- Claude đang cách mạng hóa Khoa học Đời sống bằng cách giải quyết các vấn đề R&D phức tạp chỉ trong vài phút, ví dụ điển hình là khắc phục sự cố kéo dài ba tháng chỉ bằng một phản hồi.
- Anthropic tập trung vào việc phát triển Claude như một đối tác mạnh mẽ cho các nhà khoa học, nâng cao hiệu suất làm việc hàng ngày bằng cách tự động hóa các tác vụ lặp lại và hỗ trợ từ giai đoạn khám phá ban đầu đến phát triển và tuân thủ quy định.
- Các mô hình AI tiên tiến như Sonnet 4.5 và khả năng tác nhân (agentic capabilities) trong Claude Code cho phép Claude tích hợp với các công cụ khoa học hiện có và thực hiện các quy trình làm việc dài hạn, phức tạp, biến nó thành một "trợ lý nghiên cứu siêu việt".
Introducing Claude for Life Sciences
- Tăng cường nhà khoa học: Claude được thiết kế để trao quyền cho các nhà khoa học cá nhân, đóng vai trò như một đối tác động não và giúp loại bỏ các công việc nền tảng, cho phép họ tập trung vào các khía cạnh sáng tạo và có đòn bẩy cao hơn của khoa học.
- Giải quyết toàn diện quá trình khoa học: AI hỗ trợ toàn bộ phổ nghiên cứu khoa học, từ khám phá giai đoạn đầu (thiết kế phân tử, gấp protein) đến phát triển và chuyển giao (soạn thảo giao thức, gỡ lỗi, phân tích tin sinh học, viết báo cáo).
- Tích hợp hệ sinh thái công cụ: Claude đang tích hợp với các công cụ khoa học quan trọng như Benchling (quản lý thí nghiệm), 10x Genomics (phân tích tế bào đơn) và PubMed (truy vấn tài liệu) để hoạt động hiệu quả trong quy trình làm việc hiện có của nhà khoa học.
- Trợ lý nghiên cứu siêu việt: Mục tiêu là biến Claude thành một "trợ lý nghiên cứu siêu việt" có thể hỗ trợ nhà khoa học ở mọi giai đoạn dự án, từ tạo giả thuyết, thực hiện thí nghiệm, phân tích dữ liệu tính toán đến trình bày kết quả.
- Khả năng tác vụ dài hạn và tác nhân: Các mô hình như Sonnet 4.5 được cải thiện đáng kể về khả năng xử lý các tác vụ dài hạn và chuỗi lệnh gọi công cụ phức tạp, cho phép tự động hóa các quy trình tin sinh học kéo dài và các phần công việc đáng kể.
- Tối ưu hóa R&D và quy trình pháp lý: Claude chứng minh hiệu quả trong việc tối ưu hóa quy trình R&D (ví dụ: gỡ lỗi quy trình xét nghiệm) và có tiềm năng lớn trong việc tăng tốc các quy trình pháp lý (ví dụ: soạn thảo hồ sơ pháp lý với FDA).
- Huấn luyện khoa học chuyên sâu: Sonnet 4.5 là mô hình đầu tiên của Anthropic trải qua huấn luyện khoa học mở rộng, giúp nó có kỹ năng trong nhiều lĩnh vực khoa học khác nhau và có khả năng khái quát hóa mạnh mẽ hơn, đặc biệt trong các khía cạnh tính toán.
- Sức mạnh của "Claude Code" trong sinh học: Môi trường phát triển AI đa năng như "Claude Code" (mà nhiều người gọi là
Claude Code) được coi là một tác nhân mạnh mẽ, hữu ích trong tin sinh học, xem xét tài liệu và tổ chức dự án do khả năng ngữ cảnh dài và tác nhân của nó.
- Khoa học Đời sống — Life Sciences
- Hệ sinh thái — Ecosystem
- Tác vụ — Task
- Quy trình làm việc — Workflow
- Giao thức — Protocol
- Tin sinh học — Bioinformatics
- Mô hình AI — AI Model
- Ngữ cảnh — Context
- Tích hợp — Integrate/Integration
- Tác nhân — Agent (hoặc agentic)
Khắc Phục Vấn Đề Khoa Học Cùng Claude
Phải mất đến ba tháng, rất nhiều người làm việc ngày đêm trong phòng thí nghiệm để khắc phục một vấn đề. Tôi đã đặt vấn đề này cho Claude. Tôi hỏi, "Này, chúng ta nên làm gì để nó không bị kẹt?" Và chỉ trong một phút, với một phản hồi duy nhất, Claude đã đưa ra câu trả lời ngay lập tức.
Chào, tôi là Jonah Kuhl, Trưởng bộ phận Khoa học Đời sống, tập trung vào Quan hệ đối tác và Triển khai tại Anthropic. Chào, tôi là Eric Codder Abrams, Trưởng bộ phận Sinh học và Khoa học Đời sống tại Anthropic. Tôi tập trung vào nghiên cứu và phát triển sản phẩm. Và cùng nhau, chúng tôi đang cố gắng huấn luyện Claude trở thành một nhà sinh học.
Tầm Quan Trọng Của Khoa Học Đời Sống Với AI
Eric, chúng ta hãy nói về khoa học. Tôi thực sự rất hào hứng về điều này và cả việc Anthropic đang tập trung vào lĩnh vực này. Có lẽ chúng ta nên bắt đầu bằng cách suy nghĩ về lý do tại sao Khoa học Đời sống, tại sao Claude, và Anthropic mang lại điều gì cho một Hệ sinh thái vốn đã rất lớn nhưng đang phát triển nhanh chóng này.
Tôi nghĩ đây là một câu hỏi thực sự quan trọng. Vì vậy, tôi sẽ bắt đầu với lý do tại sao chúng tôi tập trung vào Khoa học Đời sống. Điều này đi thẳng vào trọng tâm sứ mệnh của chúng tôi. Tôi nghĩ rằng nhiều người có thể không nhận ra điều này, nhưng khi chúng tôi nói về các trường hợp sử dụng AI có lợi và tất cả những điều tuyệt vời mà chúng tôi có thể làm trên thế giới với AI tiên tiến mà chúng tôi đang phát triển, thực ra, nơi số một mà chúng tôi tại Anthropic hào hứng áp dụng là trong sinh học và Khoa học Đời sống. Nếu bạn đọc tài liệu nền tảng của chúng tôi và nói chuyện với mọi người ở đây, đó là lĩnh vực chính mà chúng tôi thực sự tập trung vào việc mang lại tác động có lợi. Đối với tôi, việc tham gia và hòa mình vào tất cả năng lượng và sự hào hứng dồn nén để áp dụng mọi thứ chúng tôi có vào không gian này là một điều vô cùng thú vị.
Claude Nâng Cao Hiệu Suất Nhà Khoa Học
Và sau đó, đi sâu hơn vào lý do tại sao Claude và cách tiếp cận của chúng tôi, với tư cách là AI tiên tiến, có thể khác biệt so với một số cách tiếp cận khác hiện có. Tôi nghĩ có hai điều nổi bật. Jonah, bạn và tôi đã nói rất nhiều về điều này, nhưng điều đầu tiên là chúng tôi quan tâm đến việc xây dựng các công cụ trao quyền cho các nhà khoa học cá nhân và nâng cao trải nghiệm của một nhà khoa học trong cuộc sống hàng ngày, thực hiện tất cả các công việc mà họ đang làm. Vì vậy, chúng tôi muốn mang lại cho mọi người trải nghiệm tương tự như các kỹ sư phần mềm đã có, đó là có một đối tác động não để làm việc cùng và giao một tác vụ trong suốt quy trình làm việc. Chúng tôi muốn mang điều đó đến cho các nhà sinh học trong phòng thí nghiệm và trên khía cạnh tính toán. Và vì vậy, trọng tâm bổ sung của chúng tôi thực sự là về việc xây dựng các công cụ giúp các nhà khoa học làm việc hiệu quả hơn và cũng khiến khoa học trở nên thú vị hơn.
Đúng vậy, loại bỏ một số công việc nền tảng mà mọi người đều muốn thoát khỏi và cho phép bạn tập trung hơn vào khía cạnh sáng tạo, có đòn bẩy cao. Đó là phần đầu tiên. Và sau đó, điều thứ hai là chúng tôi thực sự tập trung không chỉ vào các vấn đề khám phá giai đoạn đầu đầy thú vị, như thiết kế phân tử và gấp protein trong những vấn đề có tác động lớn mà nhiều người trong lĩnh vực này đã tập trung vào. Mà chúng tôi muốn giải quyết toàn bộ phổ từ khám phá giai đoạn đầu cho đến phát triển và chuyển giao. Và đối với chúng tôi, điều đó có nghĩa là chia nhỏ nó thành toàn bộ thế giới các tác vụ khác nhau tồn tại trong không gian này. Mọi thứ từ việc soạn thảo và xem xét các giao thức và gỡ lỗi chúng, đến thực hiện phân tích tin sinh học và viết kết quả của bạn trong bài thuyết trình và các bài báo, v.v. Có cả một thế giới tác vụ quan trọng ở ngoài kia. Và chúng tôi đang có một cái nhìn toàn diện và giải quyết tất cả chúng.
Cách Thức Claude Thay Đổi Khoa Học
Tôi nghĩ đây là một thời điểm thực sự thú vị để suy nghĩ về khoa học và có thể là AI nói chung hơn. Và có một khuynh hướng nghĩ về việc AI sẽ giải quyết vấn đề gì cho tôi. Nhưng, cách mà tôi nghĩ chúng tôi đang suy nghĩ về nó, cách mà bạn vừa mô tả rất hay, và cách mà "Machines of Loving Grace" có lẽ cũng đang suy nghĩ về điểm hơi khác biệt đó, đó là: làm thế nào để chúng ta thay đổi cách chúng ta làm khoa học? Và điều đó sau đó sẽ tác động đến việc giải quyết cấu trúc, phân tử, mô và hình ảnh, và bắt đầu suy nghĩ thông suốt thế giới đó.
Vì vậy, với ý nghĩ đó, có lẽ chúng ta sẽ chuyển sang phần tiếp theo. Chúng tôi đã thấy sức mạnh của Claude, tôi nghĩ cả hai chúng ta đều đã trải nghiệm điều này, và sự thích thú, niềm vui khi làm khoa học với Claude và các khả năng hiện tại của nó. Nhưng giờ đây cũng bắt đầu suy nghĩ, trong nhóm nghiên cứu mà bạn đang dẫn dắt, về cách chúng ta nâng cao các khả năng đó. Và vì vậy, có lẽ trong một phút, chúng ta có thể chat một chút về cách các khả năng và Hệ sinh thái hiện tại và sau đó có thể là Ngữ cảnh mở rộng thông qua Giao thức Ngữ cảnh Mô hình (MCP) trong khoa học đời sống bắt đầu tạo ra trường hợp cơ bản này. Và sau đó là suy nghĩ của bạn về cách chúng ta mở rộng và thậm chí đẩy nó đi xa hơn. Và, điều đó sẽ trông như thế nào và hình thành ra sao.
Tích Hợp Công Cụ và Phát Triển Khả Năng Trợ Lý Nghiên Cứu
Đúng vậy, hoàn toàn. Chúng ta đã nói rất nhiều về điều này. Tôi nghĩ rằng, điều quan trọng là phải biết "bò, đi, chạy" trong không gian này. Có rất nhiều điều về việc làm sinh học và để AI hữu ích trong khoa học khác biệt so với cách AI hữu ích trong không gian AI nói chung. Vì vậy, có lẽ, để sử dụng một phép ẩn dụ cũ về chạy, bạn bắt đầu nhanh, tăng tốc ở giữa và về đích nước rút. Vì vậy, rất ít bò, mà chỉ có nước rút, và sau đó nước rút nhanh hơn. Nước rút, nước rút nhanh hơn, rồi bay, rồi tên lửa, chính xác. Đó là điều chúng tôi đang hướng tới ở đây. Nhưng ở cấp độ cơ bản nhất, chúng tôi cần Claude có thể giao tiếp với tất cả các công cụ mà các nhà khoa học đang sử dụng hàng ngày. Và có cả một Hệ sinh thái gồm các công cụ và đối tác quan trọng mà chúng tôi đang tích hợp với. Chúng tôi nói về Benchling trong việc quản lý thí nghiệm, sổ tay phòng thí nghiệm; 10x Genomics với Cell Ranger – một nền tảng cực kỳ quan trọng để phân tích thí nghiệm tế bào đơn; và PubMed, ví dụ, để có thể truy vấn tài liệu. Và đây chỉ là ba đối tác cực kỳ quan trọng trong một Hệ sinh thái lớn hơn nhiều. Và ở cấp độ cơ bản đó, chúng tôi cần đảm bảo rằng Claude có thể nói chuyện với tất cả các nguồn chính mà các nhà khoa học đang sử dụng trong công việc hàng ngày của họ.
Và tôi nghĩ cấp độ tiếp theo là chúng tôi muốn đưa Claude đạt đến trình độ của một trợ lý nghiên cứu siêu việt có thể hỗ trợ bạn với tư cách là một nhà khoa học trong tất cả các giai đoạn của dự án của bạn. Từ giai đoạn tạo giả thuyết ban đầu, khi mọi thứ sáng tạo hơn và bạn đang xem xét tài liệu, động não, đến giai đoạn thực hiện thí nghiệm, nơi bạn đang soạn thảo giao thức, gỡ lỗi mọi thứ trong phòng thí nghiệm và thậm chí thực sự chạy các thí nghiệm đó trong phòng thí nghiệm, đến tính toán và dữ liệu và tất cả những thứ đó. Khi bạn đang chạy các mã tin sinh học của mình, bạn đang thực hiện học máy trên đó hoặc một số thống kê và bạn đang trình bày kết quả cho đồng nghiệp hoặc cho chính mình. Và ở đây, đây là nơi chúng tôi đã chia nhỏ các tác vụ thành tất cả các lĩnh vực đó. Và chúng tôi đang tìm ra, làm thế nào để chúng tôi đánh giá mức độ tốt của các mô hình AI của chúng tôi trong việc thực hiện các tác vụ đó và làm thế nào để chúng tôi nhanh chóng cải thiện hiệu suất trong tất cả các lĩnh vực đó. Vì vậy, chúng tôi đang đầu tư lớn vào việc thực hiện điều đó ngay bây giờ.
