Claude Science kostte $ 26 om te bewijzen dat de ontologie van het veld een grap is
mismatch
Eerder vandaag heb ik een AI mijn hele onderzoeksbibliotheek gevoed. 6.576 papieren. Ik stelde het een vraag waar ik al jaren op kauw.
Komen de officiële woordenlijsten die bedoeld zijn om mijn vakgebied te coderen eigenlijk overeen met hoe beoefenaars denken?
Ik bestudeer zoönotische spillover. Hoe ziekten van dieren naar mensen springen. Zoals de meeste velden hebben we formele ontologieën, gecureerde catalogi van concepten die bedoeld zijn om ons georganiseerd te houden. Ik vermoedde dat ze dun waren.
Dus stopte ik met ruzie maken en testte het.
Het systeem las 490 van die papieren. Alleen op spillover en emergence. Het trok causale beweringen uit de tekst, verzamelde een woordenschat van onder naar boven en vergeleek het met de officiële standaard.
De kloof was enorm.
Van de 915 relaties die herhaaldelijk in de literatuur werden gebruikt, hadden 864 geen tegenhanger in het referentieschema. Twaalfhonderd conceptuele categorieën verschenen in mijn kleine steekproef, maar nergens in de formele kaarten. Meestal geclusterd rond milieufactoren en ecologie. De werkelijke werktaal van een fractie van mijn vakgebied is vier keer rijker dan de officiële.
Het experiment kostte $26 en wisselgeld.
A Harness, Not a Model
Dit was een proefrit van Claude Science. Anthropic heeft het vandaag gelanceerd. Hun doel? Om voor de labbank te doen wat Claude Code deed voor softwareontwikkelaars.
Het is een ambitieuze weddenschap. Zes maanden geleden beweerde Zubair Jandali dat AI zou kunnen helpen met digitale taken in de life sciences. Vandaag is de pitch verschoven. Het kan het werk doen.
Hier is de vangst. Claude wetenschap is geen nieuw model.
Anthropic is er Bot over. Het draait op Claude Opus 4. Dezelfde motor die iedereen huurt. Geen geheime gewichten. Geen speciale toegang. De intelligentie is identiek.
Wat verandert is het * harnas*.
In AI-termen is het harnas de steiger. Het maakt van een algemeen model een hulpmiddel. Gegevensverbindingen, code-uitvoering, geheugen, veiligheidscontroles. Een naakt model kan redeneren over een eiwit. Een harnessed one trekt structuurgegevens, vouwt een variant op een GPU-cluster, maakt het beeld weer en registreert elke stap voor reproduceerbaarheid.
Claude wetenschap is een substantieel harnas.
- Het verbindt met meer dan zestig wetenschappelijke databases.
- Schepen met vooraf gebouwde vaardigheden voor genomica, chemie en structurele biologie.
- Beheert taken op uw laptop of gehuurde cloud GPU ‘ s.
- Elke output draagt zijn volledige herkomst, de code, omgeving en gespreksgeschiedenis gebundeld voor latere regeneratie.
Maakt dit het model slimmer?
Geen. Het maakt het nuttig. Wat veel waardevoller is.
Een computationele bioloog had de helft zelf kunnen bouwen met Claude Code en GitHub in een paar weken. Maar dat veronderstelt dat elk lab de bandbreedte heeft om hun eigen tool vanaf nul te bedraden. Anthropic wedt dat curation duplicatie verslaat. Het omzetten van ruwe capaciteit in betrouwbare wetenschap.
Pharma Eerst, Al Het Andere Later
De demo was gericht op het ontdekken van geneesmiddelen.
Claude plande een campagne om een enzym achter fenylketinurie te stabiliseren. Het onderzocht 2200 moleculen op 80 GPU ‘ s. Beperkt tot vier kandidaten. Een go/no-go memo.
Vervolgens werd hetzelfde proces uitgevoerd op 100 zeldzame ziekten tegelijkertijd.
Waarom stoppen, vroeg de presentator. Kan 10.000 doen.
Indrukwekkend? Bevestigend.
Moleculair beperkt? Helemaal.
Elke database en partnermodel wijst op farmaceutische wetenschap. Genen, eiwitten, kleine structuren. Waar het geld is. OpenAI en Google richten zich op hetzelfde doel.
Maar de rest van de wetenschap is wijd open.
Aardwetenschappen. Atmosferische gegevens. Ecologie. Sociologie. Veel epidemiologie.
Niets ervan is geconfigureerd tijdens de lancering. De gegevens waarop deze velden vertrouwen, biodiversiteitsgegevens van GBIF, klimaatheranalyse, censusgegevens, teledetectie, ontbreken in de eerste zestig databases. Het werk van het “droge laboratorium”, veldecologie en populatiedynamiek, blijft een onbenutte grens.
Het is echter gemakkelijk te visualiseren.
Stel je voor dat een harnas als dit gericht is op zoönose. Het trekt records van soorten. Overlays klimaatheranalyse. Past in een distributiemodel. Vlaggen provincies waar een door teken overgedragen pathgen zich waarschijnlijk volgend seizoen zal verspreiden.
Stelt de surveillance brief op. Genereert het cijfer.
Comprimeert weken van assemblage in een middag voor een afdeling Volksgezondheid. De intelligentie bestaat om dit te doen. Wat ontbreekt is de bedrading. Connector. Mijn $ 26 experiment is een kleine proof of concept.
Judgment Over Generation
De technologie is snel. Het zal alles versnellen.
Maar het maakt duidelijk waar menselijke wetenschappers toe doen.
Zodra generatie goedkoop wordt, wordt * oordeel * de bottleneck. Auditing, valideren, corrigeren. Dit zijn de snelheidsbeperkende stappen voor elk werk dat door een scherm beweegt.
Dat is sowieso goede wetenschap.
Claude Science schepen met een” reviewer ” agent om slechte citaten en niet overeenkomende nummers te markeren. Voor nu is het hetzelfde model dat zijn eigen output controleert, niet een onafhankelijk orakel. Maar de richting voelt goed.
Het echte risico is regressie naar middelmatigheid.
Modellen die zijn opgeleid in bestaande literatuur, zijn uitstekend in het weerspiegelen van die literatuur. Ze praten tegen zichzelf.
Maar dezelfde tool die consensus in kaart brengt, kan ook gaten in kaart brengen. Relaties die niemand heeft getest. Concepten die overal worden gebruikt, maar nergens worden gedefinieerd.
Ik heb $26 uitgegeven aan het vinden van de randen van wat al geschreven is. Vinden wat *nog niet * is ingebeeld? Dat is het moeilijkste probleem.
Het lijkt ook de enige die nog moet worden opgelost.
