Moonshot AI сокращает инвестиции в код и уводит модели Kimi в биофарму

Там, где разработчики передовых моделей раньше сжигали вычислительные бюджеты на генерацию кода, пекинский стартап Moonshot AI теперь перенаправляет языковые модели Kimi в сторону биологии, химии и фармацевтических исследований, столкнувшись с падением отдачи в сфере программирования.
На конференции Web Summit в Лиссабоне международный директор Moonshot AI Джакомо Фикари заявил, что фундаментальная наука требует более развитых моделей искусственного интеллекта, чем юриспруденция, финансы или написание кода. По мере того как прирост производительности на стандартных бенчмарках для разработчиков замедляется, создатели базовых моделей вынуждены выходить за рамки программной инженерии, чтобы экономически оправдать непрерывные расходы на инфраструктуру.
Скрининг в лабораторных пайплайнах
Пекинский стартап DP Technology внедряет Kimi K3.1 Pro в своего исследовательского ассистента BioMaster для тестирования коммерческого применения в лабораторных процессах. В ходе одного из испытаний искусственный интеллект проанализировал генетические данные 3 696 клеток поджелудочной железы мышей и выделил 100 генов-кандидатов за 90 минут вместо ориентировочно четырех часов ручной работы специалистов.
Наука требует более развитых моделей искусственного интеллекта, чем юриспруденция, финансы или написание кода.
Однако механическая эффективность обработки клеточных данных пока не трансформировалась в самостоятельные научные открытия ни у одного игрока в секторе. На бенчмарке по теоретической информатике TCSExam, включающем 100 задач, ведущие модели генерировали верифицируемые доказательства, но не смогли самостоятельно решить ни одной открытой научной гипотезы. Разработчики в США сталкиваются с теми же ограничениями: хотя Claude от Anthropic выявил ферментную систему в сентябре, математики жестко раскритиковали заявления OpenAI о якобы совершенных прорывах в математике и физике.
Корпоративное внедрение на фоне скепсиса заказчиков
Разрыв между быстрой сортировкой данных и генерацией реальных автономных научных инсайтов напрямую определяет процесс корпоративных закупок в медико-биологической отрасли. Июньский опрос Citi среди 50 руководителей исследовательских направлений в США показал, что 72% респондентов уже широко применяют искусственный интеллект, но лишь 24% ожидают, что технологии заметно повысят процент успешных разработок новых лекарств.
Корпоративные клиенты, оплачивающие инференс, сталкиваются со структурным риском: они развертывают дорогостоящие вычислительные кластеры на архитектурах, которые ускоряют рутинный скрининг, но остаются неспособными решать фундаментальные научные проблемы.
На фоне других
Сокращение времени скрининга клеток поджелудочной железы мышей до 90 минут показывает потолок практической пользы базовых моделей в фундаментальной науке: алгоритмы берут на себя рутину, но не делают открытий. Разработчики базовых моделей продают фарминдустрии ускорение черновой работы под видом автономного научного поиска.
Источник: The Decoder