Как десятки тысяч ИИ-сотрудников проектируют лекарства и почему среда важнее жестких рабочих процессов.
Разработчики давно живут с установкой «один инженер — один ИИ-агент». Но Джеймс Зоу, профессор биомедицинских данных из Стэнфорда, уверен: эпоха одиночных ассистентов заканчивается. Его команда построила виртуальный биотех, в котором трудятся десятки тысяч специализированных ИИ-агентов, а их разработку независимо подтвердила Merck. Рассказываем, почему десятки тысяч цифровых ученых оказываются эффективнее одного суперагента и как устроена оркестрация таких систем.
Виртуальный биотех: от лаборатории из пяти агентов до 37 000 ИИ-сотрудников
Джеймс Зоу из Стэнфорда решил пойти по пути наименьшего сопротивления: зачем придумывать идеальный ИИ с нуля, если можно скопировать собственную лабораторию и заменить людей алгоритмами? Его проект «Виртуальная лаборатория» начинался с пяти-восьми ИИ-агентов, которые повторяли структуру реальной команды Зоу. Только вместо научных споров у кулера — переговоры нейросетей, а вместо аспирантов — студенты из кремния.
Школа для алгоритмов
В этой цифровой лаборатории роль главного исследователя исполнял ИИ-профессор, а обязанности аспирантов взяли на себя агенты с разными специализациями. Они регулярно собирались на общие встречи, как в нормальном научном коллективе. Более того, Зоу выстроил для них цифровую копию Стэнфорда — «агентскую школу», где алгоритмы проходили супервизируемую тонкую настройку. «Мы также создали для агентов копию Стэнфорда — агентскую школу, куда они могут ходить и проходить супервизируемую тонкую настройку, чтобы улучшить экспертизу в своих конкретных областях», — объяснил Зоу.
Проверка боем не заставила себя ждать. Виртуальная лаборатория спроектировала новые нанобелки для свежих вариантов COVID, а влажная проверка в реальной лаборатории показала: ИИ-конструкции связываются с вирусами заметно лучше, чем прежние человеческие разработки. «Что нас по-настоящему радует, так это то, что эти ИИ-нанобелки показали гораздо лучшее связывание с недавними разными вирусами, чем ранее созданные человеком нанобелки», — заявил Зоу.
От лаборантов до корпорации
Успех вдохновил команду на нечто большее. После влажной проверки Зоу перестал имитировать одну научную группу и развернул модель целой корпорации. Так на свет появился Virtual Biotech — система из десятков тысяч специализированных ИИ-агентов, которыми управляет агент-главный научный сотрудник (CSO). Иерархия один в один повторяет человеческую фармкомпанию: подразделение открытия мишеней, дизайна молекул, безопасности и клинических испытаний. «Вместе с агентом-CSO работают разные подразделения, повторяющие структуру человеческой биотех- или фармкомпании», — отметил исследователь.
Внутри каждого отдела царит узкая специализация. Например, в подразделении открытия мишеней один агент изучает генетические данные, а коллега по цеху — геномные и single-cell данные. «В отделе открытия мишеней у нас будет один агент, специализирующийся на генетических данных, другой — на геномных и single-cell данных, и так далее», — пояснил Зоу. Фактически Зоу построил мини-государство, где каждый алгоритм знает свой маневр, а общая координация ложится на плечи ИИ-руководства.
Почему десятки тысяч агентов эффективнее одного ИИ и как решается проблема оркестрации
Узкое место: оркестрация, а не интеллект
Но когда количество агентов переваливает за десятки тысяч, главной головной болью становится не их ум, а координация. Чтобы тысячи специализированных ИИ-сотрудников вообще понимали, что делают их соседи, нужен единый контекстный слой. Эта прослойка должна синтезировать знания из инструментов, датасетов и исторических записей. Без нее каждый агент останется в собственной песочнице.
