Блог// искусственный интеллект

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.

24-09-2026 · 8 мин чтения
Как 950 агентов Claude нашли новую биологическую систему за одни сутки

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».

АспектТрадиционный научный поискПоиск с AI-агентами Claude
Скорость обнаруженияМесяцы или годыСутки (для ART-системы)
Объем данныхОграничен человеческими возможностямиПрактически неограничен
Точность анализаЗависит от опыта исследователяВысокая, с минимизацией ошибок
Стоимость ресурсовВысокие затраты на персоналОптимизация 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.

По материалам: Хабр — 950 Claude-агентов за 21 час нашли новую биологическую систему

Автор разбора
Александр К.

Эксперт по созданию сайтов, рекламе в интернете и маркетингу с 2012 года. Основатель агентства AIFORSALE.

Чем можем помочь
Интернет-магазиныМаркетингИИ-роботыСвязаться
← Все статьи