Старт 23 ноябряЖивой Поток 3 интенсива «Вайбкодинг и ИИ-агенты»: 3 недели практики, 9 живых занятийПоток 3 (23.11) →

Агент BioMaster на Kimi отобрал 100 генов за 90 минут вместо 4 часов

Moonshot AI, создатель Kimi, считает рынок ИИ для кода близким к насыщению и выходит в науку. Агент BioMaster на Kimi K3.1 Pro за 90 минут выбрал 100 генов для дальнейшего изучения из данных 3696 клеток мыши, а человеку нужно около четырёх часов. Но ИИ уже применяют 72% фармкомпаний, а роста успеха препаратов ждут лишь 24%. Ускорение рутины доказано, «ИИ изобретёт лекарство» — пока нет.

AI-обработка оригинала TG: @ai_machinelearning_big_data (Machinelearning); редакция Hamidun News
Агент BioMaster на Kimi отобрал 100 генов за 90 минут вместо 4 часов
Источник: TG: @ai_machinelearning_big_data (Machinelearning). Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникTG: @ai_machinelearning_big_data (Machinelearning) ↗
Главный редактор
BioMaster100 генов-кандидатов из 3696 клеток за ~90 минут
Опрос Citi72% из 50 R&D-руководителей уже применяют ИИ
Ключевой факт #3Лишь 24% ждут заметного роста шансов успеха новых препаратов

Китайская Moonshot AI, которая делает модели Kimi, заявила, что главный источник спроса на передовые ИИ-модели, программирование, подходит к насыщению, и ищет новое поле — биологию, химию и фармацевтику. Первое доказательство уже есть: агент BioMaster на базе Kimi K3.1 Pro получил данные о том, какие гены активны в 3696 клетках поджелудочной железы мыши, и примерно за 90 минут выбрал 100 генов, которые биологу стоит проверить дальше.

По оценке, человек потратил бы на тот же отбор около четырёх часов. Представьте огромную таблицу, где строки — клетки, столбцы — гены, а в ячейках уровень активности: агент заменяет аналитика, который вручную ищет в ней закономерности. Для разработчиков и основателей это сигнал: гонка за лучшую модель смещается из редактора кода в лабораторию, но фармацевты пока относятся к этому осторожно.

Почему Moonshot уходит из кода

Об этом директор по международному развитию компании рассказал на конференции Web Summit в Лиссабоне. По его словам, программирование, которое обеспечило основной спрос на передовые модели, приближается к технологическому насыщению: для большинства задач с кодом уровня моделей уже хватает.

Дальше, по его логике, планка растёт. Задачи в финансах и юриспруденции требуют примерно того же уровня ИИ, что и работа с кодом, а наука поднимает его ещё выше. В науке мало написать правдоподобный текст: результат должен выдержать проверку экспериментом.

Что уже сделано: BioMaster на Kimi K3.1 Pro

Пекинская DP Technology объявила о сотрудничестве с Moonshot: Kimi K3.1 Pro будет работать в её агенте BioMaster, который предназначен для биологических задач. Это пример схемы «универсальная модель плюс специализированный агент»: модель рассуждает, а агент подключает к ней данные и инструменты конкретной области.

На демонстрации BioMaster вместе с Kimi проанализировал экспрессию генов, то есть то, какие гены в клетке «включены» и насколько активно. Из данных 3696 клеток он выделил 100 генов-кандидатов для дальнейшего изучения примерно за 90 минут против оценочных четырёх часов работы человека.

Важно понимать, что именно ускорилось. Это не открытие лекарства, а предварительный отбор: из тысяч признаков получить сотню, которую биолог потом проверит в лаборатории. Такая рутина съедает много времени исследователей. При этом четыре часа — оценка, а не замер на независимой группе, а о качестве отобранных генов в материале не сообщается.

Фарма смотрит скептически

Энтузиазм разработчиков не совпадает с настроением отрасли. Июньский опрос Citi среди 50 руководителей подразделений исследований и разработок американских фармкомпаний показал разрыв между использованием и ожиданиями. В 72% компаний ИИ уже используется или полностью внедрён в исследовательские процессы. Но лишь 24% респондентов ожидают, что технология значительно повысит вероятность успеха новых препаратов.

Иными словами, ускорить анализ данных ИИ умеет, а гарантировать, что больше препаратов дойдёт до пациентов, пока никто не берётся. Главное узкое место фармы — клинические испытания, и языковая модель его сама по себе не снимает.

Что делать на практике

Командам, которые строят агентов, научные домены открывают отдельную нишу: ценность создаёт связка сильной модели и инструментов под конкретную область. Продуктовым командам стоит продавать то, что можно измерить, например экономию времени на разведочном анализе в 90 минут против четырёх часов, а не обещание «ИИ придумает лекарство», которое отрасль пока не покупает.

Стратегия Moonshot понятна и может повториться у других лабораторий: когда рынок кода насыщается, идти туда, где цена ошибки выше, а значит, выше и готовность платить за качество. Удержится ли Kimi в науке, станет ясно, когда появятся независимые проверки результатов BioMaster, а не только демонстрация.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: почему Moonshot уходит из кода?

Об этом директор по международному развитию компании рассказал на конференции Web Summit в Лиссабоне. По его словам, программирование, которое обеспечило основной спрос на передовые модели, приближается к технологическому насыщению: для большинства задач с кодом уровня моделей уже хватает. Дальше, по его логике, планка растёт. Задачи в финансах и юриспруденции требуют примерно того же уровня ИИ, что и работа с кодом, а наука поднимает его ещё выше.

Что известно по теме: что уже сделано: BioMaster на Kimi K3.1 Pro?

Пекинская DP Technology объявила о сотрудничестве с Moonshot: Kimi K3.1 Pro будет работать в её агенте BioMaster, который предназначен для биологических задач. Это пример схемы «универсальная модель плюс специализированный агент»: модель рассуждает, а агент подключает к ней данные и инструменты конкретной области. На демонстрации BioMaster вместе с Kimi проанализировал экспрессию генов, то есть то, какие гены в клетке «включены» и насколько активно.

Что известно по теме: фарма смотрит скептически?

Энтузиазм разработчиков не совпадает с настроением отрасли. Июньский опрос Citi среди 50 руководителей подразделений исследований и разработок американских фармкомпаний показал разрыв между использованием и ожиданиями. В 72% компаний ИИ уже используется или полностью внедрён в исследовательские процессы. Но лишь 24% респондентов ожидают, что технология значительно повысит вероятность успеха новых препаратов.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Закрытый клуб практиков · Vibe Club

Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами

Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.

Вступить в Vibe Club →Тест-драйв Академии (72ч)
Что вы думаете?
Загружаем комментарии…