Новая молекула от лаборатории до рынка занимает в среднем десять лет и миллиарды долларов. Большинство кандидатных молекул даже не доходят до клинических испытаний — они отфильтровываются на этапе вычислений.
AI-компании кричали годами, что хотят изменить этот процесс. Большинство достигли «заставить вычислительных химиков писать на несколько строк кода меньше», но не изменили сам процесс.
SandboxAQ хочет сделать что-то другое. Они подключили свои научные AI-модели прямо в Claude.
Не ещё один AI-чат-бот
Ключевая технология SandboxAQ называется LQM (Large Quantitative Models) — всего одна буква отличается от LLM, но базовая логика совершенно другая.
LLM учат паттерны в тексте. LQM учат правила физического мира — квантово-химические расчёты, моделирование молекулярной динамики, микрореакционная кинетика. Он не угадывает, каким будет следующее слово; он вычисляет, как молекула будет реагировать в определённых условиях.
Ранее, чтобы запустить модели SandboxAQ, нужно было построить свою инфраструктуру, настроить вычислительные среды, написать вызывающий код. Пользователи в основном должны были быть вычислительными учёными.
Теперь вы вводите описание на естественном языке в диалоговое окно Claude, бэкэнд запускает вычисление LQM, и результаты возвращаются напрямую.
Что это означает
Самое прямое влияние: больше участников в разработке лекарств.
Ранее биолог, желающий проверить молекулярную гипотезу, должен был сотрудничать с командой вычислительной химии, ждать в очереди вычислительных ресурсов, ждать результатов. Долгие циклы, высокие коммуникационные затраты.
Теперь тот же биолог может напрямую спросить в Claude: «Каково приблизительное сродство связывания этой молекулы при pH 7.4?» Бэкэнд вызывает LQM для квантово-химического расчёта, результаты приходят за минуты.
Это не значит, что вычислительные химики теряют работу. Сложные симуляции, разработка методологии, интерпретация результатов всё ещё требуют профессиональной подготовки. Но повседневные запросы «проверить свойства этой молекулы» могут быть напрямую поглощены интерфейсом естественного языка.
Точные слова Nadia Harhen, GM AI-симуляции SandboxAQ: «Впервые у нас есть пограничная количественная модель на пограничной LLM, к которой кто-то может получить доступ на естественном языке.»
Но не спешите ликовать
Несколько вопросов реального мира:
Во-первых, где граница точности? LQM основаны на физических правилах, а не на статистических паттернах, что теоретически делает их надёжнее LLM. Но квантово-химические расчёты сами по себе имеют методы аппроксимации (проблемы точности DFT, влияние выбора базисного набора) — могут ли результаты LQM напрямую использоваться для экспериментальных решений, зависит от конкретных данных валидации.
Во-вторых, ограничения Claude как точки входа. Естественный язык хорош для нечётких запросов, но научные вычисления требуют точной настройки параметров. Крошечная разница в молекулярной конформации может изменить результаты вычислений. Может ли Claude точно понять научный намерение пользователя и передать его в LQM без искажений — это вызов на уровне UX.
В-третьих, клиентская база SandboxAQ уже была узкой. Их клиенты в основном — вычислительные учёные крупных фармацевтических и промышленных компаний. Эта интеграция делает существующих клиентов более удобными, но сможет ли она расширить новые группы клиентов (малый биотех, академические лаборатории), зависит от ценообразования и барьеров.
Амбиции Anthropic в «вертикальных отраслях»
Рассматривая это партнёрство в стратегической карте Anthropic, оно становится ещё интереснее.
Anthropic продвигает Claude for Small Business, глобальное развёртывание с PwC. Теперь добавлена интеграция научной модели SandboxAQ — они строят паттерн: Claude — это платформа, отраслевые профессиональные модели — это плагины.
Если этот паттерн сработает, Claude больше не просто «лучший чат-бот» — он становится входным слоем для отраслевого AI.
Но каждая вертикальная отраслевая интеграция требует глубокой доменной адаптации. Разработка лекарств — это только начало. Финансы, материаловедение, энергетика — SandboxAQ назвал эти направления в пресс-релизе.
Вывод
Направление этой интеграции правильное. Одно из ключевых узких мест в разработке лекарств действительно в том, что «инструменты слишком далеко от пользователей». Позволить учёным напрямую вызывать профессиональные вычислительные модели через естественный язык — эта интуиция верна.
Но наука — это не чат. Надёжность, отслеживаемость, воспроизводимость результатов вычислений — это底线 для решений в разработке лекарств. Сможет ли Claude + LQM выстоять на этих жёстких метриках, ответ дадут реальные кейсы в ближайшие месяцы.
Основные источники: