Китайский стартап Moonshot AI, разработчик семейства моделей Kimi, объявил на конференции Web Summit в Лиссабоне, что переводит фокус своих флагманских моделей из программирования в биологию, химию и фармацевтику. Международный директор компании Giacomo Ficari объяснил решение тем, что научные задачи требуют более сильных моделей, чем код, финансы или юриспруденция, а спрос на кодирование приближается к насыщению. Слово уже подкреплено делом: пекинский стартап DP Technology подключил модель Kimi K3.1 Pro к своему научному агенту BioMaster, который разобрал экспрессию генов 3696 клеток поджелудочной железы мыши примерно за 90 минут против 4-8 часов ручной работы и выдал 100 генов-кандидатов, хотя фармацевтическая индустрия пока относится к таким кейсам сдержанно.

image
image
image

Что произошло

Разворот объявлен со сцены Web Summit в Лиссабоне: международный директор Moonshot AI Giacomo Ficari сообщил, что приоритетом моделей Kimi становятся биология, химия и фармацевтика, поскольку задачи в науке требуют более мощных моделей, чем код, финансы или юриспруденция, а спрос на программирование близок к насыщению. Одновременно опубликован первый практический результат: пекинский стартап DP Technology (深势科技) встроил Kimi K3.1 Pro в своего научного агента BioMaster, работающего на платформе Bohr. Модель Kimi K3.1 Pro вышла в конце октября 2026 года, содержит 3 триллиона параметров и принимает контекст объёмом 1 миллион токенов. В показательном прогоне BioMaster вместе с Kimi обработал данные об экспрессии генов 3696 клеток поджелудочной железы эмбриона мыши на 15.5 день развития (стадия E15.5) и примерно за 90 минут составил список из 100 генов-кандидатов, включая Neurog3, Ins2 и Gcg, тогда как такая же ручная работа занимает от 4 до 8 часов.

Контекст

Объявление стоит читать на конкретном фоне. Первый пласт: по наблюдению издания The Decoder, пивот Moonshot AI происходит на фоне выравнивания прироста результатов фронтир-моделей в кодовых бенчмарках, когда лидеры почти сравнялись, вендорам нужно новое поле для демонстрации превосходства, и наука выглядит таким полем. Второй пласт: ниша научных агентов не пустует, Anthropic с моделью Claude и OpenAI уже развивают научные направления, поэтому Moonshot AI выходит на территорию прямых конкурентов, а не открывает пустой рынок. Третий пласт: фармацевтическая отрасль сохраняет сдержанность, по июньскому опросу Citi среди 50 руководителей R&D 72 процента уже применяют ИИ, но лишь 24 процента ждут заметного роста успеха разработки препаратов, то есть индустрия отделяет пользу инструментов от ожиданий новых молекул. Наконец, сам кейс BioMaster нужно читать правильно: найденные гены Neurog3, Ins2 и Gcg являются каноническими маркерами эндокринных клеток поджелудочной железы, значит агент восстанавливал заведомо известный ответ, и демонстрация подтверждает работоспособность пайплайна, а не дарит новую биологию.

Почему это важно для индустрии

Для отрасли главный эффект — новое мерило фронтирности: качество работы с биологическими данными становится конкурентом кодовых бенчмарков как критерий флагманской модели, и борьба за научных агентов обостряется, потому что в нише уже работают Anthropic и OpenAI, а теперь заходит Moonshot AI, поэтому в ответ стоит ожидать анонсов конкурентов и появления биологических наборов оценки моделей. Второй эффект — воспроизводимый шаблон продукта: вертикальный доменный агент вроде BioMaster, собранный над флагманской моделью с длинным контекстом, даёт измеримую экономию времени на рутинном анализе, а Kimi K3.1 Pro доступна через API, поэтому стартапы могут повторить связку «модель плюс агент» без капитальных затрат на инференс. Из этого вытекает холодный вывод и для код-ориентированных команд: преимущество «мы лучше всех программируем с ИИ» теряет защитную силу, а дифференциатором в научных агентах станут доменные инструменты и коннекторы к лабораторным данным. В горизонте около полугода вероятны волна клонов этого шаблона, более подробные вендорские описания методологии и первые независимые попытки воспроизвести кейс, в горизонте двух лет — развилка: если подход подтвердится на независимых задачах, LLM-агенты станут стандартным ускорителем рутинного лабораторного анализа, а биологические сценарии войдут в основные наборы оценки фронтир-моделей, если не подтвердится, объявление растворится в общем хайпе.

Почему это важно для пользователей

Всё описанное уже доступно для проверки руками. Официальный кейс DP Technology и Kimi опубликован на сайте kimi.com и показывает на реальных цифрах, на каких задачах агентная связка экономит часы, а модель Kimi K3.1 Pro доступна через API с контекстом до 1 миллиона токенов, поэтому исследователь с собственными биоданными может воспроизвести демо-класс задач на своём датасете, а разработчик — собрать аналогичного доменного агента. При этом ожидания надо держать трезвыми: речь об ускорении рутинного анализа, а не о самостоятельных научных открытиях, ведь в TCSExam ни одна ведущая модель пока не доказала ни одной открытой гипотезы, поэтому любые кандидаты, найденные агентом, требуют проверки человеком и валидированными методами.

Что пока неизвестно / ограничения

Доказательная база на сегодня — публичные заявления руководства Moonshot AI и один вендорский демо-прогон BioMaster, методология которого не раскрыта: неизвестны промпты, логика агента, число прогонов, способ проверки кандидатов и сравнение с классическими single-cell пайплайнами, поэтому воспроизводимость кейса оценить нельзя, а независимых проверок ещё не было. Тезис о том, что наука требует более сильных моделей, чем код, остаётся заявлением вендора на конференции и пока не подкреплён независимой научной валидацией. Перед производственным применением обязательны три замера, которых нет в источниках: реальное время прогона на рабочих объёмах данных, стоимость инференса при длинном контексте и точность против валидированных пайплайнов, цена же доступа к Kimi K3.1 Pro на подобных нагрузках не публиковалась. Само объявление пока не меняет научных стандартов и фарм-процессов.

Источники

Автор

Look at AI, редакция