Команда Стэнфорда запустила Virtual Biotech — виртуальную фармкомпанию из десятков тысяч ИИ-агентов. Один из созданных ею противораковых препаратов позже независимо разработала и подтвердила Merck.
Содержание
- От пяти агентов до целой корпорации: как устроена Virtual Biotech
- Споры вместо одиночества: почему толпа агентов умнее одной модели
- Paperclip: файловая система вместо устаревших баз данных
- 37 000 «клинических» агентов и совпадение с разработкой Merck
- Управлять средой, а не агентами: новый подход к оркестровке
Эпоха формулы «один инженер — один ИИ-агент», к которой привыкли разработчики, работающие с Claude Code и подобными инструментами, подходит к концу. На конференции VB Transform 2026 Джеймс Зу, доцент биомедицинской науки о данных Стэнфордского университета, заявил: следующий рубеж — это не один более мощный агент, а десятки тысяч агентов, работающих совместно. Его команда уже построила такую систему — виртуальную биотехнологическую компанию Virtual Biotech, и одна из созданных ею терапевтических разработок позже была независимо подтверждена фармацевтическим гигантом Merck.
- От пяти агентов до целой корпорации: как устроена Virtual Biotech
- Споры вместо одиночества: почему толпа агентов умнее одной модели
- Paperclip: файловая система вместо устаревших баз данных
- 37 000 «клинических» агентов и совпадение с разработкой Merck
- Управлять средой, а не агентами: новый подход к оркестровке
От пяти агентов до целой корпорации: как устроена Virtual Biotech
Проект Зу начинался скромно — с «Виртуальной лаборатории» из пяти-восьми агентов, структура которой копировала его физическую лабораторию в Стэнфорде. Внутри системы действовал ИИ-профессор в роли научного руководителя и ИИ-студенты с разными специализациями, которые проводили регулярные групповые совещания — почти как настоящая исследовательская группа.
«Мы также создали для агентов копию Стэнфорда — школу агентов, где они могут проходить управляемое дообучение и повышать свою экспертизу в конкретных областях», — рассказал Зу. Идея любопытна: агенты не просто выполняют задачи, а «учатся» по аналогии с аспирантами.
Первым серьёзным результатом виртуальной лаборатории стала разработка новых нанотел для актуальных вариантов COVID. «Что нас действительно воодушевило — созданные ИИ нанотела работали значительно лучше прежних, разработанных людьми, с точки зрения связывания с недавними вариантами вирусов», — отметил исследователь.
После подтверждения результатов в «мокрой» лаборатории команда расширила амбиции и перешла от имитации одной исследовательской группы к моделированию корпоративной структуры. Результат — система Virtual Biotech, в которой десятки тысяч специализированных агентов подчиняются агенту в роли главного научного директора (CSO). «С агентом-CSO работают подразделения, зеркалящие структуру настоящей биотех- или фармкомпании», — объяснил Зу: одно ищет мишени для лекарств, другое проектирует молекулы, третье отвечает за безопасность и клинические испытания. Внутри подразделений агенты специализируются ещё глубже: «В отделе поиска мишеней один агент специализируется на генетических данных, другой — на геномных и данных одиночных клеток, и так далее».
Споры вместо одиночества: почему толпа агентов умнее одной модели
По мере роста возможностей фундаментальных моделей разработчики сталкиваются с архитектурной дилеммой: зачем распределять нагрузку между тысячами специализированных агентов, если можно вложить все вычислительные ресурсы в одну всезнающую модель? Команда Зу провела прямое сравнение: мультиагентная команда против одиночного агента, решающего ту же научную задачу.
Мультиагентная экосистема создаёт трение и взаимодействие, которые порождают более качественные решения, устойчивые к накоплению ошибок. «В этих научных виртуальных лабораториях агенты вступают в дебаты и разногласия. Им приходится убеждать других ИИ-учёных в своих идеях, и всё это вызывает гораздо более креативное и надёжное рассуждение по сравнению с ситуацией, когда одна модель пытается решить задачу в одиночку с нуля», — пояснил Зу.
