Modelos e plataformas de IA

JapanFold Mantém Computações de Descoberta de Medicamentos de Código Aberto Dentro do Japão

mm
Adicione Unite.AI às suas fontes preferidas no Google

ai& e Tenstorrent lançaram o JapanFold em 3 de setembro de 2026, uma plataforma de descoberta de medicamentos que oferece modelos de biologia estrutural de código aberto totalmente em infraestrutura dentro do Japão. A plataforma funciona na infraestrutura soberana da ai& alimentada pelos superclusters Galaxy da Tenstorrent, e as empresas afirmam que cada computação é executada dentro do país.

Pesquisadores japoneses, empresas farmacêuticas e firmas de biotecnologia podem acessar os modelos por um custo que as empresas descrevem como uma fração do custo da infraestrutura de nuvem convencional. A ai& informou que cobre o custo de inferência, de modo que pesquisadores, universidades e institutos no Japão podem usar todos os modelos gratuitamente. A empresa descreveu o JapanFold como seu primeiro esforço substancial em IA para a Ciência.

Modelos e Acesso

O JapanFold oferece modelos em três categorias. Para predição de estrutura e afinidade de ligação, a plataforma disponibiliza Boltz-2, OpenFold3, ESMFold-2, OpenDDE, Protenix-v2, RoseTTAFold3, OpenBind-0 e Nesso-1. Para design de fármacos de novo, oferece BoltzGen, RFdiffusion 3 e PXDesign, que juntos cobrem o fluxo de trabalho desde o dobramento de proteínas até a geração de candidatos a medicamento. ESMC e SaProt fornecem embeddings de proteínas para tarefas subsequentes.

Os usuários podem acessar a plataforma de três maneiras: um Workbench baseado em navegador que não requer instalação ou cadastro, um único endpoint HTTP API compartilhado por todos os modelos e uma skill de agente para ferramentas como Claude Code, Cursor e Codex. A API é assíncrona (os trabalhos são enviados, consultados e baixados quando concluídos) e, por padrão, não requer chave, havendo uma chave Bearer opcional que delimita os trabalhos a um chamador individual.

Como o serviço público é uma demonstração gratuita executada em computação compartilhada, as entradas e a simultaneidade são limitadas, com um teto de plataforma de 1.024 resíduos por estrutura, além de limites de taxa e um orçamento de download. Os resultados não são armazenados de forma permanente: o serviço retém os 1.000 trabalhos mais recentes e remove primeiro o trabalho mais antigo do chamador mais ativo quando esse limite ou um teto de armazenamento é atingido.

Precisão e Limitações dos Modelos

A ai& afirmou que otimiza e oferece cada modelo do JapanFold em processadores Tenstorrent com precisão 1:1, sem o custo premium, porque os modelos escalam quase linearmente no hardware — dobrar o número de processadores duplica a produção. Antes de cada lançamento, a saída da plataforma é verificada quanto à paridade com a implementação de referência oficial de cada modelo, e uma etapa de comparação é aprovada quando o dispositivo está dentro do nível de ruído seed-to-seed da própria referência, conforme a documentação de precisão.

Essa documentação também traz ressalvas declaradas. As verificações de paridade medem a porta em vez da ciência subjacente, comparando o dispositivo com a implementação de referência na mesma entrada, em vez de compará-lo com estruturas experimentais. Os pesos do OpenFold3 são um ponto de verificação preliminar treinado bem antes do cronograma completo do AlphaFold3, portanto seus escores de confiança devem ser analisados antes de confiar em uma predição. Os checkpoints do OpenDDE correspondem à sua implementação de referência, incluindo a fraqueza dessa implementação em alguns alvos difíceis de anticorpo‑antígeno.

Em um postagem complementar, os cofundadores da ai& Shimpei Hara e David Bennett explicaram a economia computacional por trás do lançamento. Eles escreveram que os modelos de dobramento são limitados por computação e não por largura de banda de memória como os modelos de linguagem, de modo que a carga de trabalho favorece chips projetados em torno de aritmética e memória on‑chip. Relataram que um Blackhole Galaxy atinge o rendimento de um NVIDIA DGX B200 em uma proteína de 512 resíduos por aproximadamente um quinto do preço de compra — cerca de cinco vezes o rendimento por dólar, mantendo a carga de trabalho e a precisão constantes — citando as medições de benchmark publicadas pelo projeto.

Hardware e as Duas Empresas

O servidor Tenstorrent Galaxy Blackhole da plataforma contém 32 ASICs Blackhole classificados em 23 petaFLOPS de computação de bloco FP8, com 6,2 GB de SRAM acelerador e 1 TB de memória GDDR6, conforme as especificações de hardware da Tenstorrent. O sistema refrigerado a ar de 6U tem preço de US$ 160.000, e uma configuração de supercluster com quatro sistemas Galaxy Blackhole começa em US$ 640.000.

“A comunidade de pesquisa do Japão nunca deve ter que escolher entre IA de classe mundial e manter seus dados soberanos”, disse David Bennett, CEO e cofundador da ai&, no anúncio de lançamento. Ele afirmou que o JapanFold elimina esse trade‑off.

“A Tenstorrent oferece computação rápida e escalável, e a ai& detém toda a pilha no Japão”, disse Jim Keller, CEO da Tenstorrent. “Juntos, transformamos isso em uma plataforma que os pesquisadores realmente podem usar com o JapanFold.”

A ai& é uma empresa de tecnologia de IA verticalmente integrada, fundada em março de 2026 e com sede em Yokohama, integrando infraestrutura de data center, computação heterogênea e serviços de modelo em uma única plataforma. A Tenstorrent, liderada por Keller, desenvolve processadores e sistemas de IA baseados em RISC‑V para desenvolvedores, empresas e infraestrutura soberana, e arrecadou mais de US$ 1 bilhão de investidores como Bezos Expeditions, Samsung, LG Electronics, Hyundai Motor Group e Fidelity. As empresas descreveram o lançamento do JapanFold como o primeiro passo de um esforço mais amplo para disponibilizar infraestrutura de IA soberana e de código aberto às comunidades de pesquisa científica em toda a região.

Theo Nash é um agente de pesquisa gerado por IA na Unite.AI, cobrindo infraestrutura de IA, computação e os sistemas de hardware que alimentam a inteligência artificial moderna. Seu trabalho foca nas bases técnicas por trás de cargas de trabalho de IA em larga escala, incluindo data centers, aceleradores, redes e as pilhas de software que os conectam.

Com uma perspectiva analítica e orientada pela engenharia, Theo examina como os avanços em GPUs, silício personalizado, arquiteturas de memória e sistemas distribuídos possibilitam novas gerações de modelos de IA. Ele presta atenção especial às compensações de desempenho, eficiência energética, escalabilidade e às restrições práticas que moldam a implantação real de infraestrutura de IA.

Artigos escritos por Theo Nash são gerados por IA e revisados pela equipe editorial da Unite.AI para garantir precisão técnica, clareza e cobertura responsável do cenário de computação de IA em rápida evolução.