基因编辑初创公司Metagenomi已采用AWS的Inferentia 2加速器来加速发现拯救生命的潜在疗法，该公司表示其成本比使用英伟达GPU降低了56%。

Metagenomi成立于2018年，正在使用由Jennifer Doudna和Emmanuelle Charpentier开发的诺贝尔奖获奖方法CRISPR，该技术允许对基因序列进行精准编辑。

"基因编辑是一种新的治疗模式，旨在通过在基因层面解决疾病原因来治疗疾病。因此，我们不是治疗症状，而是真正寻求治愈，"Metagenomi发现副总裁Chris Brown告诉记者。

这些疗法依赖于识别酶——本质上是促进化学反应的生物催化剂——这些酶能够结合RNA序列，引导它们到达目的地，在正确位置切割目标DNA，关键是要适合所选择的递送机制。

为了寻找这些酶，该初创公司正在使用一类称为蛋白质语言模型（PLM）的生成式AI，如Progen2，来快速生成数百万个潜在候选者。

"这是关于在百万分之一中找到那一个。因此，如果你能获得两倍的数量，你就将获得最终产品的机会翻倍，"Brown说。

Progen2由Salesforce、约翰霍普金斯大学和哥伦比亚大学的研究人员在2022年开发，是一个自回归Transformer模型，与GPT-2非常相似。但它不是输出文本字符串，而是合成新颖的蛋白质序列。

基础模型约有8亿个参数，与GPT-4或DeepSeek R1等现代大语言模型相比，Progen2非常小，这意味着运行它不需要大量高带宽内存。在试验中，Metagenomi将AWS的Inferentia 2加速器与该生物技术初创公司之前用于运行Progen2的英伟达L40S进行了比较。

Inferentia 2于2023年推出，顾名思义是一款推理优化加速器，配备32GB HBM内存、820 GB/s内存带宽和190 teraFLOPS的16位性能。

相比之下，基于英伟达上一代Ada Lovelace GPU架构的L40S配备48GB GDDR6内存，内存带宽为864 GB/s，16位精度下性能为362 teraFLOPS。

虽然L40S在纸面上优于Inferentia 2，但亚马逊声称其芯片可以通过利用批处理管道AWS Batch和竞价实例来更便宜地完成工作。

"竞价实例通常比按需实例成本低70%左右。由于他们优化的工作流程可以围绕利用AWS Batch的竞价实例进行调度，这真正简化了这些部署...并允许他们调度不同类型的实验全天候运行，"AWS Annapurna Labs团队机器学习业务发展负责人Kamran Khan告诉记者。

Metagenomi和AWS发现，竞价实例、巧妙批处理和廉价芯片的组合可以将Metagenomi的运营成本削减高达56%。

使用Inferentia节省成本的一部分来自更高的可用性。这家云巨头表示，其自主研发芯片的中断率约为5%，而基于英伟达L40S的竞价实例为20%。理论上，这意味着Metagenomi的蛋白质生成批次中只有二十分之一会被中断，而英伟达加速器则是五分之一。

对Brown来说，Inferentia较低的运营成本直接转化为更多的科学研究，增加了发现能够针对不同疾病的酶的可能性。

"我们将一个原本需要一年完成一个项目的问题，转变为我的团队每天或每周可以多次完成的事情，"Brown说。

这次合作还突显出，对于非交互式AI工作负载，更快的硬件并不总是更好——较旧的大幅折扣加速器可能提供更好的价值。

Q&A

Q1：Metagenomi使用什么技术进行基因编辑？

A：Metagenomi使用CRISPR技术进行基因编辑，这是由Jennifer Doudna和Emmanuelle Charpentier开发的诺贝尔奖获奖方法，允许对基因序列进行精准编辑，旨在通过在基因层面解决疾病原因来治疗疾病。

Q2：Progen2是什么？它如何帮助基因编辑？

A：Progen2是由Salesforce、约翰霍普金斯大学和哥伦比亚大学研究人员在2022年开发的自回归Transformer模型，类似GPT-2但专门合成新颖的蛋白质序列。Metagenomi使用这个蛋白质语言模型来快速生成数百万个酶候选者，用于基因编辑治疗。

Q3：为什么亚马逊Inferentia 2比英伟达L40S更具成本效益？

A：虽然英伟达L40S在性能上优于Inferentia 2，但亚马逊通过竞价实例、AWS Batch批处理和更高可用性（中断率仅5%而非20%）实现了更低成本。竞价实例通常比按需实例便宜70%，这种组合让Metagenomi的运营成本降低了56%。