تصور کنید یک پژوهشگر داروسازی بتواند بدون پرداخت هزینه‌های گزاف ابری و بدون خروج داده‌های حساس از مرزهای ملی، پیچیده‌ترین مدل‌های پروتئینی را شبیه‌سازی کند. این رویایی که تا پیش از ۳ سپتامبر ۲۰۲۶ دور از دسترس بود، اکنون با راه‌اندازی JapanFold به واقعیت تبدیل شده است. این پلتفرم حاکمیتی، تضمین می‌کند که تک‌تک محاسبات در داخل مرزهای ژاپن اجرا شوند و بدین ترتیب تضاد میان استفاده از هوش مصنوعی در سطح جهانی و حفظ حاکمیت سخت‌گیرانه داده‌ها برای بخش بیوتکنولوژی این کشور را از بین می‌برد.
برای سال‌ها، تحقیقات داروسازی به ارائه‌دهندگان ابری جهانی وابسته بوده‌اند و اغلب داده‌های بیولوژیکی حساس را به خارج از مرزها ارسال می‌کردند. این اقدام توسط شرکت‌های ai& و Tenstorrent یک جایگزین بومی ایجاد می‌کند که در آن پژوهشگران، دانشگاه‌ها و شرکت‌های بیوتکنولوژی ژاپنی می‌توانند بدون پرداخت هزینه‌های اضافی (Premium) ابری، به مدل‌های پیشرفته زیست‌شناسی ساختاری دسترسی داشته باشند.
هوش مصنوعی حاکمیتی (Sovereign AI) — شبیه به داشتن یک نیروگاه برق اختصاصی در خانه به‌جای تکیه بر شبکه سراسری — به ژاپن اجازه می‌دهد کنترل کامل روی زیرساخت‌های محاسباتی خود داشته باشد. شرکت ai& که در مارس ۲۰۲۶ در یوکوهاما تأسیس شد و دفتر مرکزی آن در همین شهر قرار دارد، یک شرکت فناوری هوش مصنوعی با ادغام عمودی است. این شرکت زیرساخت‌های مرکز داده، محاسبات ناهمگن و خدمات مدل را در یک پلتفرم واحد ترکیب می‌کند. JapanFold در واقع اولین تلاش گسترده این شرکت در زمینه «هوش مصنوعی برای علم» (AI for Science) است.
بر اساس مستندات این پلتفرم، زیرساخت آن بر پایه ابرخوشه Tenstorrent Galaxy بنا شده است. شرکت Tenstorrent به رهبری جیم کلر (Jim Keller)، پردازنده‌های هوش مصنوعی مبتنی بر RISC-V و سیستم‌هایی را برای زیرساخت‌های حاکمیتی می‌سازد. این شرکت بیش از یک میلیارد دلار سرمایه از حامیانی چون سامسونگ، ال‌جی الکترونیکس، گروه موتور هیوندای، فیدلیتی و Bezos Expeditions جذب کرده است.
به گزارش unite.ai، این پلتفرم مدل‌ها را در سه دسته‌بندی اصلی ارائه می‌دهد تا تمام گردش‌کار طراحی دارو را پوشش دهد:
پیش‌بینی ساختار و اتصال (Structure and Binding Prediction)
- مدل‌هایی نظیر Boltz-2، OpenFold3، ESMFold-2، OpenDDE، Protenix-v2، RoseTTAFold3، OpenBind-0 و Nesso-1 برای تحلیل نحوه شکل‌گیری پروتئین‌ها و نحوه اتصال آن‌ها.
طراحی داروی De Novo
- ابزارهایی مانند BoltzGen، RFdiffusion 3 و PXDesign که همه مراحل، از تاشدگی پروتئین تا تولید کاندیداهای دارویی را مدیریت می‌کنند.
بردار معنایی پروتئین (Protein Embeddings)
- مدل‌های ESMC و SaProt برای انجام various downstream scientific tasks یا همان وظایف علمی پایین‌دستی.
دسترسی به این ابزارها از طریق یک محیط کاری (Workbench) مبتنی بر مرورگر امکان‌پذیر است که به هیچ‌گونه ثبت‌نام یا نصبی نیاز ندارد. همچنین کاربران می‌توانند از یک نقطه اتصال API HTTP مشترک یا از این ابزارها به‌عنوان «مهارت‌های عامل» (Agent Skills) برای ابزارهایی مثل Claude Code، Cursor و Codex استفاده کنند. این API به‌صورت ناهمگام (Asynchronous) عمل می‌کند؛ یعنی درخواست‌ها ارسال شده، وضعیت آن‌ها بررسی (Poll) و سپس نتایج دانلود می‌شوند. این سیستم به‌صورت پیش‌فرض بدون کلید (Keyless) است، هرچند یک کلید Bearer اختیاری برای محدود کردن دسترسی‌ها به فراخوانندگان خاص در دسترس است.
اگرچه نسخه‌ی دمو محدودیت‌هایی دارد — مانند سقف ۱۰۲۴ باقی‌مانده (Residue) برای Boltz-2 و ۵۷۶ برای OpenFold3 — اما پلتفرم کامل این محدودیت‌ها را برای استفاده‌های حرفه‌ای حذف کرده است. سرویس رایگان همچنین از یک بودجه نتایج و محدودیت‌های نرخ درخواست (Rate Limits) استفاده می‌کند. ذخیره‌سازی داده‌ها دائمی نیست؛ سرویس تنها ۱۰۰۰ مورد از آخرین درخواست‌ها را نگه می‌دارد و در صورت رسیدن به سقف، قدیمی‌ترین درخواستِ پرکارترین کاربر را حذف می‌کند.