Và tôi nghĩ cũng cần phải nói rằng chúng tôi không chỉ làm điều này một cách chung chung. Theo một số cách, bạn không thể nói về khoa học đời sống như một thứ nguyên khối. Có tất cả các lĩnh vực phụ khác nhau trong đó. Và chúng tôi có một trình tự cụ thể trong tâm trí, nơi chúng tôi muốn nghĩ về nó như bao gồm một lõi các tác vụ quan trọng được chia sẻ trong nhiều lĩnh vực khác nhau. Và sau đó trong đó, có các lĩnh vực phụ khác nhau thực sự quan trọng. Và chúng tôi muốn giải quyết tất cả. Nhưng chúng tôi thực sự tập trung vào việc bắt đầu với cốt lõi đó sẽ hữu ích trong suốt hành trình.
Hệ Sinh Thái Đối Tác và Tác Vụ Dài Hạn
Một điều mà tôi thực sự phấn khởi về các đối tác hiện tại của chúng tôi và những người tham gia sớm ở đây để xây dựng nền tảng này, đặc biệt với Giao thức Ngữ cảnh Mô hình (MCP), là bạn đã đề cập đến 10x Genomics, bạn đã đề cập đến PubMed, bạn đã đề cập đến các nhóm như Benchling, và sau đó là Sage BioNetworks, BioRender. Quay trở lại điểm cuối cùng đó, nó thực sự chứng minh và hy vọng đưa vào hành động thực tế rằng không chỉ là giải quyết một vấn đề. Mà trong nhóm đó, bạn có tài liệu, bạn có công cụ, bạn có quy trình làm việc phân tích, bạn có phần đỉnh cao với hình ảnh hoàn hảo hoặc sơ đồ mạng lưới trong BioRender. Và tôi kỳ vọng rằng trong những tuần, tháng tới, toàn bộ Hệ sinh thái đó sẽ phát triển theo cấp số nhân. Và với điều đó, là sức mạnh cho ngày càng nhiều nhà khoa học. Và tôi nghĩ điều đó thật sự tuyệt vời và thú vị.
Tôi nghĩ đó là một điểm tuyệt vời. Đó là trải nghiệm mà rất nhiều người trong chúng ta đã có ở phía phần mềm. Đối với tôi, tôi luôn là một phần của thế giới phần mềm, và một phần khác của thế giới sinh học này. Và mọi thứ bắt đầu từ phía phần mềm, nơi bạn sẽ đưa cho Claude những đoạn nhỏ của các tác vụ. Và theo thời gian, những tác vụ đó trở nên dài hạn hơn, Claude trở nên tự chủ hơn, có thể tích hợp liền mạch hơn thông qua các công cụ khác nhau ở đó. Và tôi nghĩ chúng ta đang ở ngay điểm bùng nổ đó trong khoa học đời sống, nơi chúng ta hiện đang với tất cả các kết nối mà chúng ta đang giới thiệu, có thể mở khóa giai đoạn tiếp theo, nơi bạn không chỉ phải yêu cầu Claude thực hiện một phân tích và sau đó bạn làm một số công việc. Và sau đó bạn quay lại và tạo một hình minh họa BioRender và yêu cầu Claude chỉnh sửa nó. Chúng ta thực sự có thể giao cho Claude một phần công việc có ý nghĩa mà một nhà khoa học con người phải mất vài giờ để làm. Và tôi nghĩ rằng sự chuyển đổi đó là điểm thực sự thú vị trong một lĩnh vực mà nó từ một loại tiện ích hữu ích trở thành một đối tác động não thực sự. Đúng vậy, chỉ cần được nhúng vào quy trình làm việc và cộng tác.
Sức Mạnh Của Sonnet 4.5
Gần đây chúng tôi đã phát hành Sonnet 4.5, một mô hình AI thực sự thú vị và siêu mạnh mẽ. Tôi nghĩ một trong những điều mà chúng tôi đã thấy, và tôi rất muốn nghe quan điểm của bạn về phía nghiên cứu, là cách mô hình đó hoạt động trong ngữ cảnh các lĩnh vực khoa học khác nhau. Vậy, bạn đã thấy những gì trong sự phát triển và sức mạnh của các mô hình AI đó và có thể là một số đánh giá sớm hoặc tiêu chuẩn mà chúng ta đã thấy trong các tác vụ khác nhau liên quan đến các nhà khoa học?
Tôi nghĩ có hai điều về Sonnet 4.5 mà tôi thực sự hào hứng, đã nâng cao đáng kể công việc của tôi. Đầu tiên là đây là mô hình AI đầu tiên của chúng tôi đã trải qua huấn luyện khoa học mở rộng. Vì vậy, Sonnet 4.5 có kỹ năng trong nhiều lĩnh vực khoa học khác nhau. Và tôi nghĩ một trong những điều thú vị là có rất nhiều thứ có thể khái quát hóa được. Và vì vậy, việc Sonnet 4.5 giỏi hơn về toán học đã có một số tác động nâng cao các khả năng khác nhau trong sinh học, đặc biệt là về mặt tính toán. Và tôi nghĩ rằng việc đây là mô hình AI có năng lực khoa học thực sự đầu tiên của chúng tôi là điều thực sự thú vị. Đúng vậy, và có một số điều mới về phía huấn luyện mô hình đã giúp điều đó trở thành hiện thực, những điều mà chúng tôi chỉ đang dựa vào đó, đẩy nhanh với tất cả các mô hình AI trong tương lai ở đây. Và điều thứ hai là khả năng của nó trong việc thực hiện các tác vụ dài hạn, bao gồm chuỗi dài các lệnh gọi công cụ khác nhau. Vì vậy, đây là điều mà, đối với bất kỳ ai đã thực hiện các loại quy trình đường ống tin sinh học dài và những thứ tương tự, là hoàn toàn cần thiết. Và chúng tôi đã thấy một bước nhảy vọt lớn trong những khả năng đó với Sonnet 4.5, điều này khiến nó có khả năng độc đáo để bắt đầu thực hiện các quy trình làm việc tin sinh học thực sự dài này.
Tác nhân AI và Phân tích Dữ liệu
Vâng, tôi nghĩ rằng, các workflow phân tích và cách chúng áp dụng cho các bề mặt khác nhau của Claude (ám chỉ Claude Code). Rất nhiều người nghĩ về Claude và họ hình dung giao diện chat. Nhưng tất nhiên, đối với nhiều nhà khoa học – có thể một số người nhận ra, một số người không – sức mạnh của mã agentic cho phép các nền tảng như Claude Code hoặc các nơi khác, nơi ngữ cảnh dài hơn và tất cả sức mạnh đó trở nên thực sự thú vị cho phân tích dữ liệu, để tích hợp, để suy luận trên các loại kiến thức khác nhau. Và đó là một điểm khởi đầu đáng kinh ngạc, phải không? Nơi mà nếu chúng ta có thể bắt đầu xây dựng. Vâng, thực sự là vậy. Và tôi biết đây là một trong những điều mà bạn và tôi đã rất hào hứng, đó là Claude Code cực kỳ hữu ích như hiện nay trong sinh học. Và hầu hết mọi người không nhận ra điều đó, phải không? Nó được gọi là Claude Code, không phải Claude Biology, phải không? Nhưng, bạn biết đấy, ẩn sâu bên trong đó là một tác nhân đa năng thực sự mạnh mẽ mà tôi, đặc biệt là nhiều người mà chúng tôi đã nói chuyện trong cộng đồng, đã bắt đầu sử dụng trong tin sinh học, thậm chí trong những việc như soạn thảo các bài báo, đánh giá tài liệu và tổ chức các dự án của bạn. Và vì vậy tôi nghĩ đó chắc chắn là điều mà chúng tôi sẽ dồn nhiều năng lượng hơn vào.
Trải nghiệm Khám phá và Tối ưu hóa Công việc
Vâng, ý tôi là, có những khoảnh khắc đó, và với tư cách là một nhà công nghệ và là người yêu thích phát triển công nghệ và áp dụng chúng vào sinh học, một sở thích mà tôi biết cả hai chúng ta đều chia sẻ. Bạn biết đấy, có những khoảnh khắc khi bạn nhìn thấy công nghệ hoặc trải nghiệm công nghệ và bạn thực sự cảm nhận được chúng. Và tôi vẫn có khoảnh khắc được nâng tầm đó, nhớ lại lần đầu tiên chơi với Claude Code và biến các tác vụ nằm ngoài khả năng kỹ thuật của mình trở nên dễ dàng thu hẹp và quản lý được, hoặc các tác vụ chạy và thực thi workflow tốn thời gian và rườm rà trở nên tầm thường, phải không? Ý tôi là, nó đặt những công cụ đó vào tay của các nhà khoa học một cách vô cùng mạnh mẽ. Thực sự là vậy. Và, bạn biết đấy, việc bạn nhắc đến những khoảnh khắc mà bạn cảm nhận sâu sắc những khả năng mới đang tồn tại, điều đó làm tôi nhớ lại khoảnh khắc đối với tôi, lần đầu tiên thực sự đánh thức tôi. Và điều này thực sự là vào thời Sonnet 3.5 khi mà, ồ, những LLM này và những mô hình tiên tiến này thực sự phù hợp với những gì chúng ta đang làm trong khoa học đời sống.
Claude trong Khoa học Đời sống và Nghiên cứu & Phát triển
Đối với tôi, khoảnh khắc đó là khi tôi đang điều hành một công ty công nghệ sinh học mà tôi đã thành lập. Và tôi có ý tưởng muốn thử xem, nếu tôi có quyền truy cập vào Claude khi tôi bắt đầu công ty này năm năm trước, thì tôi đã tiết kiệm được bao nhiêu thời gian? Và tôi đã tiết kiệm được bao nhiêu đau khổ khi cố gắng vượt qua một số vấn đề R&D thực sự khó khăn này? Và tôi sẽ không bao giờ quên điều này vì rào cản chiến thuật lớn đầu tiên mà chúng tôi gặp phải khi thành lập công ty này, đó là một vấn đề mà chúng tôi đang phát triển một quy trình xét nghiệm, cố gắng phát hiện COVID trong trường hợp này. Và nó không hoạt động. Chúng tôi bị ức chế bởi ma trận mẫu và chúng tôi không thể tìm ra nguyên nhân, phải không? Và cuối cùng chúng tôi mất ba tháng, và rất nhiều người làm việc ngày đêm trong phòng thí nghiệm để khắc phục vấn đề. Và tôi đã đưa vấn đề này cho Claude. Tôi nói, này, chúng tôi đang cố gắng phát triển quy trình xét nghiệm này và chúng tôi thấy rằng mẫu đang ức chế mọi thứ và chúng tôi nên làm gì để giải quyết nó? Và chỉ trong một phút, một phản hồi, Claude thực sự đã đưa ra câu trả lời ngay lập tức. Và tôi nói, này, tôi nghĩ bạn nên thêm lượng hóa chất này vào hỗn hợp. Và đó là một khoảnh khắc thực sự mở mang tầm mắt, phải không? Rằng ở đây, khi trò chuyện với Claude, bạn đang nói chuyện với một phiên bản cô đọng của toàn bộ kiến thức khoa học, phải không? Và vào thời điểm đó, nó không hoàn hảo, nhưng nó đang nhanh chóng trở nên tốt hơn. Luôn có sự căng thẳng này và tôi nghĩ các nhà khoa học muốn sự hoàn hảo, phải không? Đó là điều mà tất cả chúng ta đều hướng tới và muốn sự cụ thể đó. Nhưng đối với nhiều công việc kìm hãm khoa học, như tối ưu hóa quy trình, một câu trả lời không hoàn hảo nhưng hữu ích là loại điều mà chúng ta tìm đến, từ những đồng nghiệp đáng tin cậy nhất, những người có thể nói, tôi không biết liệu, nhưng điều này trông quen thuộc, phải không? Tôi đã gặp vấn đề này vào một thời điểm nào đó, giống như những giáo sư uyên bác, họ là những sinh viên cực kỳ thông minh ở cuối hành lang. Và một lần nữa, đó không phải là tìm kiếm sự hoàn hảo, mà là tìm cách thoát khỏi bế tắc. Đó là tìm cách giúp đỡ. Đó là tìm cách giúp bạn tiếp tục và hướng tới khám phá, điều mà tất cả chúng ta đang tìm kiếm, phải không?
Tối ưu hóa Quy trình Pháp lý với AI
Vâng, hoàn toàn. Hoàn toàn. Tôi nghĩ một lĩnh vực khác thực sự nổi bật đối với tôi ngay từ đầu là, điều này có liên quan sau này trong giai đoạn chuyển đổi, đó là trong quy trình pháp lý, phải không? Vì vậy, tôi đã dành rất nhiều thời gian để viết các hồ sơ pháp lý, trải qua các quy trình đó với FDA và Claude thực sự có khả năng trong lĩnh vực đó. Và tôi nghĩ có một cơ hội rất lớn, cả về phía ngành công nghiệp và phía FDA, để nhận ra rằng chúng ta có những công cụ này có thể đẩy nhanh quy trình ở cả hai phía và tạo điều kiện cho các tiêu chuẩn nhất quán trên diện rộng. Và tôi thực sự hào hứng về việc theo đuổi điều đó. Tôi biết mọi người trong toàn bộ ngành này cũng vậy.
