Искусственный интеллект

Группа исследователей из Колумбийского университета, MIT и Гарварда с помощью связки научных ИИ переписали часть рибосомы кишечной палочки так, чтобы она обходилась без одной из 20 аминокислот — изолейцина. 20 аминокислот – это "строительный стандарт" современной биологии. И теперь ученые пусть и не создали микроба, полностью работающего на 19 аминокислотах (помимо переписанных рибосомных белков в геноме остаются еще тысячи других, где изолейцин на месте), но сделали большой шаг в этом направлении.

И здесь, прямо как в известном меме, два вопроса: как и зачем?

Начнем с как. Мы воспринимаем нейросети как инструменты для создания текста, кода и картинок, но похожие методы используются и в науке. Последовательность аминокислот в белке записывается текстом (например, A-цепь инсулина выглядит так: GIVEQCCTSICSLYQLENYCN) – значит, на известных последовательностях можно обучить аналог языковой модели и генерировать новые варианты под нужную задачу..

Но последовательность букв — это не работающий белок. Белок рождается как цепочка аминокислот, а затем сворачивается в трехмерную структуру. Предсказание этих структур долго было одним из главных вызовов в биологии — на один белок уходили месяцы и огромные деньги. В DeepMind решили эту проблему, обучив AlphaFold 2 на известных последовательностях и формах – и вскоре открыли базу предсказанных структур для более чем 200 миллионов белков, то есть практически всех известных науке.

Для создания белка сейчас обычно используют связку из трех ИИ. RFdiffusion получает задачу – например, придумать белок, который связывается с молекулой вируса – и генерирует трехмерную структуру похожим образом как графические ИИ рисуют картинку. Затем структура передается в ProteinMPNN, которая подбирает под нее последовательность аминокислот. А на финальном этапе AlphaFold 2 проверяет, в правильную ли форму сворачивается последовательность. Если нет – задача отправляется на переделку.

В нашей истории форму белков не нужно было придумывать с нуля — рибосома существует четыре миллиарда лет, ее устройство известно. Задача была другая: подобрать новую последовательность под уже известную форму, обходясь без изолейцина. Поэтому в работе использовались только ProteinMPNN и AlphaFold — плюс ещё пара языковых моделей, родственных идеям Бейкера.

Теперь к вопросу зачем. Белки нужны в самых разных областях. В медицине это новые лекарства – от суперантибиотиков до препаратов против рака. В промышленности – например, более эффективные моющие средства или ферменты для переработки пластика. И есть третья причина, самая интересная: проверять гипотезы о том, как устроена жизнь.

Все известные организмы – от бактерии до человека – пользуются одним и тем же набором из 20 аминокислот. Это одно из самых сильных свидетельств того, что вся жизнь произошла от общего предка. Но есть давнее подозрение, что до этого общего предка набор был короче. Часть аминокислот легко появляется в неорганических условиях — а часть, включая изолейцин, требует сложного многоступенчатого синтеза в клетке и, скорее всего, появилась позже.

Единственный способ узнать, возможна ли жизнь с укороченным алфавитом – попробовать построить такую жизнь и посмотреть. Но для этого надо одновременно переписать множество белков, что было нереально без ИИ.
Получившийся в эксперименте штамм Ec19 – это еще не настоящая 19-аминокислотная бактерия, но это первый шаг в ту сторону за всю историю биологии. И возможно – первый шаг к пониманию того, как выглядела жизнь до того, как обрела свой нынешний алфавит.

А отдельно интересно в истории то, что некоторые правки, предложенные ИИ, оказались неожиданными для ученых. “Возможно, эти модели знают аспекты биологии, которые мы можем подтвердить экспериментально, но пока не понимаем”, — сказал один из исследователей.

Кстати, работать с ИИ я учу в подписке на “Бусти”. Новые белки мы пока не открываем, но вот правильный промптинг и развертывание ИИ-агентов уже прошли!

Так что самое время подписаться.

