← Accueil actu | Salle du marché
2026-11-03 · Source:[zh] 华尔街见闻全球·中继

Le nouveau laboratoire de biologie moléculaire d'Anthropic livre ses premiers résultats : le grand modèle a identifié de façon autonome, dans l'ADN de phages, un système enzymatique inédit jamais documenté, structurellement très proche de CRISPR ; les scientifiques humains ont ensuite réalisé la vérification et la validation expérimentale.
Anthropic vient de publier les premiers résultats de son nouveau laboratoire de biologie moléculaire : le grand modèle Claude a découvert de manière autonome, dans l'ADN de phages, un tout nouveau système enzymatique jamais documenté par l'humanité. Selon la source, ce système présente une structure très similaire à celle de CRISPR, surnommé le « scalpel de Dieu », avec les mêmes capacités de coupure, de copie et de collage de l'ADN. Autrement dit, l'IA ne s'est pas contentée d'effectuer des recherches et des synthèses dans la littérature existante : elle a formulé, à partir de données de séquences brutes, une hypothèse sur un système fonctionnel jusque-là inconnu — c'est là le point le plus marquant de ce résultat.
Cette chaîne de découverte présente un profil quantitatif clair : Anthropic a mobilisé 950 agents IA, exécutés en continu pendant 21 heures, pour une consommation cumulée d'environ 210 millions de tokens, l'IA ayant réalisé de façon autonome l'identification du système enzymatique inconnu ; les scientifiques humains n'interviennent qu'ensuite pour examiner les résultats et procéder à la validation expérimentale. Cette division du travail — découverte autonome par l'IA, vérification et confirmation par les humains — constitue le processus complet de cette « première réalisation ». La conception même de ce processus mérite qu'on s'y attarde : le grand modèle n'y est pas traité comme une machine à réponses, mais comme un moteur de génération d'hypothèses à haut débit, échangeant l'échelle contre l'amplitude, avant un dernier filtrage par le jugement expert des humains.
Du point de vue de l'architecture technique, 950 agents travaillant en parallèle pendant 21 heures signifient qu'il ne s'agit pas d'une simple tâche de raisonnement conversationnelle unique, mais d'un système de travail multi-agents organisé et spécialisé. On peut raisonnablement supposer que ces agents assumaient des rôles distincts : balayage de séquences, comparaison de motifs, génération d'hypothèses et vérifications croisées, tandis que la consommation de 210 millions de tokens témoigne des nombreux appels répétés et changements de contexte au sein de l'immensité des données génomiques des phages. Pour les observateurs du secteur du calcul, la valeur de cet exemple réside dans le point de repère de coût réel qu'il établit pour une « découverte scientifique par l'IA » : un seul sujet, une seule exécution, et déjà une consommation de tokens à l'échelle de centaines de millions.
Si CRISPR est surnommé le « scalpel de Dieu », c'est parce qu'il a donné à l'humanité la capacité d'éditer précisément le génome, engendrant directement l'essor de plusieurs industries : thérapie génique, sélection agricole, etc. Le nouveau système enzymatique découvert par Claude devra encore faire l'objet de recherches pour en confirmer les applications, mais le simple fait qu'il soit structurellement très proche de CRISPR et doté des mêmes capacités de coupure, de copie et de collage de l'ADN suffit à retenir toute l'attention des sciences du vivant. Si les validations ultérieures aboutissent, ces nouveaux systèmes enzymatiques pourraient constituer la base des outils d'édition génomique de nouvelle génération, avec un potentiel d'industrialisation considérable.
Wallstreetcn interprète cette avancée comme le signal d'une refonte complète du paradigme de recherche en sciences du vieant, estimant que le jalon d'accélération de l'AI4S pharmaceutique se rapproche du secteur ; le reportage décrit également cette filière comme un domaine en échauffement constant où entrent de nombreux géants. Du point de vue du paysage sectoriel, l'AI for Science passe de la phase de preuve de concept à celle de production réelle : ces dernières années, les acteurs se sont disputés la taille des modèles et les scores de benchmarks, tandis qu'Anthropic livre désormais un véritable résultat scientifique découvert de manière autonome par l'IA puis confirmé expérimentalement — ce « produit vérifiable » marque le point de bascule où la filière passe du récit à la concrétisation.
Pour les acheteursentreprise attentifs aux coûts de calcul de l'IA, les chiffres de 950 agents, 21 heures et environ 210 millions de tokens constituent la partie la plus concrète de cette divulgation : ils mettent sur la table la consommation réelle d'une découverte scientifique autonome par l'IA et fournissent un échantillon de référence pour évaluer l'ampleur des investissements liés aux charges de travail de type AI for Science. À cette échelle, pris comme ordre de grandeur approximatif, les organismes qui planifient leur propre plateforme de recherche en IA ne doivent plus considérer uniquement le coût d'une inférence isolée, mais aussi la consommation continue de tokens liée aux longues exécutions multi-agents, la capacité d'appels concurrents et la stabilité de l'infrastructure d'orchestration des tâches. Sur les tâches multi-agents de longue durée, la tolérance aux pannes et la capacité de reprise après interruption déterminent souvent davantage la réussite réelle d'un projet que la performance de pointe.