Thách thức và Cơ hội trong Sinh học và AI
Được rồi, chúng ta hãy tập trung vào điều này một phút. Trong sinh học, trong AI, thậm chí có thể nếu bạn lùi lại một bước khỏi AI và nghĩ về kỹ thuật và công nghệ, sinh học khoa học đời sống là một nền tảng thường xuyên mà mọi người thực sự hào hứng với ý tưởng về sinh học hoặc cách nó chỉ cách một bước để có thể lập trình ngay lập tức. Vì vậy, một số ý tưởng và trực giác đó, tôi nghĩ chúng ta có thể đồng ý. Nhưng tôi nghĩ trong nhiều trường hợp, đó là những người có thể yêu thích ý tưởng về sinh học hơn là thực sự biết khoa học đời sống, khung pháp lý trông như thế nào. Hãy nói thêm một chút về kinh nghiệm của bạn hoặc kinh nghiệm tập thể của chúng ta với tư cách là các nhà khoa học và cách mang một số kiến thức chi tiết đó vào các mối quan hệ đối tác của chúng ta, vào các nỗ lực nghiên cứu của chúng ta, và những khoảnh khắc đó đã trông như thế nào đối với bạn trong quá khứ và cách chúng có thể đang ảnh hưởng đến các ưu tiên hoặc cách tiếp cận.
Vâng, tôi nghĩ đây là một chủ đề thực sự quan trọng, và cũng khá thú vị để nói đến. Theo một cách nào đó, đó là một trong những khuôn mẫu lâu đời nhất trong lĩnh vực các nhà khoa học máy tính, nhà vật lý, nhà toán học bước vào sinh học với tất cả những quan niệm lãng mạn này, rồi dành năm đầu tiên trong phòng thí nghiệm và sau đó ra ngoài trong tình trạng sốc. Vỡ mộng về tất cả những điều có thể, phải không? Tôi nghĩ rằng nơi bạn và tôi đều đến và cách chúng ta đang làm mọi việc ở đây là chúng ta biết cuộc sống trong phòng thí nghiệm như thế nào và chúng ta muốn giải quyết những vấn đề thực sự là nút thắt cổ chai của lĩnh vực này, phải không? Tôi sẽ nói rằng đó là nền tảng của tôi khi đến từ phía khoa học máy tính và toán học và đã tiếp thu kiến thức sinh học trong nhiều năm khi ở trong phòng thí nghiệm. Và tôi không vỡ mộng. Tôi thực sự tin rằng chúng ta có cơ hội nâng cao đáng kể năng lực của các nhà sinh vật học trong việc thực hiện nghiên cứu có tác động đáng kinh ngạc và với những công cụ chúng ta có bây giờ, cuối cùng chúng ta đã ở khoảnh khắc mà tất cả những điều này đều có thể. Vì vậy, tôi vẫn giữ sự lạc quan mà tôi đã có khi lần đầu tiên tham gia vào lĩnh vực này. Tôi nghĩ tất cả kinh nghiệm trong phòng thí nghiệm đã thực sự làm rõ để giúp chỉ ra, được rồi, có những vấn đề thực sự ở đây không hề đẹp đẽ và đòi hỏi rất nhiều công việc mài mòn để đi vào và gỡ rối. Nhưng tôi nghĩ bây giờ chúng ta đã sẵn sàng để tạo ra sự thay đổi trong đó. Nhưng tôi rất muốn nghe suy nghĩ của bạn.
Claude: Trợ lý Nghiên cứu và Cộng tác viên Khoa học
Vâng, tôi hoàn toàn đồng ý, phải không? Ý tôi là, tôi chia sẻ sự lạc quan đó. Tôi nghĩ rằng có nhiều người không phải lúc nào cũng hiểu khoa học khó khăn như thế nào mà còn hiểu tầm quan trọng của sự kiên trì và thực tế rằng nghiên cứu – và tôi nghĩ điều này có lẽ cũng áp dụng cho chuỗi quy trình lâm sàng – là bởi vì nó rất khó khăn, bởi vì có rất nhiều kiến thức cần được kết hợp và mọi bước cũng như việc gỡ lỗi trong sự phức tạp của sinh học, cho dù đó là tối ưu hóa quy trình hay phân tích dữ liệu, thực sự khó để một người, có lẽ thậm chí không phải một nhóm và hiếm khi là một tổ chức có thể nắm giữ tất cả chuyên môn đó. Và kết quả của điều đó, và tôi nghĩ đó là nơi mà một lần nữa, chúng ta cung cấp một công nghệ thực sự mạnh mẽ trong Claude và một trợ lý nghiên cứu kiêm cộng tác viên, đó là nó bắt đầu mang lại nhiều sự linh hoạt hơn, phải không? Nó hạ thấp rào cản cho phân tích tính toán đối với những người có thể không có nền tảng khoa học máy tính. Nó mang lại một số kỹ năng sinh học phân tử và tối ưu hóa cho những người chưa dành cả đời để nhân bản và làm sinh học phân tử. Và sau đó nó cũng giúp cho những khám phá có thể chuyển giao giữa các lĩnh vực, phải không? Ý tôi là, tôi không được đào tạo như một nhà thần kinh học. Tôi từng rất thích đi nghe các bài giảng về khoa học thần kinh, nhưng sau đó chúng tôi phải quay lại và hỏi rất nhiều câu hỏi ngây thơ. Nhưng bạn biết đấy, việc thấy quang di truyền lần đầu tiên, được khám phá trong khoa học thần kinh đã mất quá nhiều thời gian để truyền bá đến sinh học tế bào và các lĩnh vực khác. Và tôi nghĩ sức mạnh của Claude và Claude với tư cách là một nhà khoa học đời sống là nó bắt đầu giải quyết một số vấn đề cốt lõi trong sinh học, mà còn bắt đầu tạo ra sự linh hoạt đó và bắt đầu phá vỡ các rào cản trong một số phần khiến khoa học trở nên khó khăn.
Mô hình Nền tảng Sinh học và Trí tuệ Tổng quát
Tôi hoàn toàn đồng ý. Và một điều nữa tôi muốn đề cập khi chúng ta nói về triển vọng và lộ trình nghiên cứu của chúng ta và những thứ tương tự là chúng ta đã tập trung rất nhiều vào những thứ cốt lõi, những tác vụ thực tiễn này, phải không? Những tác vụ thực sự thú vị, nhưng ở cấp độ bề mặt hơn. Tôi cũng muốn chỉ ra rằng chúng ta đang thấy một xu hướng ngày càng tăng trong lĩnh vực này tập trung vào các mô hình nền tảng sinh học. Những mô hình có khả năng ưu việt trên các phương thức sinh học, phải không? Các trình tự DNA, và trình tự protein và đa phương thức cũng như dữ liệu biểu hiện và tất cả các loại thứ. Và một xu hướng thực sự thú vị để theo dõi là ngày càng có nhiều bài báo ra đời theo thời gian chứng minh rằng những điều mà trước đây trông có vẻ như bạn cần các mô hình sinh học chuyên biệt cho, có lẽ bạn không cần. Và có lẽ thực sự với các mô hình quy mô tiên tiến rất lớn như Claude với loại huấn luyện phù hợp, chúng ta có thể bắt đầu phát triển những khả năng đó. Và vì vậy tôi nghĩ rằng tất cả chúng ta với tư cách là một lĩnh vực đang ở giai đoạn đầu của việc giải quyết vấn đề đó, nhưng tôi nghĩ đó là một xu hướng thực sự, thực sự thú vị để theo dõi và chúng ta sẽ theo đuổi khá mạnh mẽ, phải không? Tôi nghĩ rằng việc có những khả năng ưu việt này trong các phương thức sinh học này thực sự mạnh mẽ cho các mô hình nền tảng sinh học cụ thể này, nhưng để thực sự làm cho điều đó dễ tiếp cận với mọi người, bạn cần có khả năng giao tiếp với nó bằng ngôn ngữ, phải không? Và vì vậy tôi muốn nhấn mạnh điều đó như một điểm thú vị. Vâng, ý tôi là, đó là một điểm tuyệt vời, bạn biết đấy, khi lĩnh vực này phát triển, và ở đây tôi muốn nói cả lĩnh vực AI, mà còn nhiều lĩnh vực của khoa học đời sống, và tôi nghĩ chúng ta đã thấy rất nhiều đối tác thực sự thú vị, đó là các công ty khởi nghiệp AI bản địa trong không gian công nghệ sinh học đang sử dụng một số công cụ này cũng như các đối tác dược phẩm lớn. Và cách các mảnh ghép khác nhau kết hợp với nhau, phải không? Vì vậy, các mô hình nền tảng sinh học, các mô hình trí tuệ tổng quát, các tập dữ liệu cụ thể, bạn biết đấy, nó sẽ rất hấp dẫn, phải không? Và tôi nghĩ đó là một thời điểm thực sự thú vị. Và có lẽ điều này cũng dẫn đến điểm về quan hệ đối tác, phải không? Vì vậy, bắt đầu lấy những mảnh ghép khác nhau đó và kết hợp chúng lại với nhau và cách chúng ta nghĩ về các mối quan hệ đối tác, có thể một số bài học hoặc cơ hội ban đầu hoặc các mối quan hệ đối tác đã nằm trong tâm trí bạn hoặc một triết lý về cách xây dựng hệ sinh thái này. Vâng, cách tôi nghĩ về nó là chúng ta biết kim chỉ nam của mình là gì.
Tầm Nhìn và Đối Tác của Anthropic
Chúng tôi mong muốn kiến tạo thế giới tuyệt vời mà Dario viết về những cỗ máy của ân sủng yêu thương, trong đó, hoạt động Nghiên cứu và Phát triển (R&D) trong toàn bộ lĩnh vực khoa học đời sống được tăng tốc ít nhất một cấp độ lớn. Chúng tôi muốn điều đó xảy ra càng sớm càng tốt. Trong khuôn khổ đó, tôi nghĩ về các mối quan hệ đối tác như một cách để đảm bảo tất cả các mảnh ghép phù hợp đều tồn tại, phải không? Một số mảnh ghép đó chúng tôi sẽ tự thực hiện, phải không? Rất nhiều ở khía cạnh huấn luyện mô hình, một số ở khía cạnh sản phẩm nữa. Nhưng đối với những mảnh ghép khác, bạn biết đấy, việc chúng tôi tìm đúng đối tác và đảm bảo hỗ trợ tối đa là điều hợp lý.
Vì vậy, khi tôi nghĩ về các loại đối tác khác nhau, có những đối tác hệ sinh thái thực sự quan trọng, phải không? Chẳng hạn, tôi sẽ gọi Benchling là một trong số đó đối với chúng tôi, nơi tôi nghĩ rằng đa số các nhà khoa học sinh học đang làm việc sử dụng Benchling để tương tác hàng ngày với việc quản lý các thí nghiệm và dữ liệu của họ. Và đó thực sự là một đối tác quan trọng để chúng tôi tập trung vào. Tôi nghĩ có rất nhiều điều thú vị mà chúng tôi sẽ sớm chia sẻ về những gì chúng tôi đang cùng nhau thực hiện. Vậy đó là một loại đối tác.
Claude và Sự Tăng Tốc Khoa Học
Một loại đối tác khác là đối tác mà chúng tôi làm việc cùng, nơi họ đang sử dụng những gì chúng tôi xây dựng để thực sự tiến hành khoa học theo cách chưa từng có trước đây, phải không? Cho dù đó là thực hiện nhiều công trình khoa học hơn trên mỗi đơn vị thời gian, phải không? Đạt được các kết quả có tác động hơn trên mỗi đơn vị thời gian so với trước đây, hoặc tạo ra một loại khám phá chưa từng có trước đó, phải không?
Và vì vậy ở đó, bạn biết đấy, có một vài mối quan hệ đối tác mà chúng tôi khá hào hứng. Tôi nghĩ một điều đáng nhắc đến là với Viện Arc. Tôi biết bạn cũng đang suy nghĩ rất nhiều về điều này. Vì vậy, chúng tôi rất muốn nghe suy nghĩ của bạn. Vâng, ý tôi là, tôi nghĩ sự tương đồng mà cả hai chúng tôi có đối với Anthropic là do các tính năng độc đáo của các mô hình. Bạn biết đấy, có khả năng suy nghĩ sâu. Tôi thực sự không nghĩ đó là sự ngẫu nhiên khi rất nhiều nhà khoa học đã tự nhiên hướng tới việc sử dụng Claude.
Nhưng sau đó còn có tầm nhìn của Darius và tôi nghĩ tầm nhìn mà chúng tôi rất tin tưởng đó là, bạn biết đấy, mục tiêu của chúng tôi là tăng tốc, phải không? Đó là 100 năm khoa học có thể thực hiện được trong 10 năm. Điều đó thật táo bạo, đầy tham vọng. Nhưng tôi cũng nghĩ rằng càng suy nghĩ về nó và càng suy nghĩ về những gì cản trở khoa học, thì nó càng có thể đạt được.
Và vì vậy tôi đồng ý rằng, bạn biết đấy, trong lĩnh vực khoa học đời sống và sinh học, tôi nghĩ một điều độc đáo khác là đây là một hệ sinh thái cực kỳ liên tục và linh hoạt, phải không? Sinh viên đang ở trong một phòng thí nghiệm và hoàn thành luận văn của họ một ngày, có thể là người sáng lập một công ty khởi nghiệp bản địa AI vào ngày hôm sau, công ty đó sau đó được mua lại hoặc làm việc với hoặc thúc đẩy các quy trình lớn tại, bạn biết đấy, một công ty dược phẩm tiên phong về AI như Lily. Và bạn biết đấy, tính linh hoạt đó và việc suy nghĩ về toàn bộ mối quan hệ đối tác trong hệ sinh thái đó, tôi nghĩ đó chính là sự triển khai có lợi. Đó là toàn bộ khoa học và việc đạt được điều đó.
Chương Trình AI for Science
Điều mà tôi thực sự hào hứng và có thể là một tính năng mà bạn chưa đề cập đến là chương trình AI cho khoa học của chúng tôi. Chương trình này thực sự hướng tới việc đưa các công cụ và Claude vào tay các nhà khoa học có ý tưởng táo bạo hoặc một dự án lớn và họ nghĩ rằng Claude có thể, bạn biết đấy, hữu ích trong việc giải quyết điều đó. Và tôi nghĩ đó là một cách tuyệt vời để, bạn biết đấy, thúc đẩy nghiên cứu khám phá giai đoạn đầu. Đó là một cách tuyệt vời để chúng tôi gắn kết với các đối tác đó, làm việc chặt chẽ với họ và học hỏi từ họ, đồng thời bắt đầu, bạn biết đấy, tiếp tục mở rộng phạm vi và hiểu rõ hơn về những gì đang hoạt động thực sự tốt trong giai đoạn đầu này? Và, nói thật, điều quan trọng không kém là những gì không hoạt động tốt?
