Anthropic公布了一项Claude Science实践：内部通用研究模型在不到四周内优化了三十多个开源生物深度学习模型，平均速度提高约四倍，并开发低内存模式，使超过一万个生物分子token的系统可在单个NVIDIA GPU节点上运行。这个案例的重要性不只是某个成绩，而是展示AI如何在专家监督下系统处理一批结构不同、验证要求严格的科研代码。
一、科研优化不是让AI随便重写
模型加速首先要明确正确性基线。研究团队需准备原实现、固定数据、输出容差和性能测量方式。AI每次改动后都与基线比较，确认数值误差在允许范围。若只看速度，模型可能删除必要计算或改变精度。科研代码的首要目标是结果可信，其次才是更快和更省显存。
二、先用性能分析找到瓶颈
不要让AI凭代码长度判断慢在哪里。应提供profiler结果、GPU利用率、显存峰值和输入形状，让它区分数据加载、算子、通信还是重复计算。对于不同模型，瓶颈可能完全不同。AI适合阅读大量调用链并提出候选点，但最终优先级要由可测数据决定。
三、小改动比一次重构更容易验证
把任务拆成算子替换、批处理、缓存、混合精度和内存复用等独立步骤。每一步只改变一个假设，运行正确性与性能测试，再决定是否保留。一次性重写大量模块虽然看起来整洁，却很难定位数值偏差来源。提交记录中写明改动目的、测试条件和提升幅度，便于其他研究者复现。
四、低内存模式如何设计
处理大型分子系统时，速度不是唯一问题，峰值显存往往决定任务能否运行。常见方法包括分块计算、按需加载、中间结果释放和精度控制。低内存模式必须注明与默认模式的差异，并测试边界输入。不能为了“跑得动”静默降低输出质量，用户应能选择性能与精度配置。
五、建立跨模型统一测试框架
三十多个项目的依赖、输入和指标各不相同，若每次手工测试会迅速失控。可以为每个仓库定义安装脚本、最小样例、标准样例、正确性断言和基准命令，再由统一调度器运行。失败结果要保留环境和日志。AI可以帮助生成适配器，但框架的判定规则必须由领域专家确认。
六、如何使用AI做代码审查
让一个Agent负责实现，另一个只读Agent检查数值稳定、设备兼容和测试覆盖，最后由人审阅关键路径。审查提示应要求引用具体文件和函数，不接受泛泛建议。涉及随机性时固定种子并重复运行；涉及GPU内核时检查不同设备和输入尺寸，避免只在单一环境得到漂亮数据。
七、开源成果需要哪些说明
发布优化代码时给出原始版本、依赖、硬件、输入规模、测量次数和误差范围。只写“快四倍”没有可比性，因为批量、精度和设备都会影响结果。最好同时提供吞吐、延迟、显存和正确性指标，并说明哪些模型未成功优化。失败经验能帮助社区识别方法边界。
八、普通科研团队如何复制流程
先选一个计算成本高且有稳定测试的模型，收集基准；让AI只提出三个最可能的瓶颈；逐项实现和复测；通过后再推广到相似模型。把AI定位为能够持续阅读、实验和整理的工程伙伴，而不是替代科学判断。可复现测试、专家监督和逐步改动，是这类科研加速真正可迁移的部分。
资料来源：官方资料。本文依据官方信息独立整理，并结合实际场景扩展。