قلب تپنده این سامانه، سرور Tenstorrent Galaxy Blackhole است. هر سیستم شامل ۳۲ تراشه ASIC (مدار مجتمع کاربردی‌ویژه) مدل Blackhole است که ۲۳ پتافلاپس توان محاسباتی block FP8 ارائه می‌دهد. این سیستم‌ها دارای ۶.۲ گیگابایت SRAM شتاب‌دهنده و ۱ ترابایت حافظه GDDR6 هستند. این واحدها ۶U بوده و با سیستم خنک‌کننده هوا کار می‌کنند. قیمت هر واحد ۱۶۰ هزار دلار است و پیکربندی‌های ابرخوشه از ۶۴۰ هزار دلار شروع می‌شوند.
به نقل از بنیان‌گذاران ai&، شیمپئی هارا و دیوید بنت، مدل‌های تاشدگی پروتئین بیشتر به توان محاسباتی وابسته هستند تا پهنای‌باند حافظه. این ویژگی باعث می‌شود طراحی سنگینِ محاسباتی تراشه‌های Tenstorrent نسبت به GPUهای سنتی برتری داشته باشد. بنچمارک‌های آن‌ها نشان می‌دهد که یک سیستم Blackhole Galaxy، توان عملیاتی مشابه NVIDIA DGX B200 را برای پروتئین‌های ۵۱۲-باقی‌مانده، اما با تقریباً یک‌پنجم قیمت خرید فراهم می‌کند.
این تغییر رویکرد به معنای حرکت به سمت سیلیکون‌های تخصصی برای هوش مصنوعی علمی است. این روند به طور گسترده‌تری در صنعت در حال رخ دادن است، به‌طوری که حتی غول‌هایی مانند OpenAI نیز در تلاش‌اند تا با توسعه سخت‌افزارهای اختصاصی، وابستگی خود به پردازنده‌های انویدیا را کاهش دهند. با دستیابی به ۵ برابر بازدهی به ازای هر دلار در مقایسه با استانداردهای صنعت، ai& می‌تواند هزینه‌های استنتاج (Inference) — یعنی لحظه‌ای که مدل واقعاً جواب تولید می‌کند — را پوشش دهد و خدمات را برای مؤسسات آکادمیک ژاپن رایگان کند.
در مورد صحت خروجی‌ها، ai& ادعا می‌کند که هر مدل را با دقت ۱:۱ ارائه می‌دهد زیرا مدل‌ها روی این سخت‌افزار به‌صورت تقریباً خطی مقیاس می‌شوند؛ یعنی دو برابر کردن پردازنده‌ها، خروجی را دو برابر می‌کند. برای اطمینان از برابری، خروجی‌ها با پیاده‌سازی‌های مرجع رسمی چک می‌شوند. یک مقایسه زمانی پذیرفته می‌شود که دستگاه در محدوده «کف نویز» (Noise Floor) دانه-به-دانه (Seed-to-Seed) مرجع قرار بگیرد.
با این حال، پلتفرم دارای نکات فنی است. مدل OpenFold3 در حال حاضر از یک نقطه بازرسی (Checkpoint) پیش‌نمایش استفاده می‌کند که هنوز برنامه کامل آموزشی AlphaFold3 را به پایان نرسانده است، به این معنی که نمرات اطمینان (Confidence Scores) آن نیاز به بررسی دقیق دارند. علاوه بر این، OpenDDE ضعف‌های شناخته‌شده‌ای در مورد اهداف خاص آنتی‌بادی-آنتی‌ژن دارد. همچنین باید توجه داشت که بررسی‌های برابری (Parity Checks)، «پورت» یا نحوه انتقال را اندازه می‌گیرند نه خودِ علم را؛ یعنی دستگاه را با پیاده‌سازی مرجع مقایسه می‌کنند، نه با ساختارهای تجربی واقعی.
این استقرار، نخستین گام در استراتژی گسترده‌تر برای آوردن زیرساخت‌های حاکمیتی و متن‌باز به جوامع علمی منطقه آسیا-پاسیفیک است. همان‌طور که دیوید بنت اشاره کرد: «جامعه پژوهشی ژاپن نباید هرگز بین دسترسی به AI سطح جهانی و حفظ حاکمیت داده‌های خود یکی را انتخاب کند.»
این اتفاق سیگنالی است که آینده هوش مصنوعی برای علم ممکن است در پشته‌های (Stacks) ادغام‌شده عمودی باشد؛ جایی که سخت‌افزار دقیقاً برای ریاضیاتِ مدل طراحی شده است. پژوهشگران باید نظاره‌گر باشند که این مدل حاکمیتی چگونه بر پذیرش ابزارهای بیولوژی متن‌باز در سایر مناطق تأثیر می‌گذارد. معیار حیاتی بعدی این خواهد بود که آیا این کاهش هزینه‌ها به سرعت بخشیدن به خط لوله تولید کاندیداهای دارویی برای ورود به آزمایشات بالینی منجر می‌شود یا خیر.
گام بعدی شما
- اگر در حوزه بیوتکنولوژی فعال هستید، محیط Workbench پلتفرم JapanFold را برای تست مدل‌های Boltz-2 بررسی کنید.
- بررسی کنید که آیا مدل‌های متن‌باز جایگزین مناسبی برای سرویس‌های گران‌قیمت ابری در گردش‌کار شما هستند یا خیر.
- تغییرات در قیمت سخت‌افزارهای تخصصی AI را دنبال کنید تا متوجه شوید چه زمانی جایگزینی GPUها با ASICها در مراکز داده رخ می‌دهد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو