Claude四周重写30个生物模型，AI加速科学代码

Anthropic 发布研究称，Claude 在不到四周内优化了 30 多个开源生物分子模型，包括 AlphaFold3、Boltz-2、Chai-1、ESMFold2、RFdiffusion 等。允许少量数值精度变化时，任务平均加速约 4 倍；要求输出完全一致时，平均加速接近 2 倍，相关代码已开源。优化主要由 Claude 完成，监督者是两名 Anthropic 技术人员，他们理解生物建模，但没有传统推理优化或 GPU kernel 工程背景。报告回答了“AI 能不能做到”，却留下“AI 写出的科学代码距离充分发挥硬件性能还有多远”的问题。

9 月 17 日，AItonomy Foundation 发布首个开源项目 ScienceIDE，赞助方为 PhAI Labs 与阿里 Qwen，旨在把科学代码库转化为可执行、可验证的学习环境。团队曾以等离子体物理与天体物理广泛使用的 PLUTO 代码做实验。PLUTO 覆盖流体力学、磁流体力学、相对论流体力学等，复杂度来自数值流程和物理约束。2025 年 gPLUTO 论文已介绍 C++ 重写并通过 OpenACC 实现 NVIDIA GPU 加速。AItonomy 在 M1 Ultra、A100 和 H100 上重新实现 PLUTO 磁流体力学模块。A100 测试中，AI 首版实现可运行且物理结果符合预期，但相对 128 核 CPU 节点提速不到 5 倍；随后用一两天与 AI 分析瓶颈，调整数据布局、内存访问、kernel 组织和不必要数据搬运，速度又提高到首版近 3 倍。这说明 AI 写出代码后仍留数倍性能空间，继续优化需测量、诊断、修改、验证和迭代，而非换提示词。

性能之外还有科学正确性。Anthropic 报告提到，Claude 在单 8 卡 B300 节点上预测 31,000 至 70,000 token 以上的完整病毒衣壳和蛋白区室，推理跑通，但结构未被正确预测，发生坍塌，模型在训练上下文近两个数量级外缺乏泛化。程序能跑不代表科学正确，需与科学参考答案比对。ScienceIDE 将科学等效性作为任务完成判据。

ScienceIDE 由领域专家定义科学算例与验收标准，再与 AI 一起把代码库整理成可执行环境，AI 完成任务、运行程序、检查结果，经验用于评测、监督微调和强化学习。论文报告集合包含 27 个科学代码库的 64 个环境、2,812 个任务、1,076 项可执行科学检查，覆盖天体磁流体、空间等离子体、海洋气候、引力 N 体、光子学与电磁、材料、量子、相对论、粒子探测器、免疫学等方向，任务分加速、修复、发现、复现、集成、标定、实现七类。当前任务主要集中在修复与实现，加速类仅有初步实例。

团队挑出 85 个难任务作为 ScienceIDE-Hard，来自 PLUTO、Athena++、MITgcm、LAPS、PHANTOM 等，含 52 个修复和 33 个实现任务，判定标准是与私有科学参考答案一致。参评 15 个模型来自 8 家厂商，通过 Codex、Claude Code 或 Gemini CLI 执行，每 episode 一小时。最强 Claude Fable 5.1 为 67.1%，Claude Opus 5 为 64.6%，GPT-6-astra 为 63.1%，一半以上前沿模型低于 30%。

团队还用验证过的科学交互轨迹做监督微调，开源 PhAI-IDE-4B、9B、72B。提升不限于科学任务，代码、推理、知识通用基准同时受益。72B 上 APPS Introductory 从 0.609 升至 0.672，LiveCodeBench Execution 从 0.539 升至 0.594；9B 上 BBH Word Sorting 从 0.240 升至 0.576。这指向一个判断：科学不只是 AI 应用场景，也可能是推高智能上限的训练场。