3.7万个AI'员工'组了一家公司，还预测出了一款癌症新药——多智能体系统到底在干什么？

Tue, 29 Sep 2026 18:30:00 +0800

引言

想象一家生物科技公司：它有首席科学家、有临床试验分析师、有分子靶点研究团队、有药物递送设计专家——组织架构完善，分工明确，各司其职。

唯一不同的是：这家公司3.7万名"员工"，没有一个是人类。

2026年9月17日，斯坦福大学生物医学数据科学副教授James Zou和他的博士生Harrison Zhang在《Science》上发表了一篇论文，描述了一个名为"Virtual Biotech"（虚拟生物科技）的系统。这个系统用多达37,000个AI智能体（Agent）组建了一家完整的虚拟制药公司——从靶点发现到临床试验设计，全链条覆盖。

它在不到一周内分析了5万场临床试验，找到了一个能预测药物成功率的隐藏生物学信号，还提出了一种肺癌治疗方案。几个月后，一家知名制药公司独立开发出了几乎完全相同的疗法，并获得了FDA突破性疗法认定。

这不是一次"AI辅助研究"。这是一群AI在协作完成一个复杂的、需要多步骤推理的科学发现过程。

它到底是怎么做到的？为什么"一群AI组队"比"一个超强AI单打独斗"更有效？这件事对普通人的意义是什么？

从"一个天才"到"一支团队"：为什么AI也需要分工协作？

过去几年，我们对AI的印象大多停留在"一个超级大脑"的模式：给它一个问题，它给你一个答案。ChatGPT是这样，Claude是这样，几乎所有大语言模型都是这样。

这种模式有一个根本性局限：一个模型再聪明，它的上下文窗口和工作记忆也是有限的。 你让它同时分析5万场临床试验的结果，再交叉对比基因表达数据，再设计一个分子方案——它做不到。不是因为不够聪明，而是"工作台"太小了。

这就像一个天才科学家：他可能非常聪明，但你让他一个人同时读5万篇论文、管理50个实验项目、还要做财务预算——他会崩溃。

现实中的人类社会是怎么解决这个问题的？分工协作。 一家制药公司不是靠一个全才运作，而是靠几十个部门、几百个专家、每个人做自己最擅长的事，然后通过组织架构把成果串联起来。

斯坦福的研究团队正是借鉴了这个思路。

一家虚拟公司的组织架构

Virtual Biotech的设计非常有趣——它几乎完整地复刻了一家真实生物科技公司组织结构。

最顶层是一个"虚拟首席科学家"（Virtual CSO）智能体。 它接收人类研究员提出的科学问题，然后决定这个问题应该拆解成哪些子任务，分配给哪些专门的团队。

下面是四个专业部门：

靶点发现与验证部门：负责从基因组数据中寻找可能的药物靶点，并评估其生物学合理性。
安全性评估部门：分析潜在靶点的副作用风险，筛选掉那些可能"治了病但伤了人"的方案。
药物递送设计部门：研究怎样把药物精准送达目标细胞——是用抗体携带、纳米颗粒包裹、还是其他方式。
临床试验分析部门：回顾历史试验数据，找出哪些因素与药物成功或失败相关。

每个部门下面还有更细的分工。比如在临床试验分析部门，系统会为每一场试验分配一个专门的智能体——一个agent负责一场试验。这些agent各自去查找试验注册数据库、已发表的论文和新闻稿，收集试验结果数据，然后汇总给上级。

这和一家公司里"每人负责一个项目，再向经理汇报"的模式一模一样。

关键区别在于：这些智能体不是简单的"搜索引擎+总结器"。每个agent都配备了专门的数据库访问权限和分析工具，它能自主判断需要查什么资料、怎么做分析、结果是否可靠。如果证据不够，它还会主动要求补充调查。

一周分析5万场试验：发现了什么？

研究团队给Virtual Biotech布置的第一个大任务是：从历史临床试验数据中，找出哪些生物学特征能预测一个药物能不能成功通过临床试验。

这是一个极其重要的问题。新药研发的成本平均在26亿美元以上，周期超过10年，而大约90%进入临床试验的候选药物最终都无法上市。如果能提前识别哪些药物更可能成功，就能节省数十亿美元的无效投入，也能让真正有希望的药物更快到达患者手中。

虚拟CSO接到任务后，做出了一个很"人类"的决策：先提高数据质量。因为公共数据库里的试验结果记录往往不完整——很多试验没有明确记录药物到底有没有效。

于是，CSO派出37,075个agent，每个负责一场II期或III期临床试验。这些agent分头去查试验注册网站、翻阅论文、搜索新闻稿，硬是在大约6个小时内拼凑出了远比原始数据库完整的试验结果图景。

人类做同样的工作需要多久？研究团队估计：至少几年。

与此同时，另一组agent在分析人体组织的单细胞基因表达数据——哪些基因在哪些细胞类型中被激活。它们构建了两套评分系统：

第一套评分：细胞类型特异性。 一个基因是只在少数几种细胞中活跃，还是在很多种细胞中都活跃？就像一把钥匙——它是只能开一把锁（高特异性），还是能开很多把锁（低特异性）？

第二套评分：基因活性的"开关"特征。 有些基因的表达模式像电灯开关——要么完全打开，要么完全关闭（高双模态性）；有些则像调光器——可以微微亮、中等亮、很亮（低双模态性）。

把这两套评分和试验结果数据交叉对比后，一个清晰的模式浮现出来：

针对"高特异性+开关型"基因的药物——也就是那些只在特定细胞类型中起作用、且表达模式像开关一样明确的靶点——成功率高出了整整一个量级：

从I期推进到II期临床试验的可能性高出40%
最终获批上市的可能性高出48%
不良反应事件减少了32%

这个发现跨越了多种疾病类型——癌症、脑部疾病、心脏病、肾脏疾病、肺部疾病——规律一致。

直觉上也说得通：如果一个基因只在特定细胞中活跃，且表达模式是明确的开关，那么药物可以更精准地控制它，不太容易"误伤"其他正常细胞。就像狙击手比散弹枪更容易避免附带损伤。

AI设计了一款新药，制药巨头 independently 做了同样的事

如果说分析试验数据展现了Virtual Biotech的"数据挖掘"能力，那么接下来的实验则展示了它真正的设计能力。

研究团队让系统评估一个与肺癌相关的蛋白质——B7-H3。这是一个已被科学家关注的靶点，但具体怎么设计疗法仍有争议。

虚拟公司的agent们开始了全方位分析：

一组agent查找了B7-H3在各种细胞类型中的表达情况，发现它在一种叫"成纤维细胞"的结缔组织细胞中高度表达——而这些细胞经常出现在肿瘤附近。
另一组agent分析了细胞间的通讯信号，发现这些表达B7-H3的成纤维细胞似乎在向周围的免疫细胞发送"安静下来"的信号——相当于给肿瘤穿上了一件隐身衣。
基于这些发现，药物设计部门提出了一个方案：用抗体作为"导航标签"，找到携带B7-H3的细胞，然后把化疗药物直接送进去——一种"抗体-药物偶联物"（ADC）。

这个方案基于2025年1月之前的公开数据。

然而，2025年8月，一家美国大型制药公司（Merck & Co./Daiichi Sankyo）独立开发出了几乎完全相同的B7-H3靶向抗体-药物偶联物ifinatamab deruxtecan，并获得了FDA突破性疗法认定，进入快速审批通道。

两组完全独立的"研究者"——一组是AI，一组是人类——从同样的数据出发，得出了同样的结论。

James Zou说：“这是一个非常令人兴奋的独立第三方验证。”

Virtual Biotech on 灵语AI

3.7万个AI'员工'组了一家公司，还预测出了一款癌症新药——多智能体系统到底在干什么？

引言

从"一个天才"到"一支团队"：为什么AI也需要分工协作？

一家虚拟公司的组织架构

一周分析5万场试验：发现了什么？

AI设计了一款新药，制药巨头 independently 做了同样的事