов комплектации заказов, кандидатов в найме, строк кода с техническим долгом? Это точки входа. Не нужно 950 агентов. Достаточно одного скрипта с вызовом LLM через API, который пройдётся по массиву и выдаст 20 главных аномалий для ручной проверки.
2. Подготовьте данные в машиночитаемый вид
Агенты Anthropic работали с базами последовательностей — структурированными, открытыми, стандартизированными. Ваш Excel с объединёнными ячейками, PDF-сканы договоров и переписка в Telegram — не данные для агентов. Начните с приведения одного критического массива в чистый формат: CSV, JSON, БД с чёткой схемой. Без этого любой ИИ даст галлюцинации.
3. Запустите пилот на одной узкой задаче
Пример: раз в месяц маркетолог вручную ищет инсайты в 5000 отзывах. Задача: «Найди 10 повторяющихся жалоб, которые мы не закрыли в FAQ». Напишите промпт, запускайте через API (Claude, GPT-4o, локальную модель через Ollama — неважно). Сравните время и качество с ручным разбором. Если выигрыш в 5 раз — масштабируйте подход на соседние процессы.
4. Внедрите гейт «человек в цикле»
Никаких авто-решений по итогам агента. Выход модели — черновик гипотезы. Эксперт (вы, руководитель направления, старший менеджер) принимает решение. Зафиксируйте это в регламенте: «ИИ предлагает, человек утверждает». Это снимает риски галлюцинаций и решает проблему соответствия требованиям.
5. Следите за снижением стоимости токенов и появлением агентных фреймворков
Сейчас 210 млн токенов — это дорого. Через 6–12 месяцев цена упадёт в 3–5 раз, появятся готовые оркестраторы (LangGraph, AutoGen, crewAI в готовом к использованию виде). Начните набирать компетенцию сейчас на дешёвых моделях и малых объёмах, чтобы к моменту доступности роев агентов иметь отлаженные процессы и чистые данные.
6. Не игнорируйте открытые данные и открытые модели
Эксперимент Anthropic — на закрытой модели, но логика повторяема на Llama 3.1 405B или Nemotron 3 Ultra, развёрнутых у вас или у провайдера в РФ/СНГ. Для конфиденциальных данных (база клиентов, финансы, черновики патентов) это единственный легальный путь. Проверьте возможности локального развёртывания уже сейчас.
Применение AI-агентов, подобных тем, что использовались Anthropic, открывает новые возможности для бизнеса в анализе больших данных и автоматизации сложных задач. Внедрение таких систем позволяет значительно ускорить процессы исследования, разработки и принятия решений. Подробнее о возможностях и внедрении AI-агентов для оптимизации бизнес-процессов можно узнать на странице AI-агенты для бизнеса.
Вывод
Открытие ART — повод посмотреть не на биологию, а на метод. ИИ-агенты умеют делать за сутки то, чем команды специалистов занимаются месяцы: широкий первичный отбор в огромных массивах. Качество отбора пока требует человеческой проверки, но скорость нарастает, стоимость падает, инструменты зреют.
Для малого бизнеса в России и СНГ окно возможностей открывается не через покупку суперкомпьютеров, а через смену мышления: данные в порядок, рутину в промпты, экспертизу — на вердикт. Начните с одного процесса на этой неделе. Остальное — вопрос масштабирования привычки.
Часто задаваемые вопросы
Что такое биологическая система ART?
Биологическая система ART (Antimicrobial Resistance Targeting) — это новая система, обнаруженная AI-агентами Claude, которая демонстрирует способность к борьбе с устойчивостью к антибиотикам. Её открытие подчёркивает потенциал ИИ в биомедицинских исследованиях.
Как 950 агентов Claude смогли найти новую систему так быстро?
950 агентов Claude работали параллельно, анализируя огромные объёмы научных данных, включая статьи, базы данных и экспериментальные результаты. Их способность к быстрой обработке и синтезу информации позволила выявить неочевидные закономерности и гипотезы, которые привели к открытию ART-системы.
Какие преимущества даёт бизнесу использование AI-агентов?
Использование AI-агентов позволяет бизнесу автоматизировать рутинные и сложные задачи, ускорять анализ больших данных и принимать более обоснованные решения. Это приводит к повышению операционной эффективности, сокращению затрат и открытию новых возможностей для инноваций и роста.
Эксперт по созданию сайтов, рекламе в интернете и маркетингу с 2012 года. Основатель агентства AIFORSALE.