Стэнфордский университет использует 37 000 агентов искусственного интеллекта в качестве виртуальной биотехнологической компании, и одна из разработанных им лекарственных препаратов получила независимое подтверждение от компании Merck.

Бен Диксон

Для разработчиков основным принципом работы был принцип «один инженер — один агент» — модель Клода и аналогичные инструменты. На конференции VB Transform 2026 Джеймс Зу, доцент кафедры биомедицинской обработки данных Стэнфордского университета, заявил, что этот принцип скоро будет пересмотрен: следующий рубеж — это не один более способный агент, а десятки тысяч таких агентов, работающих сообща.

Для разработчиков и создателей продуктов наиболее важным выводом из презентации Зоу является то, как управляются эти масштабные системы. Исследование его команды предлагает практическую модель для подключения устаревших баз данных к уровням оркестрации ИИ и проектирования сред, позволяющих тысячам агентов взаимодействовать друг с другом.

Имитация организации — виртуальная биотехнологическая компания

Проект Зоу начинался как «виртуальная лаборатория», состоящая из пяти-восьми агентов, структура которых имитировала его физическую лабораторию в Стэнфорде. В состав группы входили профессор по искусственному интеллекту, выступающий в роли главного исследователя, и студенты-специалисты по ИИ, проводившие регулярные групповые встречи.

«Мы также создали для агентов копию Стэнфорда, школу агентов, где агенты могут посещать занятия и под наблюдением совершенствовать свои навыки в конкретных областях», — отметил Цзоу.

В виртуальной лаборатории успешно разработаны новые наноантитела для борьбы с новыми вариантами COVID-19.

«Нас особенно радует то, что эти разработанные с помощью ИИ наноантитела показали гораздо лучшие результаты, чем предыдущие наноантитела, созданные человеком, с точки зрения связывания с различными вирусами», — сказал Цзоу.

После этой экспериментальной проверки команда расширила свои амбиции. Они перешли от имитации работы одной исследовательской группы к моделированию масштабной корпоративной структуры.

В результате была создана система, получившая название «Виртуальная биотехнология», состоящая из десятков тысяч специализированных агентов искусственного интеллекта, управляемых главным научным сотрудником (ГН). Она функционирует через различные корпоративные подразделения, такие как поиск мишеней, разработка молекул и клинические испытания.

«В работе с агентом CSO участвуют различные подразделения, аналогичные тем, что существуют в биотехнологических или фармацевтических компаниях, занимающихся разработкой лекарств», — пояснил Зоу. — «Одно подразделение занимается выявлением мишеней для лекарств, другое — разработкой молекул, третье — безопасностью и клиническими испытаниями. Отдельные агенты, по его словам, специализируются в рамках своих подразделений. «В подразделении по поиску мишеней у нас есть один агент, специализирующийся на анализе всех генетических данных, другой — на анализе всех геномных данных и данных одноклеточного анализа, и так далее».

Преимущество многоагентной системы

По мере того как базовые модели становятся все более функциональными, разработчики сталкиваются с ключевой архитектурной дилеммой: зачем распределять рабочую нагрузку между десятками тысяч специализированных агентов вместо того, чтобы направить все вычислительные ресурсы на единую, всеведущую модель?

Команда Зоу провела прямое сравнение работы многоагентной команды и команды, работающей с одним агентом, перед которой стояла одна и та же научная задача. Многоагентная экосистема создавала трения и взаимодействие, что приводило к лучшим решениям, более устойчивым к накоплению ошибок.

«В этих виртуальных научных лабораториях агенты фактически вступают в дебаты и споры. Им приходится убеждать других ученых, занимающихся искусственным интеллектом, в своих идеях, и все это стимулирует гораздо более творческое и основательное мышление по сравнению с ситуацией, когда одна модель пытается решить проблему самостоятельно с нуля», — сказал Цзоу.

«Узкое место оркестровки»

При масштабировании до десятков тысяч агентов основным узким местом становится оркестровка. Система требует единого контекстного слоя, позволяющего агентам синтезировать знания из различных инструментов, наборов данных и исторических записей.

