Claude Science costa $26 per dimostrare che l’ontologia del campo è uno scherzo
disadattamento
Prima di oggi ho alimentato un’IA tutta la mia biblioteca di ricerca. 6.576 documenti. Ho fatto una domanda che ho masticato per anni.
I vocabolari ufficiali destinati a codificare il mio campo corrispondono effettivamente a come pensano i praticanti?
Studio lo spillover zoonotico. Come le malattie passano dagli animali agli esseri umani Come la maggior parte dei campi abbiamo ontologie formali, cataloghi curati di concetti destinati a tenerci organizzati. Sospettavo che fossero magri.
Così ho smesso di discutere e testato.
Il sistema ha letto 490 di quei documenti. Solo su spillover ed emergenza. Ha tirato affermazioni causali dal testo, assemblato un vocabolario dal basso verso l’alto e lo ha confrontato con lo standard ufficiale.
Il divario era enorme.
Delle 915 relazioni ripetutamente utilizzate in letteratura, 864 non avevano controparte nello schema di riferimento. Milleduecento categorie concettuali apparvero nel mio piccolo campione, ma da nessuna parte nelle mappe formali. Principalmente raggruppati attorno a driver ambientali ed ecologia. La lingua di lavoro effettiva di una frazione del mio campo è quattro volte più ricca di quella ufficiale.
L’esperimento costa $26 e cambia.
Un’imbracatura, non un modello #
Questo è stato un test drive di Claude Science. Anthropic lo ha lanciato oggi. Il loro obiettivo? Fare per il banco di laboratorio quello che Claude Code ha fatto per gli sviluppatori di software.
È una scommessa ambiziosa. Sei mesi fa Zubair Jandali ha affermato che l’intelligenza artificiale potrebbe aiutare con le attività digitali nelle scienze della vita. Oggi il passo è cambiato. Può eseguire il lavoro.
Ecco il trucco. Claude Science non è un nuovo modello.
Anthropic è schietto su di esso. Gira su Claude Opus 4. Lo stesso motore che tutti gli altri noleggiano. Nessun peso segreto. Nessun accesso speciale. L’intelligenza è identica.
Ciò che cambia è il * cablaggio*.
In termini di intelligenza artificiale, l’imbracatura è l’impalcatura. Trasforma un modello generale in uno strumento. Connessioni dati, esecuzione codice, memoria, controlli di sicurezza. Un modello nudo potrebbe ragionare su una proteina. Uno sfruttato estrae i dati della struttura, piega una variante su un cluster GPU, esegue il rendering dell’immagine e registra ogni passaggio per la riproducibilità.
Claude La scienza è un’imbracatura sostanziale.
- Si collega a oltre sessanta database scientifici.
- Navi con competenze pre-costruite per genomica, chimica e biologia strutturale.
- Gestisce i lavori su laptop o GPU cloud noleggiate.
- Ogni output porta la sua piena provenienza, il codice, l’ambiente e la cronologia delle conversazioni in bundle per la rigenerazione successiva.
Questo rende il modello più intelligente?
No. Lo rende utile. Che è molto più prezioso.
Un biologo computazionale avrebbe potuto costruirne la metà usando Claude Code e GitHub in poche settimane. Ma questo presuppone che ogni laboratorio abbia la larghezza di banda per collegare il proprio strumento da zero. Anthropic sta scommettendo che la cura batte la duplicazione. Trasformare la capacità grezza in scienza affidabile.
Pharma prima, tutto il resto dopo
La demo si è concentrata sulla scoperta di farmaci.
Da una singola frase, Claude pianificò una campagna per stabilizzare un enzima dietro la fenilchetinuria. Ha proiettato 2.200 molecole su 80 GPU. Ristretto a quattro candidati. Ha prodotto un memo go / no-go.
Poi ha eseguito lo stesso processo su 100 malattie rare contemporaneamente.
Perché fermarsi qui, ha chiesto il presentatore. Potrebbe fare 10.000.
Impressionante? Sì.
Molecolare limitata? Assolutamente.
Ogni database e modello di partner punta verso la scienza farmaceutica. Geni, proteine, piccole strutture. Dove sono i soldi. OpenAI e Google puntano allo stesso obiettivo.
Ma il resto della scienza è aperto.
Scienze della terra. Dati atmosferici. Ecologia. Scienze sociali. Gran parte dell’epidemiologia.
Nessuno di essi è configurato nel lancio. I dati su cui si basano questi campi, i record di biodiversità del GBIF, la rianalisi del clima, i dati del censimento, il telerilevamento, sono assenti dai primi sessanta database. Il lavoro “dry lab”, l’ecologia di campo e le dinamiche di popolazione, rimane una frontiera non sfruttata.
È facile da visualizzare, però.
Immagina un’imbracatura come questa puntata alla zoonosi. Tira i record di occorrenza delle specie. Sovrapposizioni rianalisi del clima. Si adatta a un modello di distribuzione. Bandiere contee in cui è probabile che un pathgen trasmesso da zecche si diffonda nella prossima stagione.
Redige il brief di sorveglianza. Genera la figura.
Comprime settimane di assemblea in un pomeriggio per un dipartimento di salute pubblica. L’intelligenza esiste per farlo. Quello che manca è il cablaggio. Connettore. Il mio esperimento da 2 26 è una piccola prova di concetto.
Judgment Over Generation
La tecnologia è veloce. Accelererà tutto.
Ma chiarisce dove contano gli scienziati umani.
Una volta che la generazione diventa economica ,il giudizio diventa il collo di bottiglia. Auditing, convalida, correzione. Questi sono i passaggi che limitano la velocità per qualsiasi lavoro che si muove attraverso uno schermo.
Questa è solo una buona scienza, comunque.
Claude Science viene fornito con un agente “recensore” per segnalare citazioni errate e numeri non corrispondenti. Per ora, è lo stesso modello che controlla il proprio output, non un oracolo indipendente. Ma la direzione sembra giusta.
Il vero rischio è la regressione verso la mediocrità.
I modelli formati sulla letteratura esistente eccellono nel riflettere quella letteratura. Parlano da soli.
Ma lo stesso strumento che mappa il consenso può anche mappare le lacune. Relazioni che nessuno ha testato. Concetti usati ovunque ma definiti da nessuna parte.
Ho speso6 26 per trovare i bordi di ciò che è già scritto. Trovare ciò che *non è stato ancora immaginato? Questo è il problema più difficile.
Sembra anche l’unico rimasto da risolvere.