Và, bạn biết đấy, tôi nghĩ cả hai chúng ta đều tin vào sức mạnh nhưng cũng tin vào sự không hoàn hảo hiện tại. Và vì vậy, cơ hội đó để, bạn biết đấy, làm việc với các nhà khoa học, tăng tốc nghiên cứu của họ, đánh giá thành công dựa trên, bạn biết đấy, thành công của họ là gì. Khám phá của họ, sự tăng tốc của họ, thời gian của họ. Và để xem chúng tôi đang làm khá tốt ở đâu và có thể ở một số lĩnh vực mà chúng tôi cần phải làm tốt hơn nhiều. Vâng, tôi cũng rất hào hứng về điều đó. Và tôi nghĩ đó là một điểm rất quan trọng, phải không? Giống như trong cuộc trò chuyện này, chúng ta đã nhấn mạnh rất nhiều về việc chia nhỏ vấn đề thành tất cả những mảnh ghép mà chúng ta sẽ giải quyết độc lập. Nhưng phần quan trọng nhất là khi chúng ta ghép tất cả lại với nhau. Vâng. Và các nhà khoa học thực sự đang sử dụng những điều này, bạn biết đấy, mọi thứ đang diễn ra thế nào và chúng ta đang làm gì, phải không? Và vì vậy tôi nghĩ rằng chương trình AI cho khoa học là rất quan trọng để chúng tôi nhận được phản hồi đó và khép lại vòng lặp với những người đang sử dụng những điều này hàng ngày trong phòng thí nghiệm. Và vì vậy tôi cực kỳ hào hứng về điều đó.
An Toàn và Trách Nhiệm
Một điểm khác mà tôi nghĩ thực sự quan trọng cần phải nêu ra, điều giải thích tại sao Anthropic và trải nghiệm thực hiện điều này trong Anthropic lại thú vị đến vậy. Đó là một sự kết hợp hoàn hảo. Đó là khi chúng ta nói về việc tăng tốc và nâng cao năng lực, phải không? Mặt khác của điều đó là an toàn. Và trách nhiệm to lớn mà tất cả chúng ta phải đảm bảo rằng chúng ta đang cải thiện khả năng của mô hình và phát hành các sản phẩm có tác động ngày càng tăng theo cách có trách nhiệm và phù hợp với chính sách mở rộng quy mô có trách nhiệm cũng như các thực hành tốt nhất trong cộng đồng an ninh sinh học. Đó là điều tôi rất quan tâm. Tôi đã làm việc trong lĩnh vực an ninh sinh học trong nhiều năm. Và tôi nghĩ rằng ở hầu hết các công ty, sẽ có một số căng thẳng giữa tác động trong các mục tiêu thương mại của việc làm cho các mô hình này tốt hơn trong sinh học, phải không? Và khía cạnh an toàn và trách nhiệm của việc làm chậm lại những gì chúng ta cần và đảm bảo rằng chúng ta đang cẩn thận và có tất cả các biện pháp bảo vệ phù hợp.
Nhưng tại Anthropic, chúng tôi không có sự căng thẳng đó, phải không? Đó là bản chất cốt lõi của chúng tôi với tư cách là một công ty. Tôi nghĩ điều đó rất có giá trị ở đây. Nó cũng rất quen thuộc với tất cả mọi người trong lĩnh vực khoa học đời sống, phải không? Đối với những người đang phát triển liệu pháp điều trị và công nghệ y tế, phải không? Một mặt, bạn có bộ phận phát triển sản phẩm và các mục tiêu thương mại của mình. Và mặt khác, bạn có một hệ thống quản lý chất lượng, là một tập hợp các quy trình và thực hành điều chỉnh mọi thứ bạn làm để đảm bảo rằng bạn đang thực hiện điều đó một cách an toàn, phải không? Và vì vậy tôi nghĩ đó chỉ là một sự kết hợp rất tự nhiên. Cách tiếp cận của chúng tôi đối với AI là đảm bảo rằng việc phát triển AI mạnh mẽ diễn ra tốt đẹp và được thực hiện một cách an toàn. Và đó cũng là điều cần phải xảy ra trong khoa học đời sống, phải không? Và vì vậy đó là điều mà cá nhân tôi thực sự hào hứng, điều mà tôi cũng nghĩ là một phần lớn tạo nên con người chúng tôi với tư cách là một đối tác trong lĩnh vực này. Đúng vậy, vâng, đó là một giả định, phải không? Chúng ta phải làm điều đó, chúng ta có trách nhiệm với bản thân, có trách nhiệm với các nhà khoa học, có trách nhiệm với thế giới, phải xem xét những câu hỏi như vậy một cách thực sự nghiêm túc.
Bản Chất Nghiên Cứu của Anthropic
Vâng, và tôi nghĩ điều khác mà tôi thường nghĩ đến là ở bản chất cốt lõi của chúng tôi, chúng tôi là một tổ chức nghiên cứu. Tôi không nghĩ bạn có thể nói điều đó về tất cả các công ty AI khác, bạn biết đấy, Frontier Labs, v.v. Nhưng tôi nghĩ việc là một tổ chức nghiên cứu cho phép chúng tôi tương tác với các nhà nghiên cứu, các phòng thí nghiệm, các tổ chức nghiên cứu khác theo cách thực sự tạo ra một cảm giác chia sẻ về quyền sở hữu đối với các mục tiêu và hợp tác, phải không? Giống như chúng tôi muốn thúc đẩy công nghệ và thấy chúng được sử dụng đúng mục đích và sức mạnh mà thực sự đã được đầu tư để thấy điều đó tiến lên.
Vâng, tôi nghĩ chúng tôi thực sự may mắn vì điều đó. Và, bạn biết đấy, tôi cảm nhận rất sâu sắc rằng rất nhiều người trong đội ngũ sáng lập và đội ngũ lãnh đạo của chúng tôi, và trên tất cả các cấp độ và đội nhóm trong tổ chức đều là các nhà khoa học, phải không? Nhiều người do đào tạo, nhiều người do bản chất và khuynh hướng. Và, bạn biết đấy, tôi nghĩ rằng điều đó, bạn có thể cảm nhận được điều đó, bạn biết đấy, và tất cả công việc chúng tôi làm, nó khiến cho, bạn biết đấy, thật tự nhiên khi ra ngoài và làm việc với các nhà khoa học khác và tất cả những điều này. Vâng. Một số người, bạn biết đấy, nó hơi giống như, bạn biết đấy, những con khỉ đang điều hành sở thú, phải không? Nơi chúng tôi có những người rất đam mê khoa học, lái con thuyền. Và tôi nghĩ điều đó có nghĩa là chúng tôi có rất nhiều niềm vui. Vâng. Nhưng tôi nghĩ nó cũng, nó rất vui, nhưng cũng có sự trân trọng đối với các câu hỏi cốt lõi như an toàn và hiểu được sức mạnh là gì. Và cả những câu hỏi cốt lõi về việc, bạn biết đấy, đâu là những vấn đề đúng đắn cần giải quyết?
Và, bạn biết đấy, sự trân trọng đối với những gì làm cho khoa học trở nên khó khăn, những gì làm chậm khoa học, bạn biết đấy, nếu chúng ta cần đạt được 100 năm tiến bộ trong 10 năm, thì, bạn biết đấy, điều đó thực sự trông như thế nào? Phải không? Và, bạn biết đấy, bạn có thể vén màn khoa học và, bạn biết đấy, có một số điều đó chỉ là hiểu tài liệu khoa học, phải không? Giống như, bạn có thể dành cả ngày mỗi ngày. Thực tế, tôi nghĩ rất nhiều nhà khoa học có lẽ sẽ rất thích dành cả ngày mỗi ngày để đọc tài liệu khoa học, nhưng ngay cả khi đó, bạn cũng chỉ có thể đọc được, bạn biết đấy, một phần rất nhỏ những gì đã được xuất bản hoặc bản in trước vào bất kỳ thời điểm nào. Vì vậy, việc theo kịp là không thể, phải không? Nhưng Claude có thể theo kịp. Vâng.
Tương Lai của Khoa Học Đời Sống với AI
Được rồi, vậy có lẽ ở phần cuối này chúng ta hãy nói một chút về tương lai của công việc khoa học đời sống. Và, bạn biết đấy, chúng ta đã nói về tin sinh học và lập trình. Chúng ta đã nói về một số, bạn biết đấy, công việc lâm sàng và các công việc khác đã được chứng minh bởi một số đối tác ban đầu. Và sau đó có lẽ cũng chỉ là những cách chúng ta đang suy nghĩ về việc, như là xây dựng điều này và tiếp tục phát triển các quan hệ đối tác mới, thúc đẩy các mô hình hướng tới khả năng lớn hơn. Bạn sẽ đi đâu khi bắt đầu nghĩ về tương lai?
Vâng, vậy khi chúng ta bắt đầu nghĩ về tương lai, bạn biết đấy, tôi nghĩ trước tiên, chúng ta cần đảm bảo rằng Claude có tất cả kiến thức nền tảng mà bất kỳ nhà khoa học nào trong thế giới sinh học đều có, phải không? Đó là những điều như hiểu về sinh học cấu trúc protein, phải không? Và có thể nhìn vào một phân tử từ hóa học hữu cơ và hiểu cấu trúc chức năng của nó, những thứ như vậy, phải không? Và vì vậy, một khi bạn đã thiết lập nền tảng đó, thì tôi nghĩ có một số lĩnh vực thực sự thú vị mà chúng ta có thể theo đuổi. Một trong số đó mà tôi thực sự muốn nói đến và tôi nghĩ là rất quan trọng là Claude thực sự học cách thực hiện thí nghiệm trong phòng thí nghiệm, phải không?
Tôi nghĩ để đạt được thế giới mà tất cả chúng ta đang hướng tới, điều đó cần phải xảy ra. Và một lần nữa, đây là một vấn đề mà từ rất lâu rồi, bạn biết đấy, chúng ta đã đạt được nhiều tiến bộ, có lẽ không nhiều như một số người đã hy vọng, phải không? Về tầm nhìn tự động hóa công việc nhàm chán trong phòng thí nghiệm. Nhưng tôi tin rằng điều đó hiện đã khả thi và tôi nghĩ rằng đó là một lĩnh vực thực sự quan trọng mà chúng ta phải tập trung sâu vào. Và tôi nghĩ, bạn biết đấy, hãy tạm dừng một chút để hình dung cuộc sống sẽ như thế nào khi chúng ta đạt được điều đó. Nó sẽ thật phi thường, phải không? Chúng ta sẽ có thể đi từ, bạn biết đấy, nói chuyện với Claude về một thí nghiệm đến thiết kế kế hoạch thí nghiệm với Claude, đến việc Claude soạn thảo quy trình, và, phải không, bạn có thể trao đổi qua lại về chúng và sau đó khi bạn sẵn sàng, bạn có thể nói, được rồi, bây giờ hãy chạy những thí nghiệm đó và tôi sẽ xem xét dữ liệu vào sáng hôm sau.
Và vì vậy tôi nghĩ điều đó là quan trọng để khép lại vòng lặp và kích hoạt sự tăng tốc mà chúng ta đang nói đến. Và một điều khác mà tôi nghĩ là một chủ đề thực sự quan trọng cho nghiên cứu tương lai của chúng ta là trong sinh học, cũng như bất kỳ lĩnh vực khoa học nào, chúng ta có cơ hội học trực tiếp từ dữ liệu thực tế từ tự nhiên, phải không? Và vì vậy, một mặt, chúng ta thực hiện rất nhiều huấn luyện mô hình và học trên chú thích được tạo ra bởi con người và các tập dữ liệu khác được tuyển chọn hoặc tạo ra bởi con người, phải không? Nhưng có một cơ hội ở đây để thực sự thực hiện kiểu phòng thí nghiệm trong vòng lặp, học tập tích cực từ các phép đo sinh học thông lượng cao. Và lý do khác tại sao sinh học lại rất phù hợp với điều đó là vì chúng ta thực sự, bạn biết đấy, mỗi năm đều tuân theo quy luật mở rộng về số lượng thí nghiệm, phải không? Trên mỗi đơn vị mà chúng ta có thể thực hiện xét về thông lượng của các hệ thống này.
Vượt Ra Ngoài Khả Năng Con Người
Đây là hai chủ đề mà tôi ngày càng hào hứng, khi chúng ta bắt đầu suy nghĩ về việc làm thế nào để vượt ra ngoài khả năng của con người trong các tác vụ này. Đến một lúc nào đó, chúng ta sẽ bão hòa việc học hỏi từ các chuyên gia con người. Câu trả lời là lấy dữ liệu từ phòng thí nghiệm. Vâng, tôi nghĩ đây là một chủ đề tuyệt vời.
Claude Trong Đào Tạo và Nghiên Cứu
Điều khác mà có lẽ tôi muốn chỉ ra là tôi nghĩ vẫn còn một sự vượt trội lớn, nếu muốn nói vậy, về mặt khả năng và cách sử dụng hiện tại. Một trong những điều nổi bật đối với tôi là việc bắt đầu đưa Claude vào lớp học, trong các khóa đào tạo cơ bản, được triển khai một cách sâu rộng để nhiều nhà khoa học đang sử dụng Claude. Đồng thời, trải nghiệm và sản phẩm bắt đầu có cảm giác rất gắn kết, nơi Claude là trợ lý ảo và nhà khoa học ảo đó không chỉ giúp trả lời một vấn đề, mà còn giúp một nhà khoa học trả lời bất kỳ vấn đề nào.
Lời Kết
Được rồi, Eric, điều này thật tuyệt vời. Thật thú vị khi luôn được nói chuyện về khoa học. Một số người nói rằng chúng ta còn rất nhiều việc phải làm. Cảm ơn bạn đã dành thời gian, và tôi thực sự mong chờ tương lai của Claude trong khoa học đời sống và đẩy mạnh tới biên giới của lĩnh vực này. Vâng, cảm ơn Yoda. Điều này thật sự rất vui. Và chúng ta mới chỉ bắt đầu.