Март 2024 года. Компания Илона Маска xAI арендует бывший завод Electrolux в Мемфисе, чтобы переоборудовать его в дата-центр Colossus 1 для обучения ИИ Grok. Обычно такое строительство занимает годы, но xAI справляется в рекордные 122 дня и вводит огромный на тот момент парк из 100 тысяч GPU Nvidia H100.

Позже Colossus 1 расширят до 220 тысяч GPU, а сейчас компания выводит на проектную мощность Colossus 2, в строительстве которого тоже не обошлось без рекордов – например, для энергообеспечения xAI приобрела в одной из стран газовую электростанцию и перевезла ее в США.

Казалось бы, с такими ресурсами, Grok гарантировано одно из ведущих мест на рынке ИИ в США и за пределами страны.

Но 6 мая приходитнеожиданная новость: Anthropic договорилась с Илоном Маском об аренде ВСЕГО Colossus 1 для запуска моделей Claude. Маск, который буквально три месяца назад называл компанию Misantropic и заявлял, что она не думает о безопасности человечества, совершил разворот на 180 градусов. Параллельно Маск объявил о конце xAI как отдельной компании – она войдет в SpaceX, а новая структура получит название SpaceXAI.

Линейку Grok пока никто не закрывает – обучение сразу нескольких версий модели продолжается на Colossus 2. Но есть тревожный звонок: по данным The Information, у xAI при тренировке Grok получается задействовать GPU только на 11% – серьезное отставание от конкурентов.

А вот для пользователей Claude случившееся – отличная новость. Anthropic уже удвоила 5-часовые лимиты использования моделей (недельные остались прежними) – раньше это было проблемой, так как в лимиты упирались даже активные пользователи тарифов Max за $100/$200.

Сама сделка – знак более глубоких процессов, происходящих на ИИ-рынке. Долгое время мы ориентировались на крутизну самих моделей: оценивали их в бенчмарках, спорили, у какой лучше стиль ответов. Но к середине 2026 года этого недостаточно. Для хорошего ИИ-продукта важны еще минимум два элемента: крутой интерфейс и вычислительные ресурсы.

В конце 2025 года в OpenAI испугались Gemini 3 настолько, что объявили “красный код” на всю компанию. Но выстрелила Anthropic, выпустив Opus 4.5, который, в паре с Claude Code, стал отличным инструментом для программирования и для офисной работы.

OpenAI сравнительно быстро сообразила продвигать свой Codex как альтернативу Claude Code с лучшими лимитами использования. А вот как раз Google адекватно отреагировать не смогла: для кода у нее есть Gemini CLI, Jules, Antigravity и AI Studio – пользователь просто не понимает, какой выбрать. То же самое и про xAI – Grok Build все еще в разработке.

Но успех Claude Code оказался и проблемой для Anthropic: агентские сценарии тратят больше токенов, поэтому мощностей компании стало не хватать даже на обеспечение качественного сервиса для бизнес-пользователей и подписчиков Max. Компания уже подписала рекордные договоры о закупке строящихся мощностей, но GPU нужны здесь и сейчас – и тут подворачивается Colossus 1.

xAI/SpaceXAI в итоге может повторить путь Sony на рынке смартфонов, когда компания тянула линейку Xperia, но основной доход получала с продажи фото-матриц большинству производителей. Конечно, на Grok пока рано ставить крест – даже если не получится занять массовый рынок, то он может трансформироваться в “сервисный” ИИ, работающий в X, автомобилях Tesla и компьютерах SpaceX.

Но не исключено, что настоящий талант компании – именно в строительстве инфраструктуры для чужих ИИ. Причем не только на Земле: Anthropic уже проявила интерес к проекту SpaceXAI по строительству дата-центров в космосе.

Что делать, если тратятся даже удвоенные лимиты Claude Code? На “Бусти” у меня есть лонгрид, как правильно работать с контекстным окном этого агента: дробить задачи, вовремя выполнять compaction и не доводить ситуацию до context rot. Да и вообще – в подписке все больше полезного!

Самое время присоединиться.

