Co jsou LQMs a proč na nich záleží

Zatímco Large Language Models (LLMs) typu GPT-5.5 nebo Claude generují text na základě statistických vzorců z miliard internetových stránek, nemají žádné skutečné porozumění fyzikálnímu světu. Když se jich zeptáte, jaká molekula se naváže na konkrétní katalyzátor, odpoví na základě textů, které kdy četly — nikoli na základě zákonů chemie.

Large Quantitative Models (LQMs) od SandboxAQ tento problém řeší z gruntu. Místo tréninku na textech je trénují na datech z kvantově-mechanických simulací. Konkrétně používají Density Functional Theory (DFT), molekulární dynamiku a další výpočetní metody, které modelují chování atomů a molekul podle fyzikálních zákonů. Výsledkem je model, který nehalucinuje — protože jeho odpovědi jsou podložené tvrdou fyzikou.

„LLMs generují obsah. LQMs generují výsledky,“ shrnuje přístup firmy její CEO Jack Hidary, který koncept představil 18. května 2026 i v živém vysílání CNBC Squawk on the Street.

Třívrstvá architektura: data, modely, agentní workflow

SandboxAQ staví své LQMs na proprietární třívrstvé infrastruktuře:

1. Data, která si firma generuje sama. Zatímco většina AI modelů spoléhá na veřejné datasety, SandboxAQ si generuje vlastní trénovací data pomocí fyzikálních simulací. To jí umožňuje pracovat i v oblastech, kde experimentální data chybí — například u zcela nových chemických sloučenin. „Neomezují nás existující data. Když veřejné databáze nestačí — a u nových chemií často nestačí — my se nezastavíme,“ vysvětluje firma ve svém oznámení integrace.

2. Vlastní modely s otevřenou spoluprací. Portfólio zahrnuje AQCat pro screening katalyzátorů (20 000× rychlejší než tradiční DFT výpočty), AQVolt pro objevování materiálů pro polovodičové baterie a AQAffinity pro predikci vazebné afinity proteinů (1 000× rychlejší než FEP simulace). Firma zároveň otevřeně publikuje — model AQAffinity je postaven na open-source OpenFold3 a dál ho vylepšuje.

3. Agentní workflow, která dělají rozhodnutí. Třetí vrstva orchestruje kompletní „design–test–make–decide“ smyčky. Agenti plánují, iterují a prezentují výsledky, zatímco vědec zůstává v klíčových kontrolních bodech u řízení.

Claude jako brána do světa kvantitativní AI

Klíčovou novinkou z 18. května 2026 je integrace LQMs s Anthropic Claude přes Model Context Protocol (MCP). MCP je otevřený protokol, který Anthropic vyvinul pro propojování AI asistentů s externími nástroji a daty. SandboxAQ je jedním z prvních, kdo ho využil k napojení specializovaných vědeckých modelů na konverzační rozhraní.

V praxi to znamená, že vědec může napsat Claudeovi přirozeným jazykem: „Spočítej adsorpční energii vodíku na povrchu platiny“ — a Claude pošle dotaz do AQCat Adsorption Spin, který vrátí fyzikálně přesný výsledek. Následně Claude výsledek srozumitelně interpretuje.

První integrovaný model — AQCat Adsorption Spin — je již dostupný přes waitlist. Jde o spin-aware model pro heterogenní katalýzu, který umožňuje rychle identifikovat nejslibnější kandidáty katalyzátorů ještě před nákladným laboratorním testováním.

AQCat25: průlom v katalýze publikovaný v Nature

Začátkem května 2026 publikoval tým SandboxAQ v prestižním časopise npj Computational Materials (součást portfolia Nature) model AQCat25. Jde o dataset 13,5 milionu DFT výpočtů napříč zhruba 47 000 systémy adsorbát–povrch, generovaný s výrazně vyšší přesností než dosavadní rozsáhlé datasety pro heterogenní katalýzu.

Co dělá AQCat25 výjimečným:

• Spin-polarizace pro 12 prvků včetně železa, kobaltu a niklu — model „vidí“ magnetické vlastnosti, které řídí chování mnoha průmyslově důležitých katalyzátorů.
• Rozšíření chemického prostoru o prvky jako lithium, baryum, lanthan, cer, hořčík a fluor — blíže reálným formulacím katalyzátorů.
• Lepší úspěšnost nalezení globálního minima — model častěji najde fyzikálně správné minimum adsorpční energie, což znamená méně falešně pozitivních kandidátů pro drahé laboratorní testy.

Dataset i modely jsou veřejně dostupné. Pro R&D týmy to znamená možnost okamžitě začít s analýzou.

Dopad na farmacii a materiálový výzkum

SandboxAQ necílí jen na akademickou sféru. Mezi zákazníky firmy patří Sanofi, Dow, Procter & Gamble, americké letectvo a Ministerstvo zdravotnictví USA. V oblasti objevování léků firma řeší deset let starý problém výpočetní chemie — predikci volné energie vazby ligandu na protein bez nutnosti znát krystalovou strukturu. Model AQAffinity to zvládá přibližně tisíckrát rychleji než dosavadní zlatý standard.

Pro bateriový průmysl pak model AQVolt26 (publikovaný v dubnu 2026) urychluje hledání materiálů pro polovodičové baterie — klíčovou technologii pro elektromobilitu, kde Evropa silně sází na vlastní výrobní kapacity.

Co to znamená pro Evropu a Česko

Pro evropský farmaceutický a chemický průmysl — včetně firem jako je Sanofi (s pobočkami v EU), BASF nebo Bayer — představují LQMs potenciálně zásadní nástroj pro zrychlení R&D. Zkrácení cyklu objevování nových molekul z let na měsíce by znamenalo miliardové úspory.

Pro české prostředí je klíčová otevřenost ekosystému. MCP protokol je open-source a LQM datasety jako AQCat25 jsou veřejně dostupné. Česká akademická pracoviště — od VŠCHT přes Ústav fyzikální chemie J. Heyrovského až po CEITEC — tak mohou modely testovat a adaptovat bez licenčních poplatků. Claude ani LQMs zatím nepodporují češtinu jako vstupní jazyk pro vědecké dotazy, promptování v angličtině však v těchto oborech není překážkou.

Zajímavý je i investorský rozměr: mezi podporovatele SandboxAQ patří Yann LeCun, držitel Turingovy ceny za hluboké učení, a venture fond bývalého CEO Googlu Erica Schmidta. Firma, která vznikla v roce 2022 jako spin-off z Alphabetu, si získává důvěru špičkových mozků oboru.

Budoucnost konverzační vědy

Integrace LQMs s jazykovými modely ukazuje směr, kterým se bude vědecká AI ubírat: specializované modely pro konkrétní fyzikální domény, přístupné skrze univerzální konverzační rozhraní. SandboxAQ slibuje, že další modely budou následovat v řádu týdnů, nikoli měsíců.

Pro výzkumníky to znamená konec éry, kdy museli být zároveň experty na DFT výpočty a programátory v Pythonu. Místo toho stačí položit otázku v přirozeném jazyce a nechat AI, aby se postarala o výpočet. Vědec se tak může soustředit na to, co umí nejlépe: klást správné otázky.