AI-modeller og platforme

JapanFold holder open‑source beregninger for lægemiddelforskning i Japan

mm
Føj Unite.AI til dine foretrukne kilder på Google

ai& og Tenstorrent lancerede JapanFold den 3. september 2026, en lægemiddelforskningsplatform, der leverer open‑source modeller for strukturel biologi udelukkende på infrastruktur i Japan. Platformen kører på ai&’s suveræne infrastruktur, drevet af Tenstorrent Galaxy‑superklustre, og virksomhederne siger, at hver beregning udføres inden for landet.

Japanske forskere, farmaceutiske virksomheder og biotekfirmaer kan få adgang til modellerne til, hvad virksomhederne beskriver som en brøkdel af omkostningerne ved konventionel cloud‑infrastruktur. ai& oplyser, at de dækker inferenskostnaden, så forskere, universiteter og institutter i Japan kan bruge alle modeller gratis. Virksomheden beskrev JapanFold som deres første betydelige indsats inden for AI for videnskab.

Modeller og adgang

JapanFold leverer modeller inden for tre kategorier. Til strukturelle og bindingsaffinitets‑forudsigelser tilbyder platformen Boltz-2, OpenFold3, ESMFold-2, OpenDDE, Protenix-v2, RoseTTAFold3, OpenBind-0 og Nesso-1. Til de‑novo lægemiddeldesign leverer den BoltzGen, RFdiffusion 3 og PXDesign, som sammen dækker arbejdsflowet fra proteinfoldning til generering af lægemiddelkandidater. ESMC og SaProt leverer protein‑indlejringer til efterfølgende opgaver.

Brugere kan få adgang til platformen på tre måder: et browser‑baseret Workbench, der ikke kræver installation eller tilmelding, et enkelt HTTP‑API‑endpoint, der deles af alle modeller, samt en agent‑funktion til værktøjer som Claude Code, Cursor og Codex. API‑et er asynkront (jobs indsendes, forespørges og downloades, når de er færdige) og er som standard nøgleløst, med en valgfri Bearer‑nøgle, der begrænser jobs til en individuel bruger.

Da den offentlige tjeneste er en gratis demo, der kører på delt beregning, er input og samtidighed begrænset, med en platform‑grænse på 1.024 rester per struktur, plus hastighedsbegrænsninger og et download‑budget. Resultaterne gemmes ikke permanent: tjenesten bevarer de 1.000 seneste jobs og fjerner den mest aktive brugers ældste job først, når grænsen eller en lager‑grænse er nået.

Nøjagtighed og modellimitations

ai& oplyser, at de optimerer og leverer hver JapanFold‑model på Tenstorrent‑processorer med 1:1 nøjagtighed, uden pris‑præmien, fordi modellerne skalerer næsten lineært på hardwaren – en fordobling af antallet af processorer fordobler outputtet. Før hver udgivelse kontrolleres platformens output for paritet mod hver models officielle referenceimplementering, og en sammenlignings‑test bestås, når enheden ligger inden for reference‑ens egen seed‑til‑seed støjgrænse, ifølge nøjagtighedsdokumentationen.

Den dokumentation indeholder også angivne forbehold. Paritetskontrollerne måler porten snarere end den underliggende videnskab, idet de sammenligner enheden med referenceimplementeringen på samme input i stedet for med eksperimentelle strukturer. OpenFold3’s vægte er et forhåndsvisnings‑checkpoint, trænet langt før den fulde AlphaFold3‑plan, så dens tillids‑scores bør læses, før man stoler på en forudsigelse. OpenDDE‑checkpointene svarer til deres referenceimplementering, inklusive den reference’s svaghed på nogle vanskelige antistof‑antigen‑mål.

I et tilhørende indlæg forklarede ai&‑medstifterne Shimpei Hara og David Bennett de beregningsøkonomiske baggrunde for lanceringen. Fold‑modeller er beregnings‑bundne snarere end hukommelses‑båndbredde‑bundne som sprogmodeller, skrev de, så arbejdsbyrden favoriserer chips, der er formet omkring aritmetik og on‑chip‑hukommelse. De rapporterede, at en Blackhole Galaxy når gennemløbet af en NVIDIA DGX B200 på et 512‑rester protein til cirka en femtedel af købsprisen – omkring fem gange højere gennemløb pr. dollar, mens arbejdsbyrde og nøjagtighed holdes faste – med henvisning til projektets offentliggjorte benchmark‑målinger.

Hardware og de to virksomheder

Platformens Tenstorrent Galaxy Blackhole‑server indeholder 32 Blackhole‑ASIC’er med en ydelse på 23 petaFLOPS af blok‑FP8‑beregning, med 6,2 GB accelerator‑SRAM og 1 TB GDDR6‑hukommelse, ifølge Tenstorrents hardware‑specifikationer. Det 6U luft‑kølede system koster $160.000, og en superkluster‑konfiguration med fire Galaxy Blackhole‑systemer starter ved $640.000.

“Det japanske forskningssamfund bør aldrig skulle vælge mellem verdensklasse AI og at holde deres data suveræne,” sagde David Bennett, administrerende direktør og medstifter af ai&, i lanceringsmeddelelsen. Han sagde, at JapanFold fjerner den afvejning.

“Tenstorrent leverer hurtig, skalerbar beregning, og ai& ejer hele stakken i Japan,” sagde Jim Keller, administrerende direktør for Tenstorrent. “Sammen har vi gjort det til en platform, som forskere faktisk kan bruge med JapanFold.”

ai& er et vertikalt integreret AI‑teknologifirma grundlagt i marts 2026 med hovedkontor i Yokohama, som integrerer datacenter‑infrastruktur, heterogen beregning og modell‑tjenester i én platform. Tenstorrent, ledet af Keller, bygger RISC‑V‑baserede AI‑processorer og -systemer til udviklere, virksomheder og suveræn infrastruktur, og har rejst over $1 milliard fra investorer inklusive Bezos Expeditions, Samsung, LG Electronics, Hyundai Motor Group og Fidelity. Virksomhederne beskrev JapanFold‑lanceringen som det første skridt i en bredere indsats for at gøre suveræn, open‑source AI‑infrastruktur tilgængelig for videnskabelige forskningsfællesskaber i hele regionen.

Theo Nash er en AI-genereret agent til informationssøgning og analyse hos Unite.AI, der dækker AI‑infrastruktur, beregning og de hardware‑systemer, der driver moderne kunstig intelligens. Hans arbejde fokuserer på de tekniske grundlag bag store AI‑arbejdsbelastninger, herunder datacentre, acceleratorer, netværk og software‑stakke, der binder dem sammen.

Med et analytisk og ingeniørdrevet perspektiv undersøger Theo, hvordan fremskridt inden for GPU’er, specialdesignet silicium, hukommelsesarkitekturer og distribuerede systemer muliggør nye generationer af AI‑modeller. Han lægger særlig vægt på præstationsafvejninger, energieffektivitet, skalerbarhed og de praktiske begrænsninger, der former implementeringen af AI‑infrastruktur i den virkelige verden.

Artikler skrevet af Theo Nash er AI‑genererede og gennemgået af Unite.AI’s redaktionsteam for at sikre teknisk nøjagtighed, klarhed og ansvarlig dækning af det hastigt udviklende AI‑beregningslandskab.