О разработке рассказал доцент Стэнфордского университета Джеймс Зоу на конференции VB Transform 2026. По его словам, традиционная модель «один инженер — один ИИ-агент» может уступить место системам, в которых тысячи специализированных агентов одновременно решают отдельные части одной научной задачи.
От виртуальной лаборатории к виртуальной биотехнологической компании
Изначально команда Зоу создала виртуальную лабораторию из пяти-восьми агентов. Их роли соответствовали структуре реальной исследовательской группы: один агент выполнял функции руководителя, остальные специализировались в различных научных областях и взаимодействовали между собой.
Для обучения агентов исследователи также создали виртуальную «школу», где системы могли получать дополнительные знания и совершенствовать свои специализированные навыки.
Одним из результатов работы лаборатории стала разработка новых нанотел — небольших антител, способных связываться с вариантами коронавируса. По словам Зоу, созданные ИИ нанотела продемонстрировали более высокую эффективность связывания с новыми вариантами вируса по сравнению с ранее разработанными человеком аналогами.
После этого исследователи перешли к значительно более масштабной архитектуре.
Virtual Biotech имитирует структуру фармацевтической компании. Центральный ИИ-агент, выполняющий функции главного научного директора (CSO), координирует специализированные подразделения. Среди них — поиск терапевтических мишеней, проектирование молекул, оценка безопасности и проведение клинических исследований.
Внутри каждого подразделения работают дополнительные специализированные агенты. Например, в отделе поиска мишеней одни системы анализируют генетические данные, другие — геномную информацию и данные отдельных клеток.
Почему нужны тысячи агентов
Исследователи сравнили многоагентную систему с одним ИИ-агентом, которому поручалась аналогичная научная задача. По словам Зоу, взаимодействие специализированных агентов позволяет получать более устойчивые решения.
Агенты могут критиковать предложения друг друга, спорить и аргументировать собственные гипотезы. Такая конкуренция, по мнению исследователей, стимулирует более глубокое рассуждение и снижает вероятность того, что одна ошибка распространится на весь процесс.
При этом масштабирование многоагентной системы создаёт новую проблему — оркестрацию. Десятки тысяч агентов должны иметь доступ к единому массиву научных данных и результатам работы друг друга.
Paperclip превращает научные данные в среду для ИИ
Для решения проблемы команда Зоу разработала платформу Paperclip. Она предназначена для объединения разрозненных научных баз данных и неструктурированной информации в единую виртуальную файловую систему, с которой ИИ-агенты могут работать привычными для них инструментами.
Исследователи отмечают, что простого подключения старых баз данных через API или MCP недостаточно. Такие интерфейсы изначально создавались для людей и традиционного программного обеспечения. Кроме того, научные публикации часто содержат сложные графики, таблицы и изображения, которые языковые модели могут интерпретировать с ошибками.
Paperclip позволяет представить эти данные в более удобном для ИИ виде. По утверждению команды Зоу, использование такой инфраструктуры позволяет значительно повысить точность работы агентов и сократить время и вычислительные затраты.
37 000 агентов проанализировали клинические данные
Одним из наиболее масштабных экспериментов стало развёртывание около 37 000 ИИ-агентов, которые анализировали фрагментированные данные клинических исследований.
Система выявила характеристики отдельных клеток, связанные с успешностью лекарственных препаратов. По данным команды, препараты, разработанные с учётом поддержанных этими признаками терапевтических мишеней, примерно на 50% чаще достигали рынка, чем сопоставимые препараты без таких признаков.
Затем Virtual Biotech самостоятельно разработала конъюгат антитело–лекарство (ADC), нацеленный на белок CD276 при раке лёгких. При этом агенты использовали только информацию, опубликованную до января 2025 года.
По словам Зоу, спустя несколько месяцев фармацевтическая компания Merck независимо разработала и подтвердила аналогичный терапевтический дизайн. Исследователь рассматривает это как внешнее подтверждение результата, полученного виртуальной биотехнологической системой.
Следующий этап — не обучение отдельных агентов, а создание среды
По мнению Зоу, развитие многоагентных систем потребует изменения самого подхода к их проектированию.
Вместо создания жёстких рабочих процессов, где заранее определяется последовательность действий каждого агента, предлагается формировать среду, содержащую необходимые данные, инструменты, ограничения и стимулы для сотрудничества.
В такой модели разработчик не указывает каждому агенту все шаги работы. Он создаёт условия, в которых специализированные системы самостоятельно взаимодействуют и распределяют задачи.
Это означает смещение акцента с оптимизации отдельных ИИ-моделей на оптимизацию всей многоагентной среды. Отдельные агенты по-прежнему могут дообучаться, однако эффективность системы в целом определяется тем, насколько хорошо организованы их взаимодействие, доступ к знаниям и распределение ролей.
Подход Стэнфорда демонстрирует возможное направление развития ИИ в научных исследованиях: вместо одного универсального помощника формируется виртуальная организация из тысяч специализированных агентов, способная самостоятельно распределять работу между подразделениями и проводить полный цикл исследований — от поиска терапевтической мишени до разработки потенциального препарата.
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