Тут возникает соблазн обернуть существующие базы данных и API через MCP. Звучит технологично, но Зоу советует не обольщаться. Существующие интерфейсы проектировались для людей и доэйджентных алгоритмов — агентам они откровенно чужды. А попытка скормить модели PDF с научной статьей? Текст она, может, и прочитает, а вот сложные графики и таблицы в такой подаче гарантированно вызовут галлюцинации. Проще говоря, интерфейсы и API для агентов не приспособлены, и никакой MCP-обвес эту фундаментальную проблему не вылечит.
Paperclip: научная статья как файл
Решение родилось неожиданно элегантное. Вместо того чтобы мучить агентом недружелюбные базы, команда Зоу построила платформу Paperclip. Она берет неструктурированные данные, оцифровывает их и превращает разнородные датасеты в единую AI-нативную виртуальную файловую систему. Вместо хрупких запросов к специфичным API агенты работают с миллионами научных статей через стандартные файловые операции — открыл, прочитал, сохранил.
Это не просто удобство. Как заявил Зоу, Paperclip дает гораздо более высокую точность, а время и стоимость работы сокращает более чем на порядок по сравнению с агентами, брошенными без такой AI-нативной инфраструктуры. Получается, чтобы управлять полчищами ИИ, не нужно делать их умнее — достаточно дать им удобный туманный интерфейс, а дальше они сами разберутся, кто из них прав, а кому пора на дообучение.
Реальная проверка: подтверждение Merck и переход от рабочих процессов к экосистемам
Когда пришло время проверить всю эту машину на деле, Virtual Biotech не стала осторожничать. Подразделение из 37 000 «агентов клинических испытаний» бросили на синтез разрозненных данных исследований.
Первым результатом стал прогноз успешности лекарств на основе single-cell признаков. Агенты выявили клеточные характеристики, по которым можно заранее сказать, дойдет ли препарат до рынка. Цифры впечатляют: лекарства, поддерживаемые этими признаками, выходили на рынок примерно на 50% чаще сопоставимых препаратов без них.
Затем система зашла еще дальше и полностью автономно спроектировала антитело-лекарственный конъюгат (ADC), нацеленный на белок CD276 при раке легких. Вся работа велась исключительно на данных, опубликованных до января 2025 года. Никакой магии — только то, что уже было в открытых источниках.
А дальше случилось то, что в науке называют лучшей проверкой. Через несколько месяцев фармкомпания Merck независимо разработала такую же терапевтическую конструкцию, а затем она получила статус прорывной терапии FDA. Джеймс Зоу назвал это «сторонней внешней валидацией терапевтического дизайна, предоставленного агентами виртуального биотеха». Согласитесь, когда твой ИИ придумывает то же, что и живая команда ученых большого фарма, это уже не совпадение, а закономерность.
От рабочих процессов к экосистемам
Масштабирование мультиагентной системы до десятков тысяч участников заставило Зоу пересмотреть сам подход к управлению. Его команда пришла к выводу: жесткие рабочие процессы — тупик. Workflow предписывает агенту, что и как делать, фактически превращая его в младшего сотрудника с инструкцией на каждый шаг.
Вместо этого исследователи проектируют открытые среды. Среда предоставляет агентам инфраструктуру, ограничения и стимулы, но оставляет пространство для совместного решения открытых задач. И вот ключевой момент: при оптимизации большой мультиагентной системы они больше не настраивают отдельные модели. «Мы не изменяем сами модели, а оптимизируем среду, в которой агенты взаимодействуют», — поясняет Зоу. Объектом оптимизации становится экосистема, а не каждый конкретный ИИ.
Сейчас кажется, что между идеей «ИИ пишет код» и «ИИ проектирует лекарство, которое затем подтверждает большая фарма» лежит пропасть. Но именно такие системы, как Virtual Biotech, эту пропасть сокращают. Если темпы сохранятся, нас ждет будущее, где цифровые корпорации будут выдавать готовые молекулы чуть ли не конвейером. Остается надеяться, что человеческие ученые найдут себе место в этой новой иерархии.