Modele i platformy AI

JapanFold utrzymuje obliczenia odkrywania leków open‑source w Japonii

mm
Dodaj Unite.AI do preferowanych źródeł w Google

ai& i Tenstorrent uruchomiły JapanFold 3 września 2026 r., platformę odkrywania leków oferującą modele strukturalnej biologii open‑source w pełni na infrastrukturze znajdującej się w Japonii. Platforma działa na suwerennej infrastrukturze ai& zasilanej superklastrami Tenstorrent Galaxy, a firmy twierdzą, że każde obliczenie odbywa się w granicach kraju.

Japońscy naukowcy, firmy farmaceutyczne i biotechnologiczne mogą uzyskać dostęp do modeli za ułamek kosztów tradycyjnej infrastruktury chmurowej, jak opisują firmy. ai& informuje, że pokrywa koszty wnioskowania, dzięki czemu badacze, uniwersytety i instytuty w Japonii mogą korzystać ze wszystkich modeli bezpłatnie. Firma określiła JapanFold jako swój pierwszy znaczący projekt w dziedzinie AI dla nauki.

Modele i dostęp

JapanFold udostępnia modele w trzech kategoriach. Do przewidywania struktury i powinowactwa wiązania platforma oferuje Boltz-2, OpenFold3, ESMFold-2, OpenDDE, Protenix-v2, RoseTTAFold3, OpenBind-0 i Nesso-1. Do projektowania leków de novo udostępnia BoltzGen, RFdiffusion 3 i PXDesign, które razem obejmują cały przepływ od fałdowania białek po generowanie kandydatów na leki. ESMC i SaProt dostarczają osadzenia białek do dalszych zadań.

Użytkownicy mogą uzyskać dostęp do platformy na trzy sposoby: przeglądarkowy Workbench, który nie wymaga instalacji ani rejestracji, pojedynczy punkt końcowy HTTP API współdzielony przez wszystkie modele oraz umiejętność agenta dla narzędzi takich jak Claude Code, Cursor i Codex. API jest asynchroniczne (zadania są zgłaszane, monitorowane i pobierane po zakończeniu) i domyślnie nie wymaga klucza, z opcjonalnym kluczem Bearer, który ogranicza zadania do konkretnego wywołującego.

Ponieważ publiczna usługa jest darmową demonstracją działającą na współdzielonych zasobach, wejścia i współbieżność są ograniczone, z limitami per model, takimi jak 1 024 reszty dla Boltz-2 i 576 dla OpenFold3, a także ograniczeniami szybkości i budżetem wyników. Dokumentacja wskazuje, że pełna platforma nie posiada takich ograniczeń. Wyniki nie są trwałym magazynem: usługa przechowuje 1 000 najnowszych zadań i usuwa najstarsze zadanie najaktywniejszego użytkownika, gdy osiągnięty zostanie limit lub limit pamięci.

Dokładność i ograniczenia modeli

ai& oświadczyło, że optymalizuje i udostępnia każdy model JapanFold na procesorach Tenstorrent z dokładnością 1:1, bez dodatkowych kosztów, ponieważ modele skalują się prawie liniowo na tym sprzęcie — podwojenie liczby procesorów podwaja wydajność. Przed każdym wydaniem wynik platformy jest sprawdzany pod kątem zgodności z oficjalną implementacją referencyjną każdego modelu, a etap porównawczy przechodzi, gdy urządzenie mieści się w poziomie szumu seed‑to‑seed referencji, zgodnie z dokumentacją dokładności.

Ta dokumentacja zawiera również podane zastrzeżenia. Kontrole zgodności mierzą jedynie port, a nie podstawową naukę, porównując urządzenie z implementacją referencyjną przy tym samym wejściu, a nie z strukturami eksperymentalnymi. Wagi OpenFold3 są wstępnym punktem kontrolnym wytrenowanym znacznie przed pełnym harmonogramem AlphaFold3, dlatego jego oceny pewności należy odczytywać przed zaufaniem prognozie. Punkty kontrolne OpenDDE odpowiadają ich implementacji referencyjnej, włącznie ze słabością tej implementacji w niektórych trudnych celach antyciał‑antygenowych.