Многие корпоративные команды пытаются решить проблему интеграции данных, используя MCP-интерфейсы для интеграции с существующими базами данных. Однако устаревшие системы не очень удобны для агентов. Например, перетаскивание PDF-файла исследовательской работы в контекстное окно агента неэффективно, а стандартные текстовые модели с трудом интерпретируют сложные рисунки и таблицы, что приводит к галлюцинациям.

«Даже если вы используете MCP-интерфейс для существующих баз данных и API, это не решит основную проблему: интерфейс и API не подходят для агентов», — сказал Цзоу. Он добавил, что существующие базы данных предназначены для использования людьми или алгоритмами, предшествующими искусственному интеллекту.

Для решения этой проблемы команда Зоу создала Paperclip. Платформа опирается на ключевое преимущество современных LLM: их способность писать код и работать с файловыми системами. Вместо того чтобы заставлять агентов обращаться к ненадежным, специфичным для баз данных API, Paperclip оцифровывает неструктурированные данные и сопоставляет разрозненные базы данных в единую, разработанную специально для ИИ виртуальную файловую систему.

Эта структура позволяет агентам получать доступ к знаниям из миллионов документов, используя стандартные операции файловой системы.

«Это, по сути, показывает, что мы можем добиться гораздо большей точности, используя Paperclip, и можем сократить время и затраты более чем на порядок по сравнению с использованием агентов без этих научных инфраструктур, изначально предназначенных для ИИ», — заявил Цзоу.

Проверка в реальных условиях

Для проверки практической эффективности этой архитектуры компания Virtual Biotech создала 37 000 «агентов клинических испытаний» для синтеза фрагментированных данных испытаний. Эти агенты выявили характеристики отдельных клеток, которые предсказывают успех испытаний — вероятность выхода на рынок лекарственных препаратов, мишени которых поддерживаются этими характеристиками, была примерно на 50% выше, чем у сопоставимых препаратов без них.

Затем система автономно разработала конъюгат антитела с лекарственным препаратом (ADC), нацеленный на белок CD276, для лечения рака легких. Разработка препарата была завершена автоматически, опираясь исключительно на данные, опубликованные до января 2025 года.

Несколько месяцев спустя, по словам Зоу, фармацевтическая компания Merck независимо разработала и подтвердила эффективность той же самой терапевтической схемы, которая впоследствии получила статус прорывного препарата от FDA. Он охарактеризовал это как «внешнюю проверку терапевтической схемы, предоставленной виртуальными биотехнологическими агентами».

Проектирование экосистем, а не рабочих процессов.

По мере масштабирования многоагентных систем руководителям необходимо переосмыслить подход к управлению этими цифровыми рабочими коллективами. Зоу выступал за переход от разработки жестких рабочих процессов к созданию открытых сред. Рабочие процессы определяют точные шаги, которые должен предпринять агент, подобно управлению младшим сотрудником. Среды обеспечивают инфраструктуру, механизмы контроля и стимулы для совместной работы агентов над задачами открытого типа.

«В рабочих процессах мы пытаемся указывать агентам, что делать и как выполнять свою работу. Но в средах мы предоставляем инфраструктуру, стимулы и ограничения, но в остальном оставляем возможность стимулировать агентов к сотрудничеству», — сказал Цзоу.

Оптимизация в масштабе подразумевает проектирование среды, а не тонкую настройку отдельных моделей. В то время как отдельные агенты могут улучшать свои показатели с помощью обучения с подкреплением или контролируемой тонкой настройки в рамках группы агентов, успех масштабной многоагентной системы зависит от корректировки параметров, регулирующих их взаимодействие.

«В многоагентной среде мы больше не занимаемся тонкой настройкой и изменением отдельных моделей, а оптимизируем среду», — объяснил Цзоу. «Сама среда — это объект, который мы оптимизируем для улучшения работы агентов».

Источник: venturebeat.com