TL;DR
- Claude đang cách mạng hóa Khoa học Đời sống bằng cách giải quyết các vấn đề R&D phức tạp chỉ trong vài phút, ví dụ điển hình là khắc phục sự cố kéo dài ba tháng chỉ bằng một phản hồi.
- Anthropic tập trung vào việc phát triển Claude như một đối tác mạnh mẽ cho các nhà khoa học, nâng cao hiệu suất làm việc hàng ngày bằng cách tự động hóa các tác vụ lặp lại và hỗ trợ từ giai đoạn khám phá ban đầu đến phát triển và tuân thủ quy định.
- Các mô hình AI tiên tiến như Sonnet 4.5 và khả năng tác nhân (agentic capabilities) trong Claude Code cho phép Claude tích hợp với các công cụ khoa học hiện có và thực hiện các quy trình làm việc dài hạn, phức tạp, biến nó thành một "trợ lý nghiên cứu siêu việt".
Điểm chính
- Tăng cường nhà khoa học: Claude được thiết kế để trao quyền cho các nhà khoa học cá nhân, đóng vai trò như một đối tác động não và giúp loại bỏ các công việc nền tảng, cho phép họ tập trung vào các khía cạnh sáng tạo và có đòn bẩy cao hơn của khoa học.
- Giải quyết toàn diện quá trình khoa học: AI hỗ trợ toàn bộ phổ nghiên cứu khoa học, từ khám phá giai đoạn đầu (thiết kế phân tử, gấp protein) đến phát triển và chuyển giao (soạn thảo giao thức, gỡ lỗi, phân tích tin sinh học, viết báo cáo).
- Tích hợp hệ sinh thái công cụ: Claude đang tích hợp với các công cụ khoa học quan trọng như Benchling (quản lý thí nghiệm), 10x Genomics (phân tích tế bào đơn) và PubMed (truy vấn tài liệu) để hoạt động hiệu quả trong quy trình làm việc hiện có của nhà khoa học.
- Trợ lý nghiên cứu siêu việt: Mục tiêu là biến Claude thành một "trợ lý nghiên cứu siêu việt" có thể hỗ trợ nhà khoa học ở mọi giai đoạn dự án, từ tạo giả thuyết, thực hiện thí nghiệm, phân tích dữ liệu tính toán đến trình bày kết quả.
- Khả năng tác vụ dài hạn và tác nhân: Các mô hình như Sonnet 4.5 được cải thiện đáng kể về khả năng xử lý các tác vụ dài hạn và chuỗi lệnh gọi công cụ phức tạp, cho phép tự động hóa các quy trình tin sinh học kéo dài và các phần công việc đáng kể.
- Tối ưu hóa R&D và quy trình pháp lý: Claude chứng minh hiệu quả trong việc tối ưu hóa quy trình R&D (ví dụ: gỡ lỗi quy trình xét nghiệm) và có tiềm năng lớn trong việc tăng tốc các quy trình pháp lý (ví dụ: soạn thảo hồ sơ pháp lý với FDA).
- Huấn luyện khoa học chuyên sâu: Sonnet 4.5 là mô hình đầu tiên của Anthropic trải qua huấn luyện khoa học mở rộng, giúp nó có kỹ năng trong nhiều lĩnh vực khoa học khác nhau và có khả năng khái quát hóa mạnh mẽ hơn, đặc biệt trong các khía cạnh tính toán.
- Sức mạnh của "Claude Code" trong sinh học: Môi trường phát triển AI đa năng như "Claude Code" (mà nhiều người gọi là
Claude Code) được coi là một tác nhân mạnh mẽ, hữu ích trong tin sinh học, xem xét tài liệu và tổ chức dự án do khả năng ngữ cảnh dài và tác nhân của nó.
Từ vựng
- Khoa học Đời sống — Life Sciences
- Hệ sinh thái — Ecosystem
- Tác vụ — Task
- Quy trình làm việc — Workflow
- Giao thức — Protocol
- Tin sinh học — Bioinformatics
- Mô hình AI — AI Model
- Ngữ cảnh — Context
- Tích hợp — Integrate/Integration
- Tác nhân — Agent (hoặc agentic)
Nội dung chi tiết
Khắc Phục Vấn Đề Khoa Học Cùng Claude
Phải mất đến ba tháng, rất nhiều người làm việc ngày đêm trong phòng thí nghiệm để khắc phục một vấn đề. Tôi đã đặt vấn đề này cho Claude. Tôi hỏi, "Này, chúng ta nên làm gì để nó không bị kẹt?" Và chỉ trong một phút, với một phản hồi duy nhất, Claude đã đưa ra câu trả lời ngay lập tức.
Chào, tôi là Jonah Kuhl, Trưởng bộ phận Khoa học Đời sống, tập trung vào Quan hệ đối tác và Triển khai tại Anthropic. Chào, tôi là Eric Codder Abrams, Trưởng bộ phận Sinh học và Khoa học Đời sống tại Anthropic. Tôi tập trung vào nghiên cứu và phát triển sản phẩm. Và cùng nhau, chúng tôi đang cố gắng huấn luyện Claude trở thành một nhà sinh học.
Tầm Quan Trọng Của Khoa Học Đời Sống Với AI
Eric, chúng ta hãy nói về khoa học. Tôi thực sự rất hào hứng về điều này và cả việc Anthropic đang tập trung vào lĩnh vực này. Có lẽ chúng ta nên bắt đầu bằng cách suy nghĩ về lý do tại sao Khoa học Đời sống, tại sao Claude, và Anthropic mang lại điều gì cho một Hệ sinh thái vốn đã rất lớn nhưng đang phát triển nhanh chóng này.
Tôi nghĩ đây là một câu hỏi thực sự quan trọng. Vì vậy, tôi sẽ bắt đầu với lý do tại sao chúng tôi tập trung vào Khoa học Đời sống. Điều này đi thẳng vào trọng tâm sứ mệnh của chúng tôi. Tôi nghĩ rằng nhiều người có thể không nhận ra điều này, nhưng khi chúng tôi nói về các trường hợp sử dụng AI có lợi và tất cả những điều tuyệt vời mà chúng tôi có thể làm trên thế giới với AI tiên tiến mà chúng tôi đang phát triển, thực ra, nơi số một mà chúng tôi tại Anthropic hào hứng áp dụng là trong sinh học và Khoa học Đời sống. Nếu bạn đọc tài liệu nền tảng của chúng tôi và nói chuyện với mọi người ở đây, đó là lĩnh vực chính mà chúng tôi thực sự tập trung vào việc mang lại tác động có lợi. Đối với tôi, việc tham gia và hòa mình vào tất cả năng lượng và sự hào hứng dồn nén để áp dụng mọi thứ chúng tôi có vào không gian này là một điều vô cùng thú vị.
Claude Nâng Cao Hiệu Suất Nhà Khoa Học
Và sau đó, đi sâu hơn vào lý do tại sao Claude và cách tiếp cận của chúng tôi, với tư cách là AI tiên tiến, có thể khác biệt so với một số cách tiếp cận khác hiện có. Tôi nghĩ có hai điều nổi bật. Jonah, bạn và tôi đã nói rất nhiều về điều này, nhưng điều đầu tiên là chúng tôi quan tâm đến việc xây dựng các công cụ trao quyền cho các nhà khoa học cá nhân và nâng cao trải nghiệm của một nhà khoa học trong cuộc sống hàng ngày, thực hiện tất cả các công việc mà họ đang làm. Vì vậy, chúng tôi muốn mang lại cho mọi người trải nghiệm tương tự như các kỹ sư phần mềm đã có, đó là có một đối tác động não để làm việc cùng và giao một tác vụ trong suốt quy trình làm việc. Chúng tôi muốn mang điều đó đến cho các nhà sinh học trong phòng thí nghiệm và trên khía cạnh tính toán. Và vì vậy, trọng tâm bổ sung của chúng tôi thực sự là về việc xây dựng các công cụ giúp các nhà khoa học làm việc hiệu quả hơn và cũng khiến khoa học trở nên thú vị hơn.
Đúng vậy, loại bỏ một số công việc nền tảng mà mọi người đều muốn thoát khỏi và cho phép bạn tập trung hơn vào khía cạnh sáng tạo, có đòn bẩy cao. Đó là phần đầu tiên. Và sau đó, điều thứ hai là chúng tôi thực sự tập trung không chỉ vào các vấn đề khám phá giai đoạn đầu đầy thú vị, như thiết kế phân tử và gấp protein trong những vấn đề có tác động lớn mà nhiều người trong lĩnh vực này đã tập trung vào. Mà chúng tôi muốn giải quyết toàn bộ phổ từ khám phá giai đoạn đầu cho đến phát triển và chuyển giao. Và đối với chúng tôi, điều đó có nghĩa là chia nhỏ nó thành toàn bộ thế giới các tác vụ khác nhau tồn tại trong không gian này. Mọi thứ từ việc soạn thảo và xem xét các giao thức và gỡ lỗi chúng, đến thực hiện phân tích tin sinh học và viết kết quả của bạn trong bài thuyết trình và các bài báo, v.v. Có cả một thế giới tác vụ quan trọng ở ngoài kia. Và chúng tôi đang có một cái nhìn toàn diện và giải quyết tất cả chúng.
Cách Thức Claude Thay Đổi Khoa Học
Tôi nghĩ đây là một thời điểm thực sự thú vị để suy nghĩ về khoa học và có thể là AI nói chung hơn. Và có một khuynh hướng nghĩ về việc AI sẽ giải quyết vấn đề gì cho tôi. Nhưng, cách mà tôi nghĩ chúng tôi đang suy nghĩ về nó, cách mà bạn vừa mô tả rất hay, và cách mà "Machines of Loving Grace" có lẽ cũng đang suy nghĩ về điểm hơi khác biệt đó, đó là: làm thế nào để chúng ta thay đổi cách chúng ta làm khoa học? Và điều đó sau đó sẽ tác động đến việc giải quyết cấu trúc, phân tử, mô và hình ảnh, và bắt đầu suy nghĩ thông suốt thế giới đó.
Vì vậy, với ý nghĩ đó, có lẽ chúng ta sẽ chuyển sang phần tiếp theo. Chúng tôi đã thấy sức mạnh của Claude, tôi nghĩ cả hai chúng ta đều đã trải nghiệm điều này, và sự thích thú, niềm vui khi làm khoa học với Claude và các khả năng hiện tại của nó. Nhưng giờ đây cũng bắt đầu suy nghĩ, trong nhóm nghiên cứu mà bạn đang dẫn dắt, về cách chúng ta nâng cao các khả năng đó. Và vì vậy, có lẽ trong một phút, chúng ta có thể chat một chút về cách các khả năng và Hệ sinh thái hiện tại và sau đó có thể là Ngữ cảnh mở rộng thông qua Giao thức Ngữ cảnh Mô hình (MCP) trong khoa học đời sống bắt đầu tạo ra trường hợp cơ bản này. Và sau đó là suy nghĩ của bạn về cách chúng ta mở rộng và thậm chí đẩy nó đi xa hơn. Và, điều đó sẽ trông như thế nào và hình thành ra sao.
Tích Hợp Công Cụ và Phát Triển Khả Năng Trợ Lý Nghiên Cứu
Đúng vậy, hoàn toàn. Chúng ta đã nói rất nhiều về điều này. Tôi nghĩ rằng, điều quan trọng là phải biết "bò, đi, chạy" trong không gian này. Có rất nhiều điều về việc làm sinh học và để AI hữu ích trong khoa học khác biệt so với cách AI hữu ích trong không gian AI nói chung. Vì vậy, có lẽ, để sử dụng một phép ẩn dụ cũ về chạy, bạn bắt đầu nhanh, tăng tốc ở giữa và về đích nước rút. Vì vậy, rất ít bò, mà chỉ có nước rút, và sau đó nước rút nhanh hơn. Nước rút, nước rút nhanh hơn, rồi bay, rồi tên lửa, chính xác. Đó là điều chúng tôi đang hướng tới ở đây. Nhưng ở cấp độ cơ bản nhất, chúng tôi cần Claude có thể giao tiếp với tất cả các công cụ mà các nhà khoa học đang sử dụng hàng ngày. Và có cả một Hệ sinh thái gồm các công cụ và đối tác quan trọng mà chúng tôi đang tích hợp với. Chúng tôi nói về Benchling trong việc quản lý thí nghiệm, sổ tay phòng thí nghiệm; 10x Genomics với Cell Ranger – một nền tảng cực kỳ quan trọng để phân tích thí nghiệm tế bào đơn; và PubMed, ví dụ, để có thể truy vấn tài liệu. Và đây chỉ là ba đối tác cực kỳ quan trọng trong một Hệ sinh thái lớn hơn nhiều. Và ở cấp độ cơ bản đó, chúng tôi cần đảm bảo rằng Claude có thể nói chuyện với tất cả các nguồn chính mà các nhà khoa học đang sử dụng trong công việc hàng ngày của họ.
Và tôi nghĩ cấp độ tiếp theo là chúng tôi muốn đưa Claude đạt đến trình độ của một trợ lý nghiên cứu siêu việt có thể hỗ trợ bạn với tư cách là một nhà khoa học trong tất cả các giai đoạn của dự án của bạn. Từ giai đoạn tạo giả thuyết ban đầu, khi mọi thứ sáng tạo hơn và bạn đang xem xét tài liệu, động não, đến giai đoạn thực hiện thí nghiệm, nơi bạn đang soạn thảo giao thức, gỡ lỗi mọi thứ trong phòng thí nghiệm và thậm chí thực sự chạy các thí nghiệm đó trong phòng thí nghiệm, đến tính toán và dữ liệu và tất cả những thứ đó. Khi bạn đang chạy các mã tin sinh học của mình, bạn đang thực hiện học máy trên đó hoặc một số thống kê và bạn đang trình bày kết quả cho đồng nghiệp hoặc cho chính mình. Và ở đây, đây là nơi chúng tôi đã chia nhỏ các tác vụ thành tất cả các lĩnh vực đó. Và chúng tôi đang tìm ra, làm thế nào để chúng tôi đánh giá mức độ tốt của các mô hình AI của chúng tôi trong việc thực hiện các tác vụ đó và làm thế nào để chúng tôi nhanh chóng cải thiện hiệu suất trong tất cả các lĩnh vực đó. Vì vậy, chúng tôi đang đầu tư lớn vào việc thực hiện điều đó ngay bây giờ.