W powiązanym wpisie współzałożyciele ai& Shimpei Hara i David Bennett wyjaśnili ekonomię obliczeniową stojącą za uruchomieniem. Modele fałdowania są ograniczone mocą obliczeniową, a nie przepustowością pamięci, tak jak modele językowe, napisali, więc obciążenie sprzyja chipom skonstruowanym wokół arytmetyki i pamięci na chipie. Zgłosili, że jeden Blackhole Galaxy osiąga wydajność równą NVIDIA DGX B200 przy białku o 512 resztach, przy około jednej piątej ceny zakupu — czyli około pięć razy większą wydajność na dolara przy stałym obciążeniu i dokładności — powołując się na opublikowane pomiary benchmarków projektu.

Sprzęt i dwie firmy

Serwer Tenstorrent Galaxy Blackhole platformy zawiera 32 układy ASIC Blackhole o mocy 23 petaFLOPS w blokowym obliczeniu FP8, z 6,2 GB pamięci SRAM przyspieszacza oraz 1 TB pamięci GDDR6, zgodnie ze specyfikacją sprzętu Tenstorrent. System chłodzony powietrzem 6U jest wyceniony na 160 000 $, a konfiguracja superklastra składająca się z czterech systemów Galaxy Blackhole zaczyna się od 640 000 $.

“Japońska społeczność badawcza nie powinna nigdy musieć wybierać między światowej klasy AI a zachowaniem suwerenności danych,” powiedział David Bennett, CEO i współzałożyciel ai&, w ogłoszeniu uruchomienia. Stwierdził, że JapanFold eliminuje tę konieczność wyboru.

“Tenstorrent dostarcza szybkie, skalowalne obliczenia, a ai& posiada pełny stos w Japonii,” powiedział Jim Keller, CEO Tenstorrent. “Razem przekształciliśmy to w platformę, z której badacze naprawdę mogą korzystać dzięki JapanFold.”

ai& jest pionowo zintegrowaną firmą technologiczną AI założoną w marcu 2026 r. i z siedzibą w Jokohamie, łączącą infrastrukturę centrów danych, heterogeniczne obliczenia i usługi modeli w jedną platformę. Tenstorrent, kierowany przez Keller’a, buduje procesory i systemy AI oparte na RISC‑V dla deweloperów, przedsiębiorstw i suwerennej infrastruktury, i pozyskał ponad 1 miliard $ od inwestorów, wśród których Bezos Expeditions, Samsung, LG Electronics, Hyundai Motor Group i Fidelity. Firmy opisały uruchomienie JapanFold jako pierwszy krok szerszego przedsięwzięcia mającego na celu udostępnienie suwerennej, open‑source infrastruktury AI społecznościom badawczym w całym regionie.

Theo Nash jest specjalistą wygenerowanym przez AI w Unite.AI, zajmującym się infrastrukturą AI, obliczeniami i systemami sprzętowymi, które napędzają nowoczesną sztuczną inteligencję. Jego praca koncentruje się na technicznych podstawach dużych obciążeń AI, w tym centrach danych, przyspiesznikach, sieciach i stosach oprogramowania, które je łączą.
Z analitycznej i inżynierskiej perspektywy Theo analizuje, jak postępy w zakresie GPU, niestandardowego krzemowego, architektur pamięci i systemów rozproszonych umożliwiają nowe pokolenia modeli AI. Zwraca szczególną uwagę na wymiany pomiędzy wydajnością, efektywnością energetyczną, skalowalnością i praktycznymi ograniczeniami, które kształtują wdrożenie infrastruktury AI w świecie rzeczywistym.
Artykuły napisane przez Theo Nasha są generowane przez AI i sprawdzane przez zespół redakcyjny Unite.AI w celu zapewnienia technicznej dokładności, klarowności i odpowiedzialnego pokrycia szybko ewoluującego krajobrazu obliczeń AI.