Claude acelera mais de 30 modelos científicos em cerca de 4×

A Anthropic afirma que Claude otimizou, em menos de quatro semanas, ferramentas usadas em previsão de estruturas, design de proteínas e genômica. O código foi aberto para a comunidade científica.

A discussão pública sobre inteligência artificial ainda costuma girar em torno de chatbots, textos, imagens e programação. Um novo experimento da Anthropic aponta para outra direção: usar um modelo geral de IA para tornar mais eficiente o próprio software usado por cientistas.

Em resultados divulgados em 17 de setembro, a empresa afirma que Claude otimizou mais de 30 modelos open source empregados em tarefas de biologia computacional. O trabalho, segundo a Anthropic, foi concluído em pouco menos de quatro semanas e produziu uma aceleração média de aproximadamente quatro vezes, com pequena perda de precisão em parte dos testes.

Quando a exigência era preservar exatamente as mesmas saídas, o ganho foi menor, mas ainda relevante: perto de duas vezes no conjunto geral descrito pela empresa. Os modelos avaliados incluem ferramentas de previsão de estruturas biomoleculares, design de proteínas, modelos de linguagem de proteínas e genômica.

Por que quatro vezes mais rápido importa

Prever como proteínas e outras moléculas se organizam no espaço exige cálculos pesados. Em alguns dos modelos modernos, operações centrais crescem de forma cúbica: dobrar o tamanho do sistema pode exigir cerca de oito vezes mais tempo e memória; triplicar pode elevar o custo em aproximadamente 27 vezes.

Isso transforma velocidade em algo mais importante do que simplesmente “esperar menos”. Reduzir o custo computacional pode permitir que mais laboratórios executem experimentos que antes exigiam infraestrutura cara, além de abrir espaço para testar mais hipóteses no mesmo período.

A Anthropic diz que Claude foi usado para criar kernels especializados — camadas de software de baixo nível que aproveitam melhor GPUs — e também para encontrar desperdícios específicos em cada modelo, como cálculos repetidos e trechos de código que poderiam ser simplificados.

Um modo para moléculas muito maiores

O projeto também produziu um modo de baixo consumo de memória chamado “Big”. Segundo a empresa, ele permitiu modelar com precisão sistemas biomoleculares com mais de 10 mil tokens em um único nó de GPUs NVIDIA. Nesse contexto, tokens representam componentes como aminoácidos, nucleotídeos, pequenas moléculas e íons.

A ferramenta chegou a executar inferências em sistemas com mais de 70 mil tokens, mas há uma ressalva importante: nos testes extremos, as estruturas previstas não ficaram corretas. O resultado mostra que a barreira computacional foi reduzida, não que os modelos tenham passado a compreender com precisão qualquer sistema desse tamanho.

Menos GPU para chegar a resultados semelhantes

A Anthropic também repetiu experimentos de design de proteínas usando os modelos otimizados. Em uma campanha anterior, Claude podia consumir cerca de 2.500 horas de GPU NVIDIA H100 por alvo. Na nova configuração, a empresa afirma ter alcançado desempenho computacional comparável usando aproximadamente cem vezes menos horas de GPU.

O teste foi feito com uma única NVIDIA H200 durante 24 horas. A Anthropic estima que, somando uso de GPU e tokens do Claude, foi possível chegar a resultados in silico semelhantes aos da campanha anterior com um gasto de aproximadamente US$ 150.

Esse número precisa ser lido no contexto correto. “In silico” significa que o desempenho foi medido por simulações e métricas computacionais. Não é o mesmo que demonstrar eficácia de uma molécula em laboratório, muito menos em uso clínico.

O código foi aberto

Uma diferença importante em relação a demonstrações fechadas é que a Anthropic publicou o código das otimizações. O repositório reúne versões aceleradas dos modelos e está disponível como uma implementação de referência. O código original produzido pela Anthropic usa licença Apache 2.0, enquanto componentes de projetos anteriores mantêm suas próprias licenças.

Isso permite que outros pesquisadores inspecionem, testem e adaptem as otimizações. A própria empresa avisa, porém, que o repositório é uma publicação de referência e não será mantido como um projeto de desenvolvimento contínuo.

Do computador para o laboratório

Anthropic e Adaptyv Bio também anunciaram uma competição de design de proteínas com cinco desafios. A iniciativa prevê mais de 5 mil designs selecionados para validação experimental, além de créditos de Claude e capacidade computacional para participantes escolhidos.

A competição começa em 28 de setembro e terá rodadas até o fim de outubro. A intenção é testar, em laboratório, parte das moléculas criadas por pesquisadores — uma etapa importante para separar bons resultados computacionais de descobertas que realmente funcionam fora da tela.

Os números de desempenho apresentados até agora vêm da própria Anthropic e ainda não equivalem a uma reprodução independente dos resultados. A abertura do código e do relatório técnico, no entanto, dá à comunidade científica meios para verificar até onde esses ganhos se sustentam em outros ambientes.

Fontes: pesquisa publicada pela Anthropic em 17/09/2026; repositório oficial com o código otimizado; página oficial da competição Anthropic × Adaptyv; relatório técnico da Anthropic.

Imagem de capa: Anthony Agbay / Wikimedia Commons · CC BY-SA 4.0.