Claudeが生体分子AIを平均4倍高速化 GPU計算の壁を崩す「推論最適化」の仕組み｜2026年9月18日版
Anthropicは2026年9月17日、Claudeを使って30種類超のオープンソース生体分子モデルを最適化し、推論処理を平均約4倍に高速化したと発表しました。
今回の核心は、新しい生物学モデルを訓練したことではありません。既存モデルの計算処理を見直し、同じGPUからより多くの性能を引き出した点にあります。研究チームは最適化コードも公開しています。
- 30種類を超える構造予測・タンパク質設計・ゲノム関連モデルを約4週間で最適化
- 最小限の精度差を許容する設定では平均約4倍、同一出力を保つ設定では約2倍に高速化
- 1台のNVIDIA GPUノードで、1万トークンを超える生体分子系の高精度な構造予測を実現
- 公開リポジトリには、用途別の36種類の最適化キットを収録
何が変わったのか
Anthropicが公開したのは、生体分子AIの推論を高速化する一連のソフトウェア最適化です。
対象には、タンパク質の立体構造を予測するモデル、目的に合うタンパク質を設計するモデル、ゲノム配列を扱うモデルなどが含まれます。Claudeは、技術スタッフ2人の監督のもと、約4週間で30種類を超えるモデルの処理を改善しました。
発表された主な結果は次の通りです。
- 精度への影響を最小限に抑えた処理で、平均約4倍の高速化
- 出力を従来版と同一に保つ処理で、平均約2倍の高速化
- タンパク質構造予測モデルでは、下流タスクの性能を維持しながら平均4倍に高速化
- 従来より大きな分子複合体を扱う低メモリーモードを開発
ただし、これらはAnthropic自身による評価結果です。モデルやGPU、入力サイズによって効果は変わるため、利用現場では個別の再現確認が欠かせません。
高速化の鍵は「三角形」の計算
構造予測モデルでは、アミノ酸などの要素同士が三次元空間でどう配置されるかを計算します。その中心にあるのが、3つの要素の関係を同時に扱う「triangle attention」と「triangle multiplication」です。
この処理は分子の幾何学的な関係を表すうえで重要ですが、計算量とメモリー使用量が急増します。Anthropicの説明では、系の大きさが2倍になると必要な時間とメモリーは8倍、3倍なら27倍になります。
専用GPUカーネル「FlashPairformer」
研究チームはClaudeとともに、重い処理をGPU上で効率よく実行する専用カーネル「FlashPairformer」を開発しました。
既存の標準的な実装との比較では、モデル構成に応じて次の高速化を記録したとしています。
- triangle attention：平均2.7〜2.9倍
- triangle multiplication：1.7〜3.2倍
カーネルとは、GPUに具体的な計算手順を指示する低レベルのプログラムです。AIモデルの数式を変えなくても、メモリーへのアクセスや並列処理の組み方を改善すれば実行時間を短縮できます。
モデルごとの無駄も削減
共通カーネルだけでなく、Claudeは各モデル固有のコードも調べました。
具体的には、同じ値を繰り返し計算している部分をキャッシュしたり、実行結果が決まっている不要な分岐を単純化したりしています。つまり今回の成果は、一つの万能な高速化手法ではなく、共通部品の改善とモデル別のコード最適化を組み合わせたものです。
4つの実行モードが示す実務的な設計
公開されたGitHubリポジトリには、36種類の推論最適化キットが収録されています。各キットでは、目的に応じて複数のモードを選べます。
off：最適化を無効にし、固定された元の実装を使用exact：元の実装と同一の出力を保ちながら高速化fast：小さな数値差を許容し、さらに高速化big：速度よりGPUメモリー削減を優先し、大きな入力を処理
この区分は重要です。研究用途では、速度だけでなく再現性や数値精度も結果の信頼性に直結します。厳密な比較実験にはexact、探索段階にはfast、巨大な分子複合体にはbigというように、目的に合わせて選択できます。