Và tôi nghĩ cũng cần phải nói rằng chúng tôi không chỉ làm điều này một cách chung chung. Theo một số cách, bạn không thể nói về khoa học đời sống như một thứ nguyên khối. Có tất cả các lĩnh vực phụ khác nhau trong đó. Và chúng tôi có một trình tự cụ thể trong tâm trí, nơi chúng tôi muốn nghĩ về nó như bao gồm một lõi các tác vụ quan trọng được chia sẻ trong nhiều lĩnh vực khác nhau. Và sau đó trong đó, có các lĩnh vực phụ khác nhau thực sự quan trọng. Và chúng tôi muốn giải quyết tất cả. Nhưng chúng tôi thực sự tập trung vào việc bắt đầu với cốt lõi đó sẽ hữu ích trong suốt hành trình.
Hệ Sinh Thái Đối Tác và Tác Vụ Dài Hạn
Một điều mà tôi thực sự phấn khởi về các đối tác hiện tại của chúng tôi và những người tham gia sớm ở đây để xây dựng nền tảng này, đặc biệt với Giao thức Ngữ cảnh Mô hình (MCP), là bạn đã đề cập đến 10x Genomics, bạn đã đề cập đến PubMed, bạn đã đề cập đến các nhóm như Benchling, và sau đó là Sage BioNetworks, BioRender. Quay trở lại điểm cuối cùng đó, nó thực sự chứng minh và hy vọng đưa vào hành động thực tế rằng không chỉ là giải quyết một vấn đề. Mà trong nhóm đó, bạn có tài liệu, bạn có công cụ, bạn có quy trình làm việc phân tích, bạn có phần đỉnh cao với hình ảnh hoàn hảo hoặc sơ đồ mạng lưới trong BioRender. Và tôi kỳ vọng rằng trong những tuần, tháng tới, toàn bộ Hệ sinh thái đó sẽ phát triển theo cấp số nhân. Và với điều đó, là sức mạnh cho ngày càng nhiều nhà khoa học. Và tôi nghĩ điều đó thật sự tuyệt vời và thú vị.
Tôi nghĩ đó là một điểm tuyệt vời. Đó là trải nghiệm mà rất nhiều người trong chúng ta đã có ở phía phần mềm. Đối với tôi, tôi luôn là một phần của thế giới phần mềm, và một phần khác của thế giới sinh học này. Và mọi thứ bắt đầu từ phía phần mềm, nơi bạn sẽ đưa cho Claude những đoạn nhỏ của các tác vụ. Và theo thời gian, những tác vụ đó trở nên dài hạn hơn, Claude trở nên tự chủ hơn, có thể tích hợp liền mạch hơn thông qua các công cụ khác nhau ở đó. Và tôi nghĩ chúng ta đang ở ngay điểm bùng nổ đó trong khoa học đời sống, nơi chúng ta hiện đang với tất cả các kết nối mà chúng ta đang giới thiệu, có thể mở khóa giai đoạn tiếp theo, nơi bạn không chỉ phải yêu cầu Claude thực hiện một phân tích và sau đó bạn làm một số công việc. Và sau đó bạn quay lại và tạo một hình minh họa BioRender và yêu cầu Claude chỉnh sửa nó. Chúng ta thực sự có thể giao cho Claude một phần công việc có ý nghĩa mà một nhà khoa học con người phải mất vài giờ để làm. Và tôi nghĩ rằng sự chuyển đổi đó là điểm thực sự thú vị trong một lĩnh vực mà nó từ một loại tiện ích hữu ích trở thành một đối tác động não thực sự. Đúng vậy, chỉ cần được nhúng vào quy trình làm việc và cộng tác.
Sức Mạnh Của Sonnet 4.5
Gần đây chúng tôi đã phát hành Sonnet 4.5, một mô hình AI thực sự thú vị và siêu mạnh mẽ. Tôi nghĩ một trong những điều mà chúng tôi đã thấy, và tôi rất muốn nghe quan điểm của bạn về phía nghiên cứu, là cách mô hình đó hoạt động trong ngữ cảnh các lĩnh vực khoa học khác nhau. Vậy, bạn đã thấy những gì trong sự phát triển và sức mạnh của các mô hình AI đó và có thể là một số đánh giá sớm hoặc tiêu chuẩn mà chúng ta đã thấy trong các tác vụ khác nhau liên quan đến các nhà khoa học?
Tôi nghĩ có hai điều về Sonnet 4.5 mà tôi thực sự hào hứng, đã nâng cao đáng kể công việc của tôi. Đầu tiên là đây là mô hình AI đầu tiên của chúng tôi đã trải qua huấn luyện khoa học mở rộng. Vì vậy, Sonnet 4.5 có kỹ năng trong nhiều lĩnh vực khoa học khác nhau. Và tôi nghĩ một trong những điều thú vị là có rất nhiều thứ có thể khái quát hóa được. Và vì vậy, việc Sonnet 4.5 giỏi hơn về toán học đã có một số tác động nâng cao các khả năng khác nhau trong sinh học, đặc biệt là về mặt tính toán. Và tôi nghĩ rằng việc đây là mô hình AI có năng lực khoa học thực sự đầu tiên của chúng tôi là điều thực sự thú vị. Đúng vậy, và có một số điều mới về phía huấn luyện mô hình đã giúp điều đó trở thành hiện thực, những điều mà chúng tôi chỉ đang dựa vào đó, đẩy nhanh với tất cả các mô hình AI trong tương lai ở đây. Và điều thứ hai là khả năng của nó trong việc thực hiện các tác vụ dài hạn, bao gồm chuỗi dài các lệnh gọi công cụ khác nhau. Vì vậy, đây là điều mà, đối với bất kỳ ai đã thực hiện các loại quy trình đường ống tin sinh học dài và những thứ tương tự, là hoàn toàn cần thiết. Và chúng tôi đã thấy một bước nhảy vọt lớn trong những khả năng đó với Sonnet 4.5, điều này khiến nó có khả năng độc đáo để bắt đầu thực hiện các quy trình làm việc tin sinh học thực sự dài này.
Tác nhân AI và Phân tích Dữ liệu
Vâng, tôi nghĩ rằng, các workflow phân tích và cách chúng áp dụng cho các bề mặt khác nhau của Claude (ám chỉ Claude Code). Rất nhiều người nghĩ về Claude và họ hình dung giao diện chat. Nhưng tất nhiên, đối với nhiều nhà khoa học – có thể một số người nhận ra, một số người không – sức mạnh của mã agentic cho phép các nền tảng như Claude Code hoặc các nơi khác, nơi ngữ cảnh dài hơn và tất cả sức mạnh đó trở nên thực sự thú vị cho phân tích dữ liệu, để tích hợp, để suy luận trên các loại kiến thức khác nhau. Và đó là một điểm khởi đầu đáng kinh ngạc, phải không? Nơi mà nếu chúng ta có thể bắt đầu xây dựng. Vâng, thực sự là vậy. Và tôi biết đây là một trong những điều mà bạn và tôi đã rất hào hứng, đó là Claude Code cực kỳ hữu ích như hiện nay trong sinh học. Và hầu hết mọi người không nhận ra điều đó, phải không? Nó được gọi là Claude Code, không phải Claude Biology, phải không? Nhưng, bạn biết đấy, ẩn sâu bên trong đó là một tác nhân đa năng thực sự mạnh mẽ mà tôi, đặc biệt là nhiều người mà chúng tôi đã nói chuyện trong cộng đồng, đã bắt đầu sử dụng trong tin sinh học, thậm chí trong những việc như soạn thảo các bài báo, đánh giá tài liệu và tổ chức các dự án của bạn. Và vì vậy tôi nghĩ đó chắc chắn là điều mà chúng tôi sẽ dồn nhiều năng lượng hơn vào.
Trải nghiệm Khám phá và Tối ưu hóa Công việc
Vâng, ý tôi là, có những khoảnh khắc đó, và với tư cách là một nhà công nghệ và là người yêu thích phát triển công nghệ và áp dụng chúng vào sinh học, một sở thích mà tôi biết cả hai chúng ta đều chia sẻ. Bạn biết đấy, có những khoảnh khắc khi bạn nhìn thấy công nghệ hoặc trải nghiệm công nghệ và bạn thực sự cảm nhận được chúng. Và tôi vẫn có khoảnh khắc được nâng tầm đó, nhớ lại lần đầu tiên chơi với Claude Code và biến các tác vụ nằm ngoài khả năng kỹ thuật của mình trở nên dễ dàng thu hẹp và quản lý được, hoặc các tác vụ chạy và thực thi workflow tốn thời gian và rườm rà trở nên tầm thường, phải không? Ý tôi là, nó đặt những công cụ đó vào tay của các nhà khoa học một cách vô cùng mạnh mẽ. Thực sự là vậy. Và, bạn biết đấy, việc bạn nhắc đến những khoảnh khắc mà bạn cảm nhận sâu sắc những khả năng mới đang tồn tại, điều đó làm tôi nhớ lại khoảnh khắc đối với tôi, lần đầu tiên thực sự đánh thức tôi. Và điều này thực sự là vào thời Sonnet 3.5 khi mà, ồ, những LLM này và những mô hình tiên tiến này thực sự phù hợp với những gì chúng ta đang làm trong khoa học đời sống.
Claude trong Khoa học Đời sống và Nghiên cứu & Phát triển
Đối với tôi, khoảnh khắc đó là khi tôi đang điều hành một công ty công nghệ sinh học mà tôi đã thành lập. Và tôi có ý tưởng muốn thử xem, nếu tôi có quyền truy cập vào Claude khi tôi bắt đầu công ty này năm năm trước, thì tôi đã tiết kiệm được bao nhiêu thời gian? Và tôi đã tiết kiệm được bao nhiêu đau khổ khi cố gắng vượt qua một số vấn đề R&D thực sự khó khăn này? Và tôi sẽ không bao giờ quên điều này vì rào cản chiến thuật lớn đầu tiên mà chúng tôi gặp phải khi thành lập công ty này, đó là một vấn đề mà chúng tôi đang phát triển một quy trình xét nghiệm, cố gắng phát hiện COVID trong trường hợp này. Và nó không hoạt động. Chúng tôi bị ức chế bởi ma trận mẫu và chúng tôi không thể tìm ra nguyên nhân, phải không? Và cuối cùng chúng tôi mất ba tháng, và rất nhiều người làm việc ngày đêm trong phòng thí nghiệm để khắc phục vấn đề. Và tôi đã đưa vấn đề này cho Claude. Tôi nói, này, chúng tôi đang cố gắng phát triển quy trình xét nghiệm này và chúng tôi thấy rằng mẫu đang ức chế mọi thứ và chúng tôi nên làm gì để giải quyết nó? Và chỉ trong một phút, một phản hồi, Claude thực sự đã đưa ra câu trả lời ngay lập tức. Và tôi nói, này, tôi nghĩ bạn nên thêm lượng hóa chất này vào hỗn hợp. Và đó là một khoảnh khắc thực sự mở mang tầm mắt, phải không? Rằng ở đây, khi trò chuyện với Claude, bạn đang nói chuyện với một phiên bản cô đọng của toàn bộ kiến thức khoa học, phải không? Và vào thời điểm đó, nó không hoàn hảo, nhưng nó đang nhanh chóng trở nên tốt hơn. Luôn có sự căng thẳng này và tôi nghĩ các nhà khoa học muốn sự hoàn hảo, phải không? Đó là điều mà tất cả chúng ta đều hướng tới và muốn sự cụ thể đó. Nhưng đối với nhiều công việc kìm hãm khoa học, như tối ưu hóa quy trình, một câu trả lời không hoàn hảo nhưng hữu ích là loại điều mà chúng ta tìm đến, từ những đồng nghiệp đáng tin cậy nhất, những người có thể nói, tôi không biết liệu, nhưng điều này trông quen thuộc, phải không? Tôi đã gặp vấn đề này vào một thời điểm nào đó, giống như những giáo sư uyên bác, họ là những sinh viên cực kỳ thông minh ở cuối hành lang. Và một lần nữa, đó không phải là tìm kiếm sự hoàn hảo, mà là tìm cách thoát khỏi bế tắc. Đó là tìm cách giúp đỡ. Đó là tìm cách giúp bạn tiếp tục và hướng tới khám phá, điều mà tất cả chúng ta đang tìm kiếm, phải không?
Tối ưu hóa Quy trình Pháp lý với AI
Vâng, hoàn toàn. Hoàn toàn. Tôi nghĩ một lĩnh vực khác thực sự nổi bật đối với tôi ngay từ đầu là, điều này có liên quan sau này trong giai đoạn chuyển đổi, đó là trong quy trình pháp lý, phải không? Vì vậy, tôi đã dành rất nhiều thời gian để viết các hồ sơ pháp lý, trải qua các quy trình đó với FDA và Claude thực sự có khả năng trong lĩnh vực đó. Và tôi nghĩ có một cơ hội rất lớn, cả về phía ngành công nghiệp và phía FDA, để nhận ra rằng chúng ta có những công cụ này có thể đẩy nhanh quy trình ở cả hai phía và tạo điều kiện cho các tiêu chuẩn nhất quán trên diện rộng. Và tôi thực sự hào hứng về việc theo đuổi điều đó. Tôi biết mọi người trong toàn bộ ngành này cũng vậy.