Интересная дискуссия развернулась вокруг результатов Claude Mythos в бенчмарке METR, который измеряет возможности ИИ автономно выполнять долгие задачи. Авторы бенчмарка взяли набор задач из кодинга, оценили, за сколько времени с ними справляется живой специалист, а затем посмотрели с какими задачами и с каким процентом успеха справляются современные LLM. Важное дополнение: время в данном бенчмарке – это именно “человеческие” часы, как быстро выполняет задачу сам ИИ, не раскрывается.

Итак, при 50% вероятности успешного завершения задачи Claude Mythos выходит на горизонт “не менее 16 часов автономной работы” – на 4 часа больше прошлого лидера, Opus 4.6. Почему “не менее”? В METR признали: длительность автономной работы ИИ растет так быстро, что в бенчмарке недостаточно задач для уверенного замера далее. Этим команда и занимается сейчас.

Исследователь из Anthropic Алекс Альберт обращает внимание на другой график – при 80% вероятности успешного завершения Claude Mythos справляется с задачами на 3 часа. Это рост в два раза относительно предыдущего лидера.

Если взять данные за 2019–2026, то время задачи, которую может решить ИИ, удваивается каждые 7 месяцев. Но темпы растут: с 2023 года удвоение случается уже каждые 3,5–4 месяца, а на свежих данных при 80% вероятности — за 50–60 дней. Правда, это шумные оценки: бенчмарк не успевает за моделями.

И здесь на арену выходит Гэри Маркус – когнитивный философ, один из самых известных критиков LLM. В этот раз его позиция очень мягкая и интересная.

– Гэри напоминает, что METR замеряет 50% вероятность выполнения задачи. По его словам, ненадежность – до сих пор одна из главных проблем современных LLM.
– Он добавляет, что METR измеряет только задачи из разработки ПО. Результат в 16 часов не значит, что Mythos успешно справится с задачей аналогичной длительности из, например, юриспруденции.

И главное – по словам Гэри, из графика не видно, за счет чего реально достигнут рост: за счет усложнения самой модели от Opus 4.6 к Mythos, или за счет улучшения ее обвязки, вроде того же Claude Code.

Далее Гэри приходит к интересному выводу. У современных LLM есть известный парадокс, который Маркус подсвечивает давно: огромный объем знаний, креативность и понимание языка — и при этом нестабильность. LLM могут решать задачи олимпиадного уровня по математике и одновременно проваливать загадки на логику, с которыми справляется семилетка.

Выход из этого исследователи видят в нейросимвольных системах, когда к языковой модели добавляются логические модули как раз на такой случай. По словам Маркуса, есть большая вероятность, что современные агентские обвязки вроде Claude Code и Codex – как раз ранние прообразы таких систем.

Простой пример. Все помнят истории, как ИИ валились на подсчете количества букв в слове (r в strawberry). Сейчас эту проблему убрали на уровне обучения модели и доработки ее системного промпта, но если бы она осталась, то в Claude Code ее можно было бы решить намного проще – дать системе задачу накодить специальный модуль подсчета букв в словах, а затем использовать его.

Мнение Маркуса подтверждается и независимыми исследованиям. Например, в SWE-bench Pro в марте 2026 года разница между топовыми моделями была в 4,9 пункта. А эксперименты с обвязкой давали сдвиг на одной модели до 22+ пунктов.

Впрочем, упрощать до “весь рост идет от обвязки” тоже не стоит — тут комбинация трех факторов: мощность модели, совершенство обвязки и навык пользователя. Я сам много работаю с Claude Code и Codex, и в последнее время главный вопрос сместился с “можно ли это сделать?” на “делаем ли мы это максимально эффективно?”. Под любую задачу агент предлагает несколько схем и готовые варианты с GitHub — правильный выбор становится отдельным искусством.

Кстати, опытом использования ИИ-агентов я делюсь в подписке на “Бусти”. Там много интересного – от промптинга до работы с теми же Claude Code и Codex.

Самое время подписаться!