Anthropic开源Claude编写的GPU优化程序，生物分子模型推理加速4倍
内容提要
Anthropic开源了Claude编写的GPU优化代码，在不到四周内将30多个生物分子模型推理平均加速约4倍，精度损失极小。Claude还自主编写了FlashPairformer内核，加速结构预测中的三角注意力操作。优化代码已开源，并联合Adaptyv Bio发起蛋白质设计竞赛。但超大规模分子预测仍会崩溃，实验验证速度成为新瓶颈。
延伸解读
优化边界：超大规模预测仍会崩溃
Claude的优化在30多个模型上平均加速约4倍，但Anthropic承认，当输入规模膨胀到31000至70000个token的病毒衣壳级别时，预测结构直接崩溃。报告未明确是模型泛化不足还是FlashPairformer内核产生数值误差。这意味着4倍加速并非普适，超大型分子机器预测仍是雷区，用户需警惕“更快得到错误答案”的风险。
与NVIDIA cuEquivariance的差异：自动化集成
NVIDIA早在2025年推出的cuEquivariance库已包含三角注意力和三角乘法的优化内核，某些精度下最高加速5倍。Claude的FlashPairformer并非从零发明新算法，而是将集成过程自动化，并针对每个模型架构做定制调整。其价值在于让30多个模型同时获得优化，降低了手动配置门槛，但底层加速上限仍受限于已有库。
算力门槛降低，实验验证成新瓶颈
优化代码开源后，普通实验室用消费级显卡就能跑以前需多块H100的任务，算力民主化向前一步。但Adaptyv Bio测试了Claude设计的全部1320个蛋白质，Twist Bioscience独立测试1260个，物理合成和实验筛选速度远跟不上计算设计速度。计算变便宜后，湿实验验证成为更硬的瓶颈，可能拖慢整体研发周期。
社区反应与批评：计算分数不等于实际结合
Reddit上有人欢呼，也有人调侃猫娘，但更严肃的批评来自Martin Shkreli，他嘲讽Anthropic此前“15个靶标命中14个”的结果结合亲和力偏低且未针对细胞内蛋白。Anthropic自己也承认，蛋白质结合体不是药物，高亲和力设计只是第一步。计算分数漂亮与实验室真实结合之间仍有巨大鸿沟，读者不宜过度解读加速带来的实际疗效。
Q&A
Claude优化GPU内核后，生物分子模型的推理速度提升了多少？
Claude在不到四周内优化了超过30个开源生物分子模型，平均推理加速约4倍，精度损失极小。如果要求输出结果与优化前完全一致，也能实现接近2倍的加速。
FlashPairformer是什么？它优化了哪些操作？
FlashPairformer是Claude自主编写的GPU内核，专门加速结构预测模型中的三角注意力操作和三角乘法操作。其中三角注意力加速2.7到2.9倍，三角乘法加速1.7到3.2倍，具体倍数取决于模型配置。
为什么优化GPU内核比优化Python代码更难？
优化GPU内核需要理解显卡的物理架构，如显存带宽、寄存器分配、线程束调度等底层细节，而优化Python代码只需理解算法逻辑。一个错误的内存访问模式可能让程序比优化前慢十倍。
Claude的优化在哪些情况下会失效？
当输入规模膨胀到31000到70000个token的病毒衣壳级别时，预测出来的结构会直接崩溃。Anthropic分析认为这可能是模型在该尺度上泛化能力不够，也可能是FlashPairformer内核产生了数值误差，但未给出明确答案。
Anthropic开源了哪些资源？如何获取？
Anthropic将优化后的代码全部开源，放在GitHub上的anthropics/uplifting-biomolecular-modeling仓库中。同时联合Adaptyv Bio发起蛋白质设计竞赛，提供最高100万美元的Claude积分和25万美元的Modal计算积分，以及超过5000个设计的湿实验验证。
计算加速后，生物分子研究面临的新瓶颈是什么？
新的瓶颈是实验验证的速度。Adaptyv Bio测试了Claude设计的全部1320个蛋白质，Twist Bioscience独立测试了1260个，但物理合成和实验筛选的速度远远跟不上计算设计的速度。验证需要几周甚至几个月，而设计可能只需一个下午。