Du point de vue des achats, ces charges de travail AI for Science imposent plusieurs exigences claires aux solutions de calcul. Premièrement, la haute concurrence et la haute disponibilité côté inférence : 950 agents en ligne simultanément pendant 21 heures impliquent que le cluster d'inférence maintienne un débit stable sur toute la durée d'exécution — toute défaillance ponctuelle peut anéantir des dizaines d'heures de progression. Deuxièmement, le contexte et la bande passante de stockage : derrière les 210 millions de tokens se cachent d'immenses lectures et écritures de résultats intermédiaires et de données de séquences ; l'efficacité des E/S de stockage et des pipelines de données influe directement sur la durée totale d'exécution. Troisièmement, la maîtrise des coûts : pour les institutions de recherche aux budgets limités et les entreprises de biopharmacie, combiner des ressources d'inférence de gammes de prix différentes — low-cost en phase d'exploration, haute performance en phase de validation — est une voie courante d'optimisation. Lors de la sélection, les acheteurs devraient examiner attentivement la stabilité des fournisseurs sur les tâches longues, la transparence de la tarification au token, ainsi que la prise en charge de l'ordonnancement de tâches par lots et du suivi de consommation. À noter : les capacités de modèles de pointe de ce type demeurent hautement concentrées au sein des écosystèmes propres aux grands fournisseurs, et aucune configuration spécialisée correspondante ne circule sur le marché public — ce modèle ne dispose actuellement d'aucun prix affiché en vente ; les entreprises planifiant des charges de travail similaires doivent donc plutôt estimer leur budget à partir des modes de facturation à l'usage dans le cloud et de leurs propres courbes réelles de consommation de tokens, plutôt que de s'appuyer sur des prix matériels affichés existants.
Plus largement, l'impact de ce résultat sur l'industrie pharmaceutique pourrait se traduire par une compression des cycles de R&D. La découverte traditionnelle de systèmes enzymatiques repose sur le criblage massif de bibliothèques et de longues phases d'essais-erreurs, tandis que la découverte autonome pilotée par l'IA peut considérablement restreindre l'éventail des candidats, en concentrant les ressources d'expérimentation humide sur les hypothèses les plus prometteuses. Pour les institutions détenant d'immenses données omiques inexploitées, l'exemple d'Anthropic indique une voie claire : les actifs de données combinés aux systèmes multi-agents peuvent libérer une valeur scientifique bien supérieure aux attentes. Il faut néanmoins garder la tête froide — un succès isolé ne signifie pas que le paradigme soit pleinement mature ; l'examen par les scientifiques humains et la validation expérimentale restent indispensables, et les productions de l'IA doivent encore passer par un contrôle empirique rigoureux avant de se convertir en conclusions scientifiques exploitables.
Q : Quelles ressources de calcul la découverte de ce nouveau système enzymatique par Claude a-t-elle consommées ?
R : Anthropic a mobilisé 950 agents IA, exécutés en continu pendant 21 heures, pour une consommation cumulée d'environ 210 millions de tokens ; l'IA a réalisé de façon autonome l'identification du système enzymatique inconnu, avant que les scientifiques humains ne prennent le relais pour l'examen et la validation expérimentale.
Q : Quelles sont les caractéristiques de ce nouveau système enzymatique ?
R : Le système a été découvert de manière autonome dans l'ADN de phages et n'avait jamais été documenté par l'humanité ; sa structure est très proche de celle de CRISPR, surnommé le « scalpel de Dieu », et il possède les mêmes capacités de coupure, de copie et de collage de l'ADN.
Q : Quelles ressources de calcul la découverte de ce nouveau système enzymatique par Claude a-t-elle consommées ?
R : Anthropic a mobilisé 950 agents IA, exécutés en continu pendant 21 heures, pour une consommation cumulée d'environ 210 millions de tokens ; l'IA a réalisé de façon autonome l'identification du système enzymatique inconnu, avant que les scientifiques humains ne prennent le relais pour l'examen et la validation expérimentale.
Q : Quelles sont les caractéristiques de ce nouveau système enzymatique ?
R : Le système a été découvert de manière autonome dans l'ADN de phages et n'avait jamais été documenté par l'humanité ; sa structure est très proche de celle de CRISPR, surnommé le « scalpel de Dieu », et il possède les mêmes capacités de coupure, de copie et de collage de l'ADN.
Mots-clés: Anthropic · Claude · AI for Science · CRISPR · AI Agents
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle