Новая рабочая среда Claude Science от Anthropic запускается с заметным инфраструктурным партнёром: NVIDIA. Согласно материалам запуска NVIDIA и Anthropic, Claude Science теперь интегрирован с NVIDIA BioNeMo Agent Toolkit, что даёт исследователям в области наук о жизни способ вызывать биологические модели, библиотеки и сервисы инференса NVIDIA из естественно-языкового исследовательского рабочего процесса.

Эта новость важна, потому что она переосмысливает ИИ для открытия лекарств и вычислительной биологии как задачу оркестрации, а не только как задачу модели. Claude Science позиционируется как интерфейс, где учёные описывают задачи на обычном языке, а NVIDIA BioNeMo Agent Toolkit предоставляет специализированные для предметной области инструменты, схемы доступа к моделям и крючки для вычислений, необходимые для выполнения этих задач в геномике, протеомике, молекулярном дизайне и смежных рабочих процессах. Для создателей ИИ и корпоративных R&D-команд это более конкретная продуктовая история, чем ещё один отдельный релиз модели: речь о том, как агент выбирает инструменты, форматирует запросы, запускает анализ и возвращает артефакты в рамках повторяемого исследовательского цикла.

Что запущено и как части сочетаются друг с другом

NVIDIA сообщает, что интеграция делает возможности BioNeMo доступными внутри Claude Science, который Anthropic представила на этой неделе как ИИ-рабочую среду для научных исследований. В описании NVIDIA говорится, что Claude Science позволяет исследователям общаться с агентами на естественном языке, а затем эти агенты могут выбирать нужный специализированный рабочий процесс, подготавливать корректные входные данные и выполнять задачу на вычислительных ресурсах NVIDIA.

Обеспечивающий слой — это NVIDIA BioNeMo Agent Toolkit. NVIDIA описывает его как открытый, не зависящий от конкретного harness-инструмента набор средств, который превращает научные возможности в «skills», которые агенты могут вызывать. Эти skills включают метаданные о назначении, требуемых входных данных, необязательных параметрах и ожидаемых выходах, так что агент не просто направляется к сырым endpoint’ам, а получает инструкции о том, как и когда использовать инструмент.

Это различие имеет ключевое значение для запуска. В науках о жизни многие полезные задачи не решаются одной общей подсказкой для модели. Исследователю может понадобиться, чтобы агент выполнил анализ последовательностей с Evo 2, провёл работу со структурой с OpenFold3, сгенерировал или оптимизировал молекулы с Boltz-2 или вызвал ускорение геномики через NVIDIA Parabricks. Аргумент NVIDIA состоит в том, что агенты становятся практичнее, когда эти инструменты обёрнуты в единообразные интерфейсы и доступны через разворачиваемые сервисы, такие как NVIDIA NIM.

Для Anthropic интеграция даёт Claude Science путь от разговорного рассуждения к выполнению. Для NVIDIA она помещает BioNeMo в более высокий уровень агентного продукта, вместо того чтобы просить исследователей самостоятельно собирать биологические модели и инфраструктуру.

Почему NVIDIA делает акцент на готовых для агентов биологических инструментах

Блог NVIDIA Developer Blog прямо формулирует тезис компании: универсальных агентов недостаточно для биомолекулярных исследований, потому что им всё равно нужна помощь в выборе правильной научной модели, форматировании входных данных, интерпретации выходов и обработке ошибок. Иными словами, узкое место — это не только качество рассуждений; это операционная надёжность при каждом вызове инструмента.

Именно здесь NVIDIA позиционирует BioNeMo Skills и обёртки Model Context Protocol. Компания утверждает, что эти обёртки документируют поведение моделей и артефакты, чтобы агент мог автономно находить и использовать биомолекулярный инструмент с меньшим числом ошибок. NVIDIA подаёт это как разницу между изолированными вызовами моделей и итеративным циклом «ИИ-учёного», который может генерировать кандидаты, проверять результаты, корректировать параметры и запускать анализы снова.

Запуск также подчёркивает гибкость развёртывания. По словам NVIDIA, команды могут начать с размещённых NVIDIA NIM endpoint’ов для быстрого доступа и широкого тестирования, а затем перенести выбранные рабочие нагрузки в локальное развёртывание, когда важнее становятся задержка, пропускная способность, локальность данных или более жёсткий контроль среды исполнения. Это важно для корпоративных покупателей ИИ в фарме и биотехе, где одной и той же организации может быть нужна облачная среда для экспериментов одной команды и локальные или контролируемые развёртывания для регулируемых или высоконагруженных рабочих процессов.

По сути, NVIDIA объединяет три уровня: биологические модели, ускоренную инфраструктуру обслуживания и интерфейсы для агентов. Claude Science затем становится пользовательской средой, которая связывает эти элементы в единый рабочий стол.

Какой рабочий процесс NVIDIA хочет навязать исследователям

Примеры от вендора указывают на очень конкретную операционную модель научных агентов. Учёный начинает с исследовательской цели, выраженной простым языком, например анализирует геномную последовательность, предсказывает структуру белка или проектирует binder. Claude Science интерпретирует запрос и организует работу через специализированных агентов, а BioNeMo Agent Toolkit предоставляет вызываемые skills, которые сопоставляют эти задачи с конкретными возможностями NVIDIA.

NVIDIA говорит, что toolkit может подключать Claude Science к рабочим процессам, охватывающим геномику, протеомику, анализ одиночных клеток, хемоинформатику и клинические исследования. Среди инструментов и моделей она называет Evo 2, Boltz-2 и OpenFold3, а также уровни ускорения вроде RAPIDS-singlecell, nvMolKit и NVIDIA Parabricks.

Практическая ценность здесь — не столько в генерации разового ответа, сколько в снижении трения при настройке. NVIDIA утверждает, что исследователям, использующим Claude Science, не нужно вручную конфигурировать модели, endpoint’ы или программные окружения на каждом шаге. Вместо этого агент должен сам выбирать модель и выполнять её, а учёный — проверять результаты и уточнять следующий вопрос.

Один из примеров в материалах запуска NVIDIA касается разработки ингибиторов для онкологических мишеней. В таком сценарии исследователь начинает с известной мутации и просит Claude Science предложить множество потенциальных ингибиторов. NVIDIA утверждает, что сочетание Claude Science, BioNeMo Agent Toolkit и NVIDIA NIM затем может ускорить этапы предсказания, оптимизации и валидации. Компания не приводит сравнительных результатов на уровне конкретной задачи для этого рабочего процесса, поэтому пример следует воспринимать как иллюстрацию предполагаемого сценария использования, а не как количественно подтверждённый результат.

Доказательства, бенчмарки и что сообщено самой компанией

Поскольку оба источника в этой истории контролируются NVIDIA, самые сильные заявления о производительности и внедрении являются сообщениями самого вендора и должны рассматриваться с этой оговоркой.

NVIDIA утверждает, что 18 из 20 крупнейших фармацевтических компаний используют NVIDIA BioNeMo. Это значимое заявление о проникновении на рынок, но компания не называет этих клиентов, не определяет глубину использования и не уточняет, означает ли «use» пилоты, production-развёртывания или более широкую стандартизацию платформы.

Компания также подчёркивает несколько показателей ускорения. Она заявляет, что NVIDIA Parabricks может сократить геномный анализ с часов до минут, RAPIDS-singlecell — уменьшить рабочий процесс предварительной обработки и кластеризации 1,3 миллиона клеток с 52 минут до 25 секунд, а nvMolKit — ускорить некоторые операции хемоинформатики до 3000 раз. Эти утверждения могут быть полезны для понимания того, где ускорение на GPU действительно важно, но это всё ещё бенчмарки, представленные самим вендором, с ограниченной методологической детализацией в цитируемом материале.

Самый прямой бенчмарк по агентам приведён в NVIDIA Developer Blog. NVIDIA утверждает, что в эмпирическом тестировании с использованием Codex CLI и GPT-5.5 fast добавление BioNeMo Skills удвоило эффективность использования токенов и повысило долю успешного выполнения задач с 57,1% до 100%. Это поразительный результат, но он получен в рамках собственного тестового окружения NVIDIA. Исходный текст не содержит полного дизайна бенчмарка, размера выборки, набора задач или независимого воспроизведения. Для разработчиков это утверждение лучше интерпретировать как свидетельство того, что документация инструментов и структурированные интерфейсы могут заметно улучшать поведение агента, а не как установленный межплатформенный стандарт.

Тем не менее базовая логика продукта выглядит убедительно, даже если к точным цифрам следует относиться осторожно. Агентные системы действительно работают лучше, когда инструменты чётко специфицированы, режимы отказов документированы, а выходы стандартизированы в виде артефактов, таких как файлы FASTA, SDF, SMILES или CIF.

Что это значит для создателей ИИ и корпоративных R&D-команд

Для разработчиков запуск — напоминание о том, что доменно-специфичным агентам нужно больше, чем frontier-модель и системный промпт. Особенно в науках о жизни успешная автоматизация зависит от типизированных входов, описаний рабочих процессов, воспроизводимых вызовов инструментов и инфраструктуры, способной поддерживать повторяющиеся итерации. BioNeMo Agent Toolkit — это попытка NVIDIA стандартизировать эти элементы для биологии.

Для корпоративных ИИ-команд сочетание Claude Science с BioNeMo намекает на более многоуровневую модель закупок. Anthropic предоставляет разговорный рабочий стол и агентский опыт; NVIDIA — ускоренный backend-стек через NVIDIA BioNeMo, NVIDIA NIM и поддерживающие библиотеки. Это может быть привлекательно для организаций, которые не хотят строить внутреннюю платформу «ИИ-учёного» с нуля, но всё же нуждаются в доступе к специализированным биомолекулярным инструментам.

Это также обостряет конкуренцию в корпоративном ИИ для науки. Всё больше вендоров предлагают биологические модели, кодирующих агентов или лабораторные информационные инструменты, но немногие предлагают целостный путь от запроса на естественном языке к развёртываемому научному рабочему процессу. Если Claude Science сможет стать предпочтительным уровнем оркестрации, а NVIDIA сохранит статус стандартного ускоренного слоя инструментов, две компании могут сформировать то, как ИИ-агенты войдут в прикладные команды по открытию лекарств и вычислительной биологии.

Риски тоже очевидны. Научные рабочие процессы сложнее валидировать, чем задачи по программированию, и выходы моделей часто требуют экспертной проверки, а не просто автоматической цепочки вызовов. Надёжность, трассируемость и контроль развёртывания будут важнее, чем эффектная демонстрация. Собственные материалы NVIDIA косвенно признают это, делая акцент на режимах отказа, артефактах и backend-агностичных обёртках, а не заявляя о полной автономности в исследованиях.

На что смотреть дальше

Первый немедленный сигнал, за которым стоит наблюдать, — это внедрение Claude Science во время публичной беты. Anthropic говорит, что исследователей приглашают оставлять отзывы о дополнительных специалистах по доменам и интеграциях, и это должно показать, хотят ли пользователи более широкого биологического охвата, более тесной связи с лабораторными системами или более жёсткого контроля развёртывания.

Второй сигнал — расширит ли NVIDIA BioNeMo Agent Toolkit за пределы текущих примеров вроде Evo 2, OpenFold3, Boltz-2, DiffDock, GenMol, ProteinMPNN и поисковых рабочих процессов в стиле MMseqs2. Платформа становится более защищённой, если команды могут полагаться на один toolkit для предсказания структуры, генерации молекул, проектирования последовательностей и геномики, а не собирать отдельные агентные инструменты для каждого поддомена.

Третий момент, за которым следует следить корпоративным покупателям, — это независимые доказательства. Кейсы клиентов, воспроизводимые бенчмарки и внешние оценки будут важнее, чем заявления о производительности в launch-блогах. В частности, покупатели захотят понять, работает ли разделение NVIDIA NIM на hosted и local в реальных регулируемых средах и выдерживает ли заявленная надёжность агентов проверку при production-использовании.

Взгляд Creati.ai

Этот запуск важен не столько как единичная продуктовая интеграция, сколько как признак направления, в котором движется прикладной корпоративный ИИ. Выигрышный стек в высокоценных вертикалях, возможно, будет не одной моделью и не одним приложением, а многослойной системой, в которой общий агентский интерфейс располагается поверх специализированных инструментов, строго типизированных метаданных рабочих процессов и инфраструктуры, настроенной на повторяемое выполнение.

Для наук о жизни это логично. Исследовательским командам нужны не просто ответы; им нужны системы, которые могут запускать анализы, возвращать проверяемые артефакты и вписываться в существующие ограничения по вычислениям и управлению. Claude Science и NVIDIA BioNeMo пытаются упаковать это в удобный продукт. Возможность здесь реальна, но не меньше и бремя доказательства. До появления более независимой валидации эту историю лучше читать как стратегически важный инфраструктурный шаг, а не как окончательное доказательство того, что автономные ИИ-учёные готовы к рутинной production-разработке.