Une IA générale affectée à l’optimisation scientifique
Anthropic a annoncé le 17 septembre avoir utilisé un modèle de recherche généraliste de Claude pour optimiser plus de 30 modèles d’apprentissage automatique employés en biologie moléculaire. Le dépôt public qui accompagne l’annonce contient précisément 36 trousses d’optimisation visant notamment la prédiction de structures, la conception de protéines, la génomique et les modèles de langage protéique. Selon les essais réalisés par l’entreprise, les tâches ciblées s’exécutent environ quatre fois plus rapidement en moyenne lorsqu’une légère différence numérique est permise. Les modes conçus pour produire des résultats identiques aux versions originales approchent plutôt un gain de deux fois. Deux membres du personnel technique auraient supervisé le travail, accompli en moins de quatre semaines. Il s’agit d’un fait observé dans les bancs d’essai d’Anthropic, et non encore d’une performance reproduite indépendamment. L’annonce demeure néanmoins importante parce que Claude n’a pas seulement proposé des molécules. Le système a modifié les couches logicielles qui font fonctionner d’autres modèles d’IA scientifique, un travail spécialisé normalement confié à des ingénieurs maîtrisant les processeurs graphiques et la programmation de bas niveau.
Moins de calcul pour des structures plus grandes
Une partie du gain provient de FlashPairformer, un ensemble de noyaux logiciels créés pour accélérer deux opérations coûteuses utilisées dans la modélisation des structures biomoléculaires. Anthropic rapporte des accélérations allant de 2,7 à 2,9 fois pour une opération appelée attention triangulaire, et de 1,7 à 3,2 fois pour la multiplication triangulaire, selon la configuration. L’enjeu devient rapidement matériel. Dans ces calculs, doubler la taille du système peut multiplier par huit le temps d’exécution et la mémoire nécessaire. Tripler sa taille peut multiplier ces besoins par 27. Une amélioration logicielle peut donc rendre possible une expérience qui ne tenait auparavant pas dans la mémoire disponible. Claude a aussi contribué à un mode à faible mémoire nommé Big. Celui-ci aurait permis de prédire correctement des systèmes dépassant 10 000 unités biomoléculaires sur un seul nœud équipé de processeurs graphiques NVIDIA. Des essais allant au-delà de 70 000 unités ont pu s’exécuter, mais les structures produites à cette échelle étaient incorrectes. Cette distinction est essentielle : réussir un calcul ne signifie pas obtenir un résultat scientifique valide.
Une réduction annoncée du coût des essais
Anthropic a réutilisé les modèles optimisés dans une expérience de conception de protéines capables de se lier à une cible. Une campagne antérieure autorisait Claude à mobiliser plusieurs sous-agents et jusqu’à 10 000 dollars américains d’infrastructure par cible, soit environ 2 500 heures de calcul sur des processeurs NVIDIA H100. Dans la nouvelle expérience, un seul modèle Claude disposait d’un NVIDIA H200 pendant 24 heures, sans sous-agent ni intervention humaine pour orienter les conceptions. Pour 16 cibles, les résultats informatiques auraient atteint des scores comparables à ceux de la campagne précédente avec environ 100 fois moins d’heures de processeur graphique. Anthropic évalue la dépense combinée en calcul et en jetons d’IA à quelque 150 dollars américains. Ces résultats demeurent des évaluations in silico, donc réalisées par simulation. Ils ne démontrent pas qu’une protéine se fabriquera correctement, sera sécuritaire ou fonctionnera dans un organisme. Ils indiquent plutôt qu’une équipe pourrait filtrer davantage d’idées avant d’engager les étapes coûteuses de synthèse et de validation en laboratoire.
Du code ouvert, mais pas prêt à installer partout
Le dépôt publié par Anthropic comprend des trousses pour 36 outils ouverts, avec des modes distincts. Le mode exact vise une sortie identique à celle du logiciel original. Le mode fast accepte de petites différences numériques documentées. Le mode big réduit la consommation maximale de mémoire afin de traiter des entrées plus imposantes. Cette publication facilite la vérification par d’autres équipes, mais elle n’équivaut pas à un produit prêt pour tous les environnements. Le dépôt est présenté comme une version de référence non maintenue. Plusieurs trousses exigent Linux, des pilotes NVIDIA, des versions précises de Python et des environnements logiciels épinglés. Anthropic avertit aussi que certains fichiers de modèles peuvent exécuter du code au chargement et recommande de n’utiliser que les poids provenant des sources prévues et vérifiés par empreinte numérique. Une équipe intéressée devrait donc reproduire un test sur une tâche connue, comparer les sorties et mesurer séparément la vitesse, la mémoire, la précision et le temps d’installation. Le chiffre moyen de quatre fois ne constitue pas une garantie pour chaque modèle, chaque processeur ou chaque jeu de données.
Pourquoi cette annonce compte au Québec
Pour les laboratoires universitaires, les jeunes entreprises en sciences de la vie et les équipes de bio-informatique du Québec, la conséquence pratique ne se limite pas à gagner quelques minutes. Réduire la mémoire requise peut permettre d’exécuter un modèle sur l’équipement déjà disponible plutôt que de louer plusieurs nœuds spécialisés. Accélérer l’inférence peut aussi augmenter le nombre de variantes examinées avant une expérience physique. La valeur scientifique devra toutefois être confirmée hors d’Anthropic. L’entreprise et Adaptyv Bio annoncent une compétition portant sur cinq problèmes de conception de protéines, avec la validation en laboratoire de plus de 5 000 propositions. Jusqu’à un million de dollars américains en crédits Claude et 250 000 dollars en calcul Modal sont promis. Ce sont des engagements annoncés, pas encore des résultats expérimentaux. Le développement mérite surtout d’être suivi comme un exemple d’IA améliorant l’infrastructure d’autres IA. Si les gains sont reproduits, de petites équipes pourraient accéder à des analyses auparavant réservées aux organisations disposant de grappes de calcul importantes. La prochaine preuve décisive viendra des reproductions indépendantes et des essais en laboratoire.
