AI-mallit ja alustat

JapanFold pitää avoimen lähdekoodin lääketieteellisen löytöjen laskennat Japanin sisällä

mm
Lisää Unite.AI suosikkilähteisiisi Google-palvelussa

ai& ja Tenstorrent lanseerasivat JapanFoldin 3. syyskuuta 2026, lääketieteellisen löytöjen alustan, joka tarjoaa avoimen lähdekoodin rakenteellisen biologian malleja kokonaan Japanin sisäisellä infrastruktuurilla. Alusta toimii ai&:n suvereenilla infrastruktuurilla, jota ohjaavat Tenstorrent Galaxy -superklusterit, ja yritykset kertovat, että kaikki laskennat suoritetaan maassa.

Japanilaiset tutkijat, lääkeyhtiöt ja biotekniikkayritykset voivat käyttää malleja, joiden hinta yritysten mukaan on murto-osa perinteisen pilvi-infrastruktuurin kustannuksista. ai& ilmoitti kantavansa inferenssin kustannukset, joten tutkijat, yliopistot ja instituutiot Japanissa voivat käyttää kaikkia malleja ilmaiseksi. Yritys kuvaili JapanFoldia ensimmäiseksi merkittäväksi ponnistuksekseen tekoälyn tieteessä.

Mallit ja pääsy

JapanFold tarjoaa malleja kolmessa kategoriassa. Rakenne- ja sitoutumisaffiniteetin ennustamiseen alusta tarjoaa Boltz-2, OpenFold3, ESMFold-2, OpenDDE, Protenix-v2, RoseTTAFold3, OpenBind-0 ja Nesso-1. De novo -lääkedesigniin se tarjoaa BoltzGen, RFdiffusion 3 ja PXDesign, jotka yhdessä kattavat työnkulun proteiinin taittumisesta lääkekandidaatin luomiseen. ESMC ja SaProt tarjoavat proteiini-embeddingeja jatkokäsittelyyn.

Käyttäjät voivat käyttää alustaa kolmella tavalla: selainpohjainen Workbench, joka ei vaadi asennusta tai rekisteröitymistä, yksi HTTP‑API‑päätepiste, jota kaikki mallit jakavat, sekä agenttitaidot työkaluille kuten Claude Code, Cursor ja Codex. API on asynkroninen (työt lähetetään, tarkistetaan ja ladataan valmiina) ja oletuksena avaineton, mutta valinnainen Bearer‑avain rajoittaa työt yksittäiselle kutsujalle.

Koska julkinen palvelu on ilmainen demoversio, joka toimii jaetulla laskentateholla, syötteet ja samanaikaisuus on rajoitettu, mallikohtaisilla ylärajoilla kuten 1 024 residuaalia Boltz-2:lle ja 576 OpenFold3:lle, sekä nopeusrajoituksilla ja tulosbudjetilla. Dokumentaatiossa todetaan, että täysi alusta ei sisällä tällaisia rajoituksia. Tulokset eivät ole pysyvää tallennusta: palvelu säilyttää 1 000 viimeisintä työtä ja poistaa kiireisimmän käyttäjän vanhimman työn ensin, kun raja tai tallennuskatto täyttyy.

Tarkkuus ja mallien rajoitukset

ai& kertoi optimoivansa ja tarjoavansa jokaisen JapanFold‑mallin Tenstorrent‑prosessorilla 1:1 tarkkuudella ilman lisäkustannuksia, koska mallit skaalautuvat lähes lineaarisesti laitteistossa – prosessorien määrän kaksinkertaistaminen kaksinkertaistaa tuoton. Ennen jokaista julkaisua alustan tulos tarkistetaan yhdenvertaisuuden varalta jokaisen mallin virallista referenssitäytäntöä vastaan, ja vertailuvaihe läpäisee, kun laite sijoittuu referenssin omaan siemen‑siemen‑kohinan alatasoon, kuten tarkkuusdokumentaatiossa kerrotaan.

Kyseinen dokumentaatio sisältää myös mainitut varoitukset. Yhdenvertaisuustarkistukset mittaavat porttia eikä taustalla olevaa tiedettä, vertaamalla laitetta referenssitäytännön kanssa samassa syötteessä eikä kokeellisiin rakenteisiin. OpenFold3:n painot ovat esikatselutarkistuskohta, joka on koulutettu hyvin ennen täyttä AlphaFold3‑aikataulua, joten sen luottamuslukemia tulee tarkastella ennen ennustuksen luottamista. OpenDDE‑tarkistuskohta vastaa sen referenssitäytäntöä, mukaan lukien kyseisen toteutuksen heikkous joissakin vaikeissa vasta‑aine‑antigeenikohteissa.

