Старт 23 ноябряЖивой Поток 3 интенсива «Вайбкодинг и ИИ-агенты»: 3 недели практики, 9 живых занятийПоток 3 (23.11) →
РелизНаучная статья · В песочницуThe Decoder→ оригинал

Moonshot AI переключает Kimi с кода на науку: анализ генов за 90 минут вместо 4 часов

Moonshot AI видит, что в программировании модели почти перестали быстро расти, и переключает Kimi на биологию и фарму. Ассистент BioMaster на Kimi K3.1 Pro за 90 минут разобрал данные 3 696 клеток мыши и отметил 100 генов-кандидатов — человеку нужно около четырёх часов. Это как отдать ИИ первичный разбор логов, а выводы оставить инженеру. Открытий без человека ИИ пока не делает.

AI-обработка оригинала The Decoder; редакция Hamidun News
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникThe Decoder ↗
Главный редактор
Опрос Citi (50 руководителей США)72% используют ИИ, 24% ждут роста успеха
TCSExam, 100 задачмодели дали проверяемые доказательства, но ни одной гипотезы
Директор Moonshot Фикаринаука требует умнее моделей, чем право, финансы и код

Китайский стартап Moonshot AI, который делает семейство языковых моделей Kimi, решил уйти из гонки за лучшие результаты в программировании: там каждое новое улучшение даётся всё дороже, а прирост на тестах почти не заметен. Вместо этого компания разворачивает Kimi к биологии, химии и фармацевтическим исследованиям. Наглядный пример уже есть: исследовательский ассистент BioMaster, в который пекинская DP Technology встроила модель Kimi K3.

1 Pro, за 90 минут проанализировал данные по генам из 3 696 клеток поджелудочной железы мыши и отметил 100 генов-кандидатов. По оценке, человеку на ту же работу потребовалось бы около четырёх часов. Представьте разработчика, которому ИИ за полтора часа вместо четырёх разобрал гигантский массив логов и выделил сотню подозрительных мест: проверять их всё равно придётся человеку, но стартовая точка появляется гораздо быстрее.

Для тех, кто строит продукты на LLM, это сигнал о том, куда может сместиться следующая волна спроса.

Почему Moonshot уходит от кода

Международный директор Moonshot AI Джакомо Фикари сказал на Web Summit в Лисабоне, что наука требует более умных моделей, чем право, финансы или программирование. Логика такая: если ассистент для кода или юридических документов уже достаточно хорош для большинства задач, то дальнейшие улучшения дают всё меньше заметной пользы. В исследовательской работе планка выше, а значит, там остаётся пространство для отрыва от конкурентов.

Это не отказ от кода как такового, а смена приоритета. Стартап ставит на то, что сложные научные задачи станут новым полигоном и новым рынком для Kimi.

Что на самом деле показал BioMaster

Важно понимать, что именно ускорилось. Модель не сделала открытие: она просеяла массив данных по генам и предложила список из 100 кандидатов, который биолог дальше проверяет сам. Это привычная роль ассистента: взять рутинную первичную обработку и сократить путь до осмысленной гипотезы. Выигрыш — с четырёх часов до 90 минут, то есть более чем вдвое, — приятен, но это единичный тест, а не доказательство того, что так будет работать вся лаборатория. Время человека здесь оценочное, а не измеренное в контролируемом сравнении.

Где потолок и почему фарма не торопится

Полностью самостоятельные прорывы ИИ пока далеко. На TCSExam, бенчмарке из 100 задач по теоретической информатике, ведущие модели выдавали проверяемые доказательства, но ни одной открытой гипотезы в одиночку не решили. Они уверенно работают там, где путь известен, и пока не выходят за границу известного.

Похожие пределы видят и американские конкуренты. Claude от Anthropic в сентябре нашёл ферментную систему, но заявления OpenAI о прорывах в математике и физике вызвали критику математиков: отдельные впечатляющие результаты есть, однако спорных утверждений не меньше.

Сама фарма тоже не убеждена. По июньскому опросу Citi среди 50 руководителей исследовательских подразделений в США, 72% уже широко используют ИИ, но лишь 24% ждут, что он заметно повысит долю успешных разработок лекарств. ИИ принимают как рабочий инструмент, но не как гарантию того, что лекарства будут появляться чаще.

Что это значит на практике

Во-первых, не стоит рассчитывать, что качество моделей на кодовых бенчмарках продолжит расти прежними темпами: сами разработчики говорят о замедлении. Во-вторых, узкие научные ассистенты вроде BioMaster выглядят реалистичной нишей: понятная предметная область, измеримая метрика (часы работы специалиста) и готовые данные. В-третьих, продавать такие продукты стоит как ускорители рутины, а не как «автоматических учёных»: именно у ускорения есть проверяемый эффект, а скепсис отрасли подтверждён цифрами опроса.

Оговорка: большая часть сведений исходит из выступления представителя компании и пересказа в прессе, а результат BioMaster описан одним тестом без независимой проверки. Но направление показательное: борьба за лидерство в LLM постепенно смещается от вопроса «кто лучше пишет код» к вопросу «кто полезнее в реальной науке».

Сюжет

Вопросы и ответы по материалу

Что известно по теме: почему Moonshot уходит от кода?

Международный директор Moonshot AI Джакомо Фикари сказал на Web Summit в Лисабоне, что наука требует более умных моделей, чем право, финансы или программирование. Логика такая: если ассистент для кода или юридических документов уже достаточно хорош для большинства задач, то дальнейшие улучшения дают всё меньше заметной пользы. В исследовательской работе планка выше, а значит, там остаётся пространство для отрыва от конкурентов. Это не отказ от кода как такового, а смена приоритета.

Что известно по теме: что на самом деле показал BioMaster?

Важно понимать, что именно ускорилось. Модель не сделала открытие: она просеяла массив данных по генам и предложила список из 100 кандидатов, который биолог дальше проверяет сам. Это привычная роль ассистента: взять рутинную первичную обработку и сократить путь до осмысленной гипотезы. Выигрыш — с четырёх часов до 90 минут, то есть более чем вдвое, — приятен, но это единичный тест, а не доказательство того, что так будет работать вся лаборатория.

Что известно по теме: где потолок и почему фарма не торопится?

Полностью самостоятельные прорывы ИИ пока далеко. На TCSExam, бенчмарке из 100 задач по теоретической информатике, ведущие модели выдавали проверяемые доказательства, но ни одной открытой гипотезы в одиночку не решили. Они уверенно работают там, где путь известен, и пока не выходят за границу известного. Похожие пределы видят и американские конкуренты.

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.
✦ Единое AI-пространство · Nomad

Протестируйте новые LLM и мультимодальные модели в одном окне

Платформа Nomad AI (nomadnet.ai) даёт прямой доступ к Claude Opus 5.5, GPT-6, Gemini 3.1, DeepSeek и автономным агентам без VPN, зарубежных карт и зоопарка подписок.

Открыть Nomad AI →Автономный Nomad Agent
Что вы думаете?
Загружаем комментарии…