ここがポイント: Claudeは生物学上の答えを直接出しただけではなく、専門モデルを動かすGPUコードや推論経路そのものを最適化しました。AIが「研究ツールを使う側」から「研究ツールを改善する側」へ広がった事例です。
1台のGPUノードで巨大な分子複合体を扱う
高速化と並ぶもう一つの成果が、低メモリーのbigモードです。
Anthropicによると、このモードでは1万トークンを超える生体分子系を、1台のNVIDIA GPUノードで高精度に予測できました。ここでいうトークンは、アミノ酸、核酸、低分子やイオンの原子など、モデルが扱う構成要素を指します。
高精度な予測例には、次のような大規模複合体が含まれます。
- ヒトのミトコンドリア複合体I
- タンパク質の折り畳みを助けるTRiCシャペロン複合体
- プロテアソーム
- 細菌のリボソーム
一方、3万〜7万トークン超のウイルスカプシドやタンパク質区画では、単一の8基構成NVIDIA B300ノードで推論自体は動いたものの、正しい構造にはなりませんでした。
計算できることと、正しく予測できることは別です。 大きな入力をGPUメモリーに載せられても、モデルが学習時の範囲を大幅に超えて一般化できるとは限りません。この失敗例も、実用範囲を見極めるうえで重要な結果です。
タンパク質設計の計算資源を約100分の1に
Anthropicは高速化したモデルを使い、標的分子に結合する「de novoタンパク質バインダー」の設計も試しました。
以前の実験では、標的ごとに最大約2,500時間分のNVIDIA H100 GPU計算を使える条件でした。今回は、単一のClaudeモデル、NVIDIA H200を1基、実行時間24時間という簡素な構成です。
16の標的に対するコンピューター上の評価では、GPU時間を約100分の1に減らしながら、以前の実験と同程度の結合スコアを得たと報告されています。GPUとClaudeの利用費を合わせた推定コストは約150ドルでした。
ただし、この結果は主にipSAEという計算上の指標による評価です。実際にタンパク質が狙った分子へ結合し、期待した機能を示すかどうかは、実験室での検証が必要です。
開発者と研究者への影響
今回の発表は、生命科学の研究者だけでなく、AI開発者にも二つの変化を示しています。
GPU不足への別の答えになる
計算需要への対応は、GPUを追加することだけではありません。推論コードを改善して既存GPUの処理量を増やせれば、待ち時間やクラウド費用を抑えられます。
特に大学や小規模研究機関にとって、複数ノードが必要だった処理を単一ノードへ収められる可能性は大きな意味を持ちます。
AI生成コードにも検証工程が必要
公開キットは、固定した上流バージョンやモデル重みを前提とする参照実装です。Anthropicは継続保守やプルリクエストの受け入れを予定していないと明記しています。
導入時には、少なくとも次を確認する必要があります。
- 自分のGPUとソフトウェア構成で性能が再現するか
fastモードの数値差が研究目的で許容できるか- 元モデルの更新後も最適化が正しく動くか
- モデル重みや依存パッケージの出所とハッシュ値を確認したか
- 生成された構造や設計を独立した手法や実験で検証したか
リポジトリには、モデルファイルの安全な読み込みや共有計算機上のキャッシュ管理に関する注意事項もあります。高速化だけを見て、その前提となるバージョン固定やセキュリティ確認を省くべきではありません。
継続ウォッチ
今回の成果が研究現場へ定着するかは、次の点で見極める必要があります。
- 外部の研究チームが同程度の高速化と精度を再現できるか
- 上流モデルの更新に対し、公開キットを誰が保守するのか
- 5,000件超を予定するタンパク質設計の実験検証で、計算上のスコアが実際の結合性能につながるか
- GPU世代やクラウド環境が異なっても効果が維持されるか
最も重要な次の確認点は、ベンチマークの数字ではなく実験結果です。計算資源を減らして作られた設計が、実験室でも従来と同等に機能すれば、AIによるコード最適化は生体分子研究の速度と参加コストを同時に変える可能性があります。