Liitännäisjulkaisussa kumppaniartikkelissa ai&:n perustajat Shimpei Hara ja David Bennett selittivät lanseerauksen laskennallista taloutta. Taittomallit ovat laskentavetoisia eivätkä muistin kaistanleveyteen sidottuja kuten kielimallit, he kirjoittivat, joten työkuorma suosii aritmetiikkaan ja sirun sisäiseen muistiin suunniteltuja siruja. He raportoivat, että yksi Blackhole Galaxy saavuttaa NVIDIA DGX B200:n läpimenon 512 residuaalin proteiinilla noin viidenneksen ostohinnasta – noin viisi kertaa suurempi läpimeno dollaria kohden, kun työkuorma ja tarkkuus pidetään vakiona – viitaten projektin julkaistuihin vertailumittauksiin.

Laitteisto ja kaksi yritystä

Alustan Tenstorrent Galaxy Blackhole -palvelimessa on 32 Blackhole‑ASIC:ä, joiden laskentateho on 23 petaFLOPS lohko‑FP8‑laskentaa, 6,2 GB kiihdyttimen SRAM‑muistia ja 1 TB GDDR6‑muistia Tenstorrentin laitteistomääritysten mukaan. 6U‑ilmankierto‑järjestelmän hinta on 160 000 $, ja neljän Galaxy Blackhole -järjestelmän superklusterikonfiguraatio alkaa 640 000 $.

“Japanin tutkimusyhteisön ei pitäisi koskaan joutua valitsemaan maailmanluokan tekoälyn ja tietojensa suvereniteetin välillä,” sanoi David Bennett, ai&:n toimitusjohtaja ja perustaja, lanseerausjulkaisussa. Hän totesi, että JapanFold poistaa tämän kompromissin.

“Tenstorrent tarjoaa nopeaa, skaalautuvaa laskentaa, ja ai& hallitsee koko pinon Japanissa,” sanoi Jim Keller, Tenstorrentin toimitusjohtaja. “Yhdessä olemme muuttaneet sen alustaksi, jota tutkijat todella voivat käyttää JapanFoldin kanssa.”

ai& on pystysuunnassa integroidut tekoälyteknologiayritys, joka perustettiin maaliskuussa 2026 ja jonka pääkonttori sijaitsee Yokohamassa. Se yhdistää datakeskusin infrastruktuurin, heterogeenisen laskennan ja mallipalvelut yhdeksi alustaksi. Tenstorrent, Kellerin johdolla, rakentaa RISC‑V‑pohjaisia tekoälyprosessorita ja -järjestelmiä kehittäjille, yrityksille ja suvereeneille infrastruktuureille, ja se on kerännyt yli miljardin dollarin rahoituksen tukijoilta kuten Bezos Expeditions, Samsung, LG Electronics, Hyundai Motor Group ja Fidelity. Yritykset kuvailivat JapanFold‑lanseerausta ensimmäiseksi askeleeksi laajemmassa pyrkimyksessä tehdä suvereeni, avoimen lähdekoodin tekoälyinfrastruktuuri saatavaksi tieteellisille tutkimusyhteisöille koko alueella.

Theo Nash on tekoälygeneroitu asiantuntija Unite.AI:ssa, joka kattaa tekoälyinfrastruktuurin, laskennan ja modernin tekoälyä voimistavat laitteistojärjestelmät. Hänen työnsä keskittyy suurten tekoälykuormien taustalla oleviin teknisiin perusteisiin, mukaan lukien datakeskukset, kiihdyttimet, verkkotiet ja ohjelmistopinot, jotka sitoutuvat niihin.
Analyytisesta ja insinöörijohtoisesta näkökulmasta Theo tarkastelee, miten GPU:n, mukautetun piirin, muistiarkkitehtuurien ja hajautettujen järjestelmien edistysaskeleet mahdollistavat uusia tekoälymallien sukupolvia. Hän kiinnittää erityistä huomiota suorituskyky-yhteyksiin, energiatehokkuuteen, skaalautuvuuteen ja käytännön rajoituksiin, jotka muokkaavat tekoälyinfrastruktuurin todellista käyttöönottoa.
Artikkelit, joita Theo Nash on kirjoittanut, on tekoälygeneroitu ja Unite.AI:n toimittajatiimi on tarkastanut ne varmistaakseen teknisen tarkkuuden, selkeyden ja vastuullisen kattavuuden nopeasti kehittyvässä tekoälylaskennan maisemassa.