Thách thức và Cơ hội trong Sinh học và AI
Được rồi, chúng ta hãy tập trung vào điều này một phút. Trong sinh học, trong AI, thậm chí có thể nếu bạn lùi lại một bước khỏi AI và nghĩ về kỹ thuật và công nghệ, sinh học khoa học đời sống là một nền tảng thường xuyên mà mọi người thực sự hào hứng với ý tưởng về sinh học hoặc cách nó chỉ cách một bước để có thể lập trình ngay lập tức. Vì vậy, một số ý tưởng và trực giác đó, tôi nghĩ chúng ta có thể đồng ý. Nhưng tôi nghĩ trong nhiều trường hợp, đó là những người có thể yêu thích ý tưởng về sinh học hơn là thực sự biết khoa học đời sống, khung pháp lý trông như thế nào. Hãy nói thêm một chút về kinh nghiệm của bạn hoặc kinh nghiệm tập thể của chúng ta với tư cách là các nhà khoa học và cách mang một số kiến thức chi tiết đó vào các mối quan hệ đối tác của chúng ta, vào các nỗ lực nghiên cứu của chúng ta, và những khoảnh khắc đó đã trông như thế nào đối với bạn trong quá khứ và cách chúng có thể đang ảnh hưởng đến các ưu tiên hoặc cách tiếp cận.
Vâng, tôi nghĩ đây là một chủ đề thực sự quan trọng, và cũng khá thú vị để nói đến. Theo một cách nào đó, đó là một trong những khuôn mẫu lâu đời nhất trong lĩnh vực các nhà khoa học máy tính, nhà vật lý, nhà toán học bước vào sinh học với tất cả những quan niệm lãng mạn này, rồi dành năm đầu tiên trong phòng thí nghiệm và sau đó ra ngoài trong tình trạng sốc. Vỡ mộng về tất cả những điều có thể, phải không? Tôi nghĩ rằng nơi bạn và tôi đều đến và cách chúng ta đang làm mọi việc ở đây là chúng ta biết cuộc sống trong phòng thí nghiệm như thế nào và chúng ta muốn giải quyết những vấn đề thực sự là nút thắt cổ chai của lĩnh vực này, phải không? Tôi sẽ nói rằng đó là nền tảng của tôi khi đến từ phía khoa học máy tính và toán học và đã tiếp thu kiến thức sinh học trong nhiều năm khi ở trong phòng thí nghiệm. Và tôi không vỡ mộng. Tôi thực sự tin rằng chúng ta có cơ hội nâng cao đáng kể năng lực của các nhà sinh vật học trong việc thực hiện nghiên cứu có tác động đáng kinh ngạc và với những công cụ chúng ta có bây giờ, cuối cùng chúng ta đã ở khoảnh khắc mà tất cả những điều này đều có thể. Vì vậy, tôi vẫn giữ sự lạc quan mà tôi đã có khi lần đầu tiên tham gia vào lĩnh vực này. Tôi nghĩ tất cả kinh nghiệm trong phòng thí nghiệm đã thực sự làm rõ để giúp chỉ ra, được rồi, có những vấn đề thực sự ở đây không hề đẹp đẽ và đòi hỏi rất nhiều công việc mài mòn để đi vào và gỡ rối. Nhưng tôi nghĩ bây giờ chúng ta đã sẵn sàng để tạo ra sự thay đổi trong đó. Nhưng tôi rất muốn nghe suy nghĩ của bạn.
Claude: Trợ lý Nghiên cứu và Cộng tác viên Khoa học
Vâng, tôi hoàn toàn đồng ý, phải không? Ý tôi là, tôi chia sẻ sự lạc quan đó. Tôi nghĩ rằng có nhiều người không phải lúc nào cũng hiểu khoa học khó khăn như thế nào mà còn hiểu tầm quan trọng của sự kiên trì và thực tế rằng nghiên cứu – và tôi nghĩ điều này có lẽ cũng áp dụng cho chuỗi quy trình lâm sàng – là bởi vì nó rất khó khăn, bởi vì có rất nhiều kiến thức cần được kết hợp và mọi bước cũng như việc gỡ lỗi trong sự phức tạp của sinh học, cho dù đó là tối ưu hóa quy trình hay phân tích dữ liệu, thực sự khó để một người, có lẽ thậm chí không phải một nhóm và hiếm khi là một tổ chức có thể nắm giữ tất cả chuyên môn đó. Và kết quả của điều đó, và tôi nghĩ đó là nơi mà một lần nữa, chúng ta cung cấp một công nghệ thực sự mạnh mẽ trong Claude và một trợ lý nghiên cứu kiêm cộng tác viên, đó là nó bắt đầu mang lại nhiều sự linh hoạt hơn, phải không? Nó hạ thấp rào cản cho phân tích tính toán đối với những người có thể không có nền tảng khoa học máy tính. Nó mang lại một số kỹ năng sinh học phân tử và tối ưu hóa cho những người chưa dành cả đời để nhân bản và làm sinh học phân tử. Và sau đó nó cũng giúp cho những khám phá có thể chuyển giao giữa các lĩnh vực, phải không? Ý tôi là, tôi không được đào tạo như một nhà thần kinh học. Tôi từng rất thích đi nghe các bài giảng về khoa học thần kinh, nhưng sau đó chúng tôi phải quay lại và hỏi rất nhiều câu hỏi ngây thơ. Nhưng bạn biết đấy, việc thấy quang di truyền lần đầu tiên, được khám phá trong khoa học thần kinh đã mất quá nhiều thời gian để truyền bá đến sinh học tế bào và các lĩnh vực khác. Và tôi nghĩ sức mạnh của Claude và Claude với tư cách là một nhà khoa học đời sống là nó bắt đầu giải quyết một số vấn đề cốt lõi trong sinh học, mà còn bắt đầu tạo ra sự linh hoạt đó và bắt đầu phá vỡ các rào cản trong một số phần khiến khoa học trở nên khó khăn.
Mô hình Nền tảng Sinh học và Trí tuệ Tổng quát
Tôi hoàn toàn đồng ý. Và một điều nữa tôi muốn đề cập khi chúng ta nói về triển vọng và lộ trình nghiên cứu của chúng ta và những thứ tương tự là chúng ta đã tập trung rất nhiều vào những thứ cốt lõi, những tác vụ thực tiễn này, phải không? Những tác vụ thực sự thú vị, nhưng ở cấp độ bề mặt hơn. Tôi cũng muốn chỉ ra rằng chúng ta đang thấy một xu hướng ngày càng tăng trong lĩnh vực này tập trung vào các mô hình nền tảng sinh học. Những mô hình có khả năng ưu việt trên các phương thức sinh học, phải không? Các trình tự DNA, và trình tự protein và đa phương thức cũng như dữ liệu biểu hiện và tất cả các loại thứ. Và một xu hướng thực sự thú vị để theo dõi là ngày càng có nhiều bài báo ra đời theo thời gian chứng minh rằng những điều mà trước đây trông có vẻ như bạn cần các mô hình sinh học chuyên biệt cho, có lẽ bạn không cần. Và có lẽ thực sự với các mô hình quy mô tiên tiến rất lớn như Claude với loại huấn luyện phù hợp, chúng ta có thể bắt đầu phát triển những khả năng đó. Và vì vậy tôi nghĩ rằng tất cả chúng ta với tư cách là một lĩnh vực đang ở giai đoạn đầu của việc giải quyết vấn đề đó, nhưng tôi nghĩ đó là một xu hướng thực sự, thực sự thú vị để theo dõi và chúng ta sẽ theo đuổi khá mạnh mẽ, phải không? Tôi nghĩ rằng việc có những khả năng ưu việt này trong các phương thức sinh học này thực sự mạnh mẽ cho các mô hình nền tảng sinh học cụ thể này, nhưng để thực sự làm cho điều đó dễ tiếp cận với mọi người, bạn cần có khả năng giao tiếp với nó bằng ngôn ngữ, phải không? Và vì vậy tôi muốn nhấn mạnh điều đó như một điểm thú vị. Vâng, ý tôi là, đó là một điểm tuyệt vời, bạn biết đấy, khi lĩnh vực này phát triển, và ở đây tôi muốn nói cả lĩnh vực AI, mà còn nhiều lĩnh vực của khoa học đời sống, và tôi nghĩ chúng ta đã thấy rất nhiều đối tác thực sự thú vị, đó là các công ty khởi nghiệp AI bản địa trong không gian công nghệ sinh học đang sử dụng một số công cụ này cũng như các đối tác dược phẩm lớn. Và cách các mảnh ghép khác nhau kết hợp với nhau, phải không? Vì vậy, các mô hình nền tảng sinh học, các mô hình trí tuệ tổng quát, các tập dữ liệu cụ thể, bạn biết đấy, nó sẽ rất hấp dẫn, phải không? Và tôi nghĩ đó là một thời điểm thực sự thú vị. Và có lẽ điều này cũng dẫn đến điểm về quan hệ đối tác, phải không? Vì vậy, bắt đầu lấy những mảnh ghép khác nhau đó và kết hợp chúng lại với nhau và cách chúng ta nghĩ về các mối quan hệ đối tác, có thể một số bài học hoặc cơ hội ban đầu hoặc các mối quan hệ đối tác đã nằm trong tâm trí bạn hoặc một triết lý về cách xây dựng hệ sinh thái này. Vâng, cách tôi nghĩ về nó là chúng ta biết kim chỉ nam của mình là gì.
Tầm Nhìn và Đối Tác của Anthropic
Chúng tôi mong muốn kiến tạo thế giới tuyệt vời mà Dario viết về những cỗ máy của ân sủng yêu thương, trong đó, hoạt động Nghiên cứu và Phát triển (R&D) trong toàn bộ lĩnh vực khoa học đời sống được tăng tốc ít nhất một cấp độ lớn. Chúng tôi muốn điều đó xảy ra càng sớm càng tốt. Trong khuôn khổ đó, tôi nghĩ về các mối quan hệ đối tác như một cách để đảm bảo tất cả các mảnh ghép phù hợp đều tồn tại, phải không? Một số mảnh ghép đó chúng tôi sẽ tự thực hiện, phải không? Rất nhiều ở khía cạnh huấn luyện mô hình, một số ở khía cạnh sản phẩm nữa. Nhưng đối với những mảnh ghép khác, bạn biết đấy, việc chúng tôi tìm đúng đối tác và đảm bảo hỗ trợ tối đa là điều hợp lý.
Vì vậy, khi tôi nghĩ về các loại đối tác khác nhau, có những đối tác hệ sinh thái thực sự quan trọng, phải không? Chẳng hạn, tôi sẽ gọi Benchling là một trong số đó đối với chúng tôi, nơi tôi nghĩ rằng đa số các nhà khoa học sinh học đang làm việc sử dụng Benchling để tương tác hàng ngày với việc quản lý các thí nghiệm và dữ liệu của họ. Và đó thực sự là một đối tác quan trọng để chúng tôi tập trung vào. Tôi nghĩ có rất nhiều điều thú vị mà chúng tôi sẽ sớm chia sẻ về những gì chúng tôi đang cùng nhau thực hiện. Vậy đó là một loại đối tác.
Claude và Sự Tăng Tốc Khoa Học
Một loại đối tác khác là đối tác mà chúng tôi làm việc cùng, nơi họ đang sử dụng những gì chúng tôi xây dựng để thực sự tiến hành khoa học theo cách chưa từng có trước đây, phải không? Cho dù đó là thực hiện nhiều công trình khoa học hơn trên mỗi đơn vị thời gian, phải không? Đạt được các kết quả có tác động hơn trên mỗi đơn vị thời gian so với trước đây, hoặc tạo ra một loại khám phá chưa từng có trước đó, phải không?
Và vì vậy ở đó, bạn biết đấy, có một vài mối quan hệ đối tác mà chúng tôi khá hào hứng. Tôi nghĩ một điều đáng nhắc đến là với Viện Arc. Tôi biết bạn cũng đang suy nghĩ rất nhiều về điều này. Vì vậy, chúng tôi rất muốn nghe suy nghĩ của bạn. Vâng, ý tôi là, tôi nghĩ sự tương đồng mà cả hai chúng tôi có đối với Anthropic là do các tính năng độc đáo của các mô hình. Bạn biết đấy, có khả năng suy nghĩ sâu. Tôi thực sự không nghĩ đó là sự ngẫu nhiên khi rất nhiều nhà khoa học đã tự nhiên hướng tới việc sử dụng Claude.
Nhưng sau đó còn có tầm nhìn của Darius và tôi nghĩ tầm nhìn mà chúng tôi rất tin tưởng đó là, bạn biết đấy, mục tiêu của chúng tôi là tăng tốc, phải không? Đó là 100 năm khoa học có thể thực hiện được trong 10 năm. Điều đó thật táo bạo, đầy tham vọng. Nhưng tôi cũng nghĩ rằng càng suy nghĩ về nó và càng suy nghĩ về những gì cản trở khoa học, thì nó càng có thể đạt được.
Và vì vậy tôi đồng ý rằng, bạn biết đấy, trong lĩnh vực khoa học đời sống và sinh học, tôi nghĩ một điều độc đáo khác là đây là một hệ sinh thái cực kỳ liên tục và linh hoạt, phải không? Sinh viên đang ở trong một phòng thí nghiệm và hoàn thành luận văn của họ một ngày, có thể là người sáng lập một công ty khởi nghiệp bản địa AI vào ngày hôm sau, công ty đó sau đó được mua lại hoặc làm việc với hoặc thúc đẩy các quy trình lớn tại, bạn biết đấy, một công ty dược phẩm tiên phong về AI như Lily. Và bạn biết đấy, tính linh hoạt đó và việc suy nghĩ về toàn bộ mối quan hệ đối tác trong hệ sinh thái đó, tôi nghĩ đó chính là sự triển khai có lợi. Đó là toàn bộ khoa học và việc đạt được điều đó.
Chương Trình AI for Science
Điều mà tôi thực sự hào hứng và có thể là một tính năng mà bạn chưa đề cập đến là chương trình AI cho khoa học của chúng tôi. Chương trình này thực sự hướng tới việc đưa các công cụ và Claude vào tay các nhà khoa học có ý tưởng táo bạo hoặc một dự án lớn và họ nghĩ rằng Claude có thể, bạn biết đấy, hữu ích trong việc giải quyết điều đó. Và tôi nghĩ đó là một cách tuyệt vời để, bạn biết đấy, thúc đẩy nghiên cứu khám phá giai đoạn đầu. Đó là một cách tuyệt vời để chúng tôi gắn kết với các đối tác đó, làm việc chặt chẽ với họ và học hỏi từ họ, đồng thời bắt đầu, bạn biết đấy, tiếp tục mở rộng phạm vi và hiểu rõ hơn về những gì đang hoạt động thực sự tốt trong giai đoạn đầu này? Và, nói thật, điều quan trọng không kém là những gì không hoạt động tốt?
