SandboxAQ встроила модели для разработки лекарств в Claude — без серверов и PhD

Компания SandboxAQ, выделившаяся из Alphabet около пяти лет назад, объявила об интеграции своих научных AI-моделей в чат-ассистент Claude от Anthropic. Теперь исследователи в фармацевтике и материаловедении могут запускать сложные квантово-химические расчёты через обычный разговорный интерфейс — без собственных серверов и без глубоких знаний в вычислительных науках.

За компанией стоят серьёзные деньги и имена: председателем совета директоров является Эрик Шмидт, бывший CEO Google, а суммарный объём привлечённых инвестиций превысил $950 млн. Помимо научного направления, SandboxAQ развивает бизнес в сфере кибербезопасности.

Что такое LQM и почему это не просто ещё один чат-бот

Ключевой продукт SandboxAQ — так называемые Large Quantitative Models (LQM), или крупные количественные модели. В отличие от привычных языковых моделей, обученных на текстах, LQM строятся на законах физического мира: уравнениях, лабораторных данных и правилах квантовой химии.

Модели умеют рассчитывать квантово-химические взаимодействия, симулировать молекулярную динамику и микрокинетику — то есть предсказывать, как именно химическая реакция будет разворачиваться на молекулярном уровне. Это позволяет учёным оценить поведение кандидатной молекулы задолго до того, как она попадёт в лабораторию.

Сама компания позиционирует LQM как инструмент для «количественной экономики» — сектора объёмом свыше $50 трлн, охватывающего биофармацевтику, финансовые услуги, энергетику и производство передовых материалов. Это прямой сигнал рынку: SandboxAQ не строит очередного ассистента для написания писем — она претендует на трансформацию отраслей с реальными физическими продуктами.

Проблема не в моделях, а в доступе к ним

Рынок AI для разработки лекарств уже достаточно населён. Chai Discovery и Isomorphic Labs — оба хорошо профинансированные игроки — сосредоточились на улучшении самих научных моделей. SandboxAQ сделала ставку на другое: кто реально может этими моделями пользоваться.

До интеграции с Claude клиенты компании — как правило, вычислительные или экспериментальные учёные из крупных фармацевтических и промышленных корпораций — были обязаны разворачивать собственную цифровую инфраструктуру для запуска LQM. Это создавало высокий порог входа даже для технически грамотных специалистов.

««Впервые фронтирная количественная модель работает поверх фронтирной языковой модели, и доступ к ней возможен на естественном языке», — сказала Надя Харен, генеральный менеджер направления AI-симуляций SandboxAQ, в интервью TechCrunch.»

По её словам, клиенты приходят к SandboxAQ после того, как перепробовали другие решения: сложность их задач такова, что стандартные инструменты либо не справлялись, либо давали результаты, которые не воспроизводились в реальных условиях.

Разработка одной жизнеспособной молекулы в фармацевтике может занять десять лет и обойтись в миллиарды долларов — и большинство кандидатов всё равно не доходят до рынка. Если AI-симуляция позволяет отсеять неперспективные молекулы на ранних стадиях, экономия для индустрии исчисляется сотнями миллионов на каждый проект.

Что это значит для белорусского IT и фармы

Для белорусских читателей этот кейс интересен сразу в нескольких измерениях. Во-первых, он показывает, куда движется рынок enterprise-AI: не в сторону универсальных чат-ботов, а в сторону узкоспециализированных моделей, встроенных в знакомые интерфейсы. Это меняет требования к разработчикам — растёт спрос на специалистов, способных соединять доменную экспертизу (химия, физика, биология) с ML-инжинирингом.

Во-вторых, резиденты ПВТ, работающие в направлениях healthtech, biotech или materials science, получают наглядный пример бизнес-модели: не строить собственный фронтенд, а интегрироваться в уже существующие AI-платформы с большой аудиторией. Anthropic, OpenAI и другие провайдеры активно развивают экосистемы плагинов и инструментов — это потенциальный канал выхода на глобальный рынок без огромных маркетинговых бюджетов.

Наконец, сам подход SandboxAQ — «физически обоснованные» модели вместо чисто статистических — актуален для любой отрасли, где важна воспроизводимость результатов. Финансовое моделирование, промышленная оптимизация, логистика: везде, где «галлюцинации» языковой модели недопустимы, LQM-подход может оказаться более надёжным фундаментом.