Paperclip: файловая система вместо устаревших баз данных
При масштабировании до десятков тысяч агентов главным узким местом становится оркестровка. Системе нужен единый контекстный слой, позволяющий агентам синтезировать знания из разных инструментов, наборов данных и исторических записей.
Многие корпоративные команды пытаются решить проблему интеграции, «оборачивая» существующие базы данных в MCP. Однако унаследованные системы плохо дружат с агентами: например, просто бросить PDF научной статьи в контекстное окно агента неэффективно, а стандартные текстовые модели с трудом интерпретируют сложные рисунки и таблицы, что ведёт к галлюцинациям.
«Даже если обернуть MCP вокруг существующих баз данных и API, это не решает фундаментальную проблему: интерфейсы и API не подходят для агентов, — подчеркнул Зу. — Существующие базы данных проектировались для людей или для алгоритмов доэры ИИ».
Решением стала платформа Paperclip, созданная командой Зу и выложенная в открытый доступ на GitHub. Она опирается на ключевую силу современных языковых моделей — умение писать код и ориентироваться в файловых системах. Вместо того чтобы заставлять агентов обращаться к хрупким специфическим API баз данных, Paperclip оцифровывает неструктурированные данные и отображает разрозненные базы в единую ИИ-нативную виртуальную файловую систему. Благодаря этому агенты получают доступ к знаниям из миллионов научных статей через стандартные операции с файлами. «Мы получаем заметно более высокую точность с Paperclip и сокращаем время и затраты более чем на порядок по сравнению с агентами без такой ИИ-нативной научной инфраструктуры», — заявил Зу.
37 000 «клинических» агентов и совпадение с разработкой Merck
Чтобы проверить практическую ценность архитектуры, Virtual Biotech развернула 37 000 агентов «клинических испытаний», которые синтезировали фрагментированные данные исследований. Агенты выявили признаки на уровне одиночных клеток, предсказывающие успех испытаний: мишени лекарств, подкреплённые этими признаками, примерно на 50% чаще выходили на рынок, чем сопоставимые препараты без них.
Затем система автономно спроектировала антитело-лекарственный конъюгат (ADC), нацеленный на белок CD276 для лечения рака лёгкого. Важная деталь: агенты выполнили эту работу полностью самостоятельно и опирались исключительно на данные, опубликованные до января 2025 года.
Несколько месяцев спустя фармкомпания Merck независимо разработала и валидировала тот же терапевтический дизайн — и он получил статус прорывной терапии от FDA. Зу охарактеризовал это как «стороннюю внешнюю валидацию терапевтической разработки, предложенной агентами виртуальной биотех-компании». Для индустрии, где разработка одного препарата традиционно занимает годы и стоит миллиарды долларов, такое совпадение — сильный аргумент в пользу мультиагентного подхода.
Управлять средой, а не агентами: новый подход к оркестровке
По мере роста мультиагентных систем руководителям придётся переосмыслить управление цифровой рабочей силой. Зу призывает отказываться от жёстких рабочих процессов в пользу открытых сред. Воркфлоу предписывают агенту точные шаги — как при управлении младшим сотрудником. Среды, напротив, предоставляют инфраструктуру, ограничения и стимулы, оставляя агентам свободу совместно решать открытые задачи.
«В рабочих процессах мы пытаемся сказать агентам, что делать и как выполнять свою работу. В средах мы обеспечиваем инфраструктуру, стимулы и ограничения, но в остальном оставляем пространство открытым, чтобы поощрять сотрудничество агентов», — пояснил исследователь.
Оптимизация в масштабе означает проектирование среды, а не дообучение отдельных моделей. Одиночные агенты могут совершенствоваться через обучение с подкреплением или управляемое дообучение в той самой «школе агентов», но успех массивной мультиагентной системы зависит от настройки параметров их взаимодействия. «На мультиагентном уровне мы больше не дообучаем и не изменяем отдельные модели — мы оптимизируем среду. Сама среда — это объект, который мы оптимизируем, чтобы улучшать агентов», — резюмировал Зу. Этот урок актуален и для российских команд, строящих агентные системы на базе отечественных и открытых моделей: конкурентное преимущество всё чаще определяется не размером одной модели, а качеством инфраструктуры, в которой работают тысячи специализированных агентов.
Источник: VentureBeat