Và, bạn biết đấy, tôi nghĩ cả hai chúng ta đều tin vào sức mạnh nhưng cũng tin vào sự không hoàn hảo hiện tại. Và vì vậy, cơ hội đó để, bạn biết đấy, làm việc với các nhà khoa học, tăng tốc nghiên cứu của họ, đánh giá thành công dựa trên, bạn biết đấy, thành công của họ là gì. Khám phá của họ, sự tăng tốc của họ, thời gian của họ. Và để xem chúng tôi đang làm khá tốt ở đâu và có thể ở một số lĩnh vực mà chúng tôi cần phải làm tốt hơn nhiều. Vâng, tôi cũng rất hào hứng về điều đó. Và tôi nghĩ đó là một điểm rất quan trọng, phải không? Giống như trong cuộc trò chuyện này, chúng ta đã nhấn mạnh rất nhiều về việc chia nhỏ vấn đề thành tất cả những mảnh ghép mà chúng ta sẽ giải quyết độc lập. Nhưng phần quan trọng nhất là khi chúng ta ghép tất cả lại với nhau. Vâng. Và các nhà khoa học thực sự đang sử dụng những điều này, bạn biết đấy, mọi thứ đang diễn ra thế nào và chúng ta đang làm gì, phải không? Và vì vậy tôi nghĩ rằng chương trình AI cho khoa học là rất quan trọng để chúng tôi nhận được phản hồi đó và khép lại vòng lặp với những người đang sử dụng những điều này hàng ngày trong phòng thí nghiệm. Và vì vậy tôi cực kỳ hào hứng về điều đó.
An Toàn và Trách Nhiệm
Một điểm khác mà tôi nghĩ thực sự quan trọng cần phải nêu ra, điều giải thích tại sao Anthropic và trải nghiệm thực hiện điều này trong Anthropic lại thú vị đến vậy. Đó là một sự kết hợp hoàn hảo. Đó là khi chúng ta nói về việc tăng tốc và nâng cao năng lực, phải không? Mặt khác của điều đó là an toàn. Và trách nhiệm to lớn mà tất cả chúng ta phải đảm bảo rằng chúng ta đang cải thiện khả năng của mô hình và phát hành các sản phẩm có tác động ngày càng tăng theo cách có trách nhiệm và phù hợp với chính sách mở rộng quy mô có trách nhiệm cũng như các thực hành tốt nhất trong cộng đồng an ninh sinh học. Đó là điều tôi rất quan tâm. Tôi đã làm việc trong lĩnh vực an ninh sinh học trong nhiều năm. Và tôi nghĩ rằng ở hầu hết các công ty, sẽ có một số căng thẳng giữa tác động trong các mục tiêu thương mại của việc làm cho các mô hình này tốt hơn trong sinh học, phải không? Và khía cạnh an toàn và trách nhiệm của việc làm chậm lại những gì chúng ta cần và đảm bảo rằng chúng ta đang cẩn thận và có tất cả các biện pháp bảo vệ phù hợp.
Nhưng tại Anthropic, chúng tôi không có sự căng thẳng đó, phải không? Đó là bản chất cốt lõi của chúng tôi với tư cách là một công ty. Tôi nghĩ điều đó rất có giá trị ở đây. Nó cũng rất quen thuộc với tất cả mọi người trong lĩnh vực khoa học đời sống, phải không? Đối với những người đang phát triển liệu pháp điều trị và công nghệ y tế, phải không? Một mặt, bạn có bộ phận phát triển sản phẩm và các mục tiêu thương mại của mình. Và mặt khác, bạn có một hệ thống quản lý chất lượng, là một tập hợp các quy trình và thực hành điều chỉnh mọi thứ bạn làm để đảm bảo rằng bạn đang thực hiện điều đó một cách an toàn, phải không? Và vì vậy tôi nghĩ đó chỉ là một sự kết hợp rất tự nhiên. Cách tiếp cận của chúng tôi đối với AI là đảm bảo rằng việc phát triển AI mạnh mẽ diễn ra tốt đẹp và được thực hiện một cách an toàn. Và đó cũng là điều cần phải xảy ra trong khoa học đời sống, phải không? Và vì vậy đó là điều mà cá nhân tôi thực sự hào hứng, điều mà tôi cũng nghĩ là một phần lớn tạo nên con người chúng tôi với tư cách là một đối tác trong lĩnh vực này. Đúng vậy, vâng, đó là một giả định, phải không? Chúng ta phải làm điều đó, chúng ta có trách nhiệm với bản thân, có trách nhiệm với các nhà khoa học, có trách nhiệm với thế giới, phải xem xét những câu hỏi như vậy một cách thực sự nghiêm túc.
Bản Chất Nghiên Cứu của Anthropic
Vâng, và tôi nghĩ điều khác mà tôi thường nghĩ đến là ở bản chất cốt lõi của chúng tôi, chúng tôi là một tổ chức nghiên cứu. Tôi không nghĩ bạn có thể nói điều đó về tất cả các công ty AI khác, bạn biết đấy, Frontier Labs, v.v. Nhưng tôi nghĩ việc là một tổ chức nghiên cứu cho phép chúng tôi tương tác với các nhà nghiên cứu, các phòng thí nghiệm, các tổ chức nghiên cứu khác theo cách thực sự tạo ra một cảm giác chia sẻ về quyền sở hữu đối với các mục tiêu và hợp tác, phải không? Giống như chúng tôi muốn thúc đẩy công nghệ và thấy chúng được sử dụng đúng mục đích và sức mạnh mà thực sự đã được đầu tư để thấy điều đó tiến lên.
Vâng, tôi nghĩ chúng tôi thực sự may mắn vì điều đó. Và, bạn biết đấy, tôi cảm nhận rất sâu sắc rằng rất nhiều người trong đội ngũ sáng lập và đội ngũ lãnh đạo của chúng tôi, và trên tất cả các cấp độ và đội nhóm trong tổ chức đều là các nhà khoa học, phải không? Nhiều người do đào tạo, nhiều người do bản chất và khuynh hướng. Và, bạn biết đấy, tôi nghĩ rằng điều đó, bạn có thể cảm nhận được điều đó, bạn biết đấy, và tất cả công việc chúng tôi làm, nó khiến cho, bạn biết đấy, thật tự nhiên khi ra ngoài và làm việc với các nhà khoa học khác và tất cả những điều này. Vâng. Một số người, bạn biết đấy, nó hơi giống như, bạn biết đấy, những con khỉ đang điều hành sở thú, phải không? Nơi chúng tôi có những người rất đam mê khoa học, lái con thuyền. Và tôi nghĩ điều đó có nghĩa là chúng tôi có rất nhiều niềm vui. Vâng. Nhưng tôi nghĩ nó cũng, nó rất vui, nhưng cũng có sự trân trọng đối với các câu hỏi cốt lõi như an toàn và hiểu được sức mạnh là gì. Và cả những câu hỏi cốt lõi về việc, bạn biết đấy, đâu là những vấn đề đúng đắn cần giải quyết?
Và, bạn biết đấy, sự trân trọng đối với những gì làm cho khoa học trở nên khó khăn, những gì làm chậm khoa học, bạn biết đấy, nếu chúng ta cần đạt được 100 năm tiến bộ trong 10 năm, thì, bạn biết đấy, điều đó thực sự trông như thế nào? Phải không? Và, bạn biết đấy, bạn có thể vén màn khoa học và, bạn biết đấy, có một số điều đó chỉ là hiểu tài liệu khoa học, phải không? Giống như, bạn có thể dành cả ngày mỗi ngày. Thực tế, tôi nghĩ rất nhiều nhà khoa học có lẽ sẽ rất thích dành cả ngày mỗi ngày để đọc tài liệu khoa học, nhưng ngay cả khi đó, bạn cũng chỉ có thể đọc được, bạn biết đấy, một phần rất nhỏ những gì đã được xuất bản hoặc bản in trước vào bất kỳ thời điểm nào. Vì vậy, việc theo kịp là không thể, phải không? Nhưng Claude có thể theo kịp. Vâng.
Tương Lai của Khoa Học Đời Sống với AI
Được rồi, vậy có lẽ ở phần cuối này chúng ta hãy nói một chút về tương lai của công việc khoa học đời sống. Và, bạn biết đấy, chúng ta đã nói về tin sinh học và lập trình. Chúng ta đã nói về một số, bạn biết đấy, công việc lâm sàng và các công việc khác đã được chứng minh bởi một số đối tác ban đầu. Và sau đó có lẽ cũng chỉ là những cách chúng ta đang suy nghĩ về việc, như là xây dựng điều này và tiếp tục phát triển các quan hệ đối tác mới, thúc đẩy các mô hình hướng tới khả năng lớn hơn. Bạn sẽ đi đâu khi bắt đầu nghĩ về tương lai?
Vâng, vậy khi chúng ta bắt đầu nghĩ về tương lai, bạn biết đấy, tôi nghĩ trước tiên, chúng ta cần đảm bảo rằng Claude có tất cả kiến thức nền tảng mà bất kỳ nhà khoa học nào trong thế giới sinh học đều có, phải không? Đó là những điều như hiểu về sinh học cấu trúc protein, phải không? Và có thể nhìn vào một phân tử từ hóa học hữu cơ và hiểu cấu trúc chức năng của nó, những thứ như vậy, phải không? Và vì vậy, một khi bạn đã thiết lập nền tảng đó, thì tôi nghĩ có một số lĩnh vực thực sự thú vị mà chúng ta có thể theo đuổi. Một trong số đó mà tôi thực sự muốn nói đến và tôi nghĩ là rất quan trọng là Claude thực sự học cách thực hiện thí nghiệm trong phòng thí nghiệm, phải không?
Tôi nghĩ để đạt được thế giới mà tất cả chúng ta đang hướng tới, điều đó cần phải xảy ra. Và một lần nữa, đây là một vấn đề mà từ rất lâu rồi, bạn biết đấy, chúng ta đã đạt được nhiều tiến bộ, có lẽ không nhiều như một số người đã hy vọng, phải không? Về tầm nhìn tự động hóa công việc nhàm chán trong phòng thí nghiệm. Nhưng tôi tin rằng điều đó hiện đã khả thi và tôi nghĩ rằng đó là một lĩnh vực thực sự quan trọng mà chúng ta phải tập trung sâu vào. Và tôi nghĩ, bạn biết đấy, hãy tạm dừng một chút để hình dung cuộc sống sẽ như thế nào khi chúng ta đạt được điều đó. Nó sẽ thật phi thường, phải không? Chúng ta sẽ có thể đi từ, bạn biết đấy, nói chuyện với Claude về một thí nghiệm đến thiết kế kế hoạch thí nghiệm với Claude, đến việc Claude soạn thảo quy trình, và, phải không, bạn có thể trao đổi qua lại về chúng và sau đó khi bạn sẵn sàng, bạn có thể nói, được rồi, bây giờ hãy chạy những thí nghiệm đó và tôi sẽ xem xét dữ liệu vào sáng hôm sau.
Và vì vậy tôi nghĩ điều đó là quan trọng để khép lại vòng lặp và kích hoạt sự tăng tốc mà chúng ta đang nói đến. Và một điều khác mà tôi nghĩ là một chủ đề thực sự quan trọng cho nghiên cứu tương lai của chúng ta là trong sinh học, cũng như bất kỳ lĩnh vực khoa học nào, chúng ta có cơ hội học trực tiếp từ dữ liệu thực tế từ tự nhiên, phải không? Và vì vậy, một mặt, chúng ta thực hiện rất nhiều huấn luyện mô hình và học trên chú thích được tạo ra bởi con người và các tập dữ liệu khác được tuyển chọn hoặc tạo ra bởi con người, phải không? Nhưng có một cơ hội ở đây để thực sự thực hiện kiểu phòng thí nghiệm trong vòng lặp, học tập tích cực từ các phép đo sinh học thông lượng cao. Và lý do khác tại sao sinh học lại rất phù hợp với điều đó là vì chúng ta thực sự, bạn biết đấy, mỗi năm đều tuân theo quy luật mở rộng về số lượng thí nghiệm, phải không? Trên mỗi đơn vị mà chúng ta có thể thực hiện xét về thông lượng của các hệ thống này.
Vượt Ra Ngoài Khả Năng Con Người
Đây là hai chủ đề mà tôi ngày càng hào hứng, khi chúng ta bắt đầu suy nghĩ về việc làm thế nào để vượt ra ngoài khả năng của con người trong các tác vụ này. Đến một lúc nào đó, chúng ta sẽ bão hòa việc học hỏi từ các chuyên gia con người. Câu trả lời là lấy dữ liệu từ phòng thí nghiệm. Vâng, tôi nghĩ đây là một chủ đề tuyệt vời.
Claude Trong Đào Tạo và Nghiên Cứu
Điều khác mà có lẽ tôi muốn chỉ ra là tôi nghĩ vẫn còn một sự vượt trội lớn, nếu muốn nói vậy, về mặt khả năng và cách sử dụng hiện tại. Một trong những điều nổi bật đối với tôi là việc bắt đầu đưa Claude vào lớp học, trong các khóa đào tạo cơ bản, được triển khai một cách sâu rộng để nhiều nhà khoa học đang sử dụng Claude. Đồng thời, trải nghiệm và sản phẩm bắt đầu có cảm giác rất gắn kết, nơi Claude là trợ lý ảo và nhà khoa học ảo đó không chỉ giúp trả lời một vấn đề, mà còn giúp một nhà khoa học trả lời bất kỳ vấn đề nào.
Lời Kết
Được rồi, Eric, điều này thật tuyệt vời. Thật thú vị khi luôn được nói chuyện về khoa học. Một số người nói rằng chúng ta còn rất nhiều việc phải làm. Cảm ơn bạn đã dành thời gian, và tôi thực sự mong chờ tương lai của Claude trong khoa học đời sống và đẩy mạnh tới biên giới của lĩnh vực này. Vâng, cảm ơn Yoda. Điều này thật sự rất vui. Và chúng ta mới chỉ bắt đầu.