斯坦福虚拟生物技术公司：数万AI智能体协同设计出默沙东验证的抗癌药物

对于开发者而言，长期以来的操作假设是：一名工程师对应一个智能体——即Claude Code模型及类似工具。 在VB Transform 2026大会上，斯坦福大学生物医学数据科学副教授詹姆斯·邹（James Zou）指出，这一假设即将被打破：下一个前沿并非单个能力更强的智能体，而是数以万计的智能体协同协作。

对于开发者和产品构建者而言，邹在演讲中给出的最关键启示在于这些大规模系统如何被编排协调。其团队的研究为将传统数据库连接至AI编排层、以及设计支持数千个智能体协作的环境，提供了切实可行的蓝图。

模拟组织结构——虚拟生物技术公司

邹的项目最初是一个名为“虚拟实验室”（Virtual Lab）的系统，由五到八个智能体组成，其结构旨在复刻他在斯坦福大学的实体实验室。该设置包括一名担任首席研究员（principal investigator）的AI教授，以及若干具备不同专业特长的AI学生，他们定期举行小组会议。 

邹指出：“我们还为这些智能体创建了斯坦福大学的复制品——一所‘智能体学校’（agent school），智能体可实际‘进入’这所学校，接受监督式微调，从而提升其在各自特定领域的专业知识。”

该虚拟实验室已成功为近期的新冠病毒变种设计出新型纳米抗体蛋白。 

邹表示：“真正令我们兴奋的是，这些由AI设计的纳米抗体蛋白在结合近期不同病毒方面，实际效果远优于此前由人类设计的纳米抗体。”

在完成湿实验验证后，该团队进一步扩大了其雄心：从模拟单一研究团队，转向建模一家庞大的企业组织结构。 

由此构建的系统被命名为 虚拟生物技术公司（Virtual Biotech），包含数以万计的专业化AI智能体，并由一名首席科学官（CSO）智能体进行统筹管理。该系统通过目标发现、分子设计和临床试验等明确划分的企业部门运行。

邹解释道：“与CSO智能体协同工作的各个部门，均镜像映射了人类生物技术或制药公司中的部门结构”——其中一个部门专注于识别药物靶点，另一个负责分子设计，第三个则聚焦于安全性评估与临床试验。他补充称，各智能体在部门内部进一步细分专业领域：“在目标发现部门下，我们将设有一名专精于分析全部遗传学数据的智能体，另一名专精于分析全部基因组学数据与单细胞数据的智能体，以此类推。”

多智能体优势

随着基础模型能力日益增强，开发者面临一个核心架构困境：为何要将工作负载分配给数以万计的专业化智能体，而非将全部计算资源集中于一个全知全能的单一模型？

邹的团队开展了一项直接对比实验，让一个多智能体团队与一名承担相同科学挑战的单一智能体展开比拼。结果表明，多智能体生态系统所产生的摩擦与交互，催生了更优解，并对复合型错误具备更强的韧性。

邹表示：“在这些科学虚拟实验室中，智能体之间实际上会展开辩论与分歧。它们必须说服其他AI科学家接受自己的观点，而所有这些过程所激发的推理，远比单个模型独自从零开始解决同一问题时更具创造性与稳健性。”

编排瓶颈

当扩展至数以万计的智能体时，编排协调成为主要瓶颈。该系统需要一个统一的上下文层，使智能体能够综合来自各类工具、数据集及历史记录的知识。

许多企业团队试图通过在现有数据库之上封装MCP（Model Context Protocol）来解决数据集成问题。然而，遗留系统对智能体并不友好。例如，将一篇研究论文的PDF文件直接丢入智能体的上下文窗口效率低下；标准文本模型难以解析复杂的图表与表格，从而导致幻觉（hallucinations）。 

邹表示：“即便你在现有数据库和API之上封装一层MCP，也并未解决根本问题：接口与API本身并不适合智能体。”他补充道，现有数据库的设计初衷是供人类或前AI时代的算法使用。

为解决此问题，邹的团队开发了 Paperclip平台。该平台依托现代大语言模型（LLM）的一项核心能力：编写代码并遍历文件系统。Paperclip不强迫智能体调用脆弱且依赖特定数据库的API，而是将非结构化数据数字化，并将彼此割裂的数据库映射至一个统一的、面向AI原生的虚拟文件系统。

这种结构使智能体得以借助标准文件系统操作，访问数百万篇论文中的知识。 

邹表示：“这基本表明，若采用Paperclip，我们可显著提升准确率；相较于未配备此类AI原生科研基础设施的智能体方案，我们可将耗时与成本降低一个数量级以上。”

真实世界验证

为检验该架构的实际产出效果，虚拟生物技术公司启动了37,000名“临床试验智能体”，用于整合碎片化的试验数据。这些智能体识别出可预测试验成功率的单细胞特征——获得这些特征支持的药物靶点，其上市可能性比缺乏此类支持的同类药物高出约50%。

随后，该系统自主设计了一种靶向CD276蛋白的抗体偶联药物（ADC），用于治疗肺癌。智能体完全自主完成了此项设计，且仅依赖2025年1月之前已公开发表的数据。

邹表示，数月之后，制药公司默沙东（Merck）独立开发并验证了相同的治疗方案——该方案随后获得美国食品药品监督管理局（FDA）的突破性疗法认定。他将此称为“虚拟生物技术公司智能体所提出治疗方案的第三方外部验证”。

设计生态系统，而非工作流

随着多智能体系统规模扩大，领导者必须重新思考如何管理这类数字劳动力。邹主张，应从设计刚性工作流转向构建开放环境。工作流规定智能体应执行的确切步骤，类似于管理一名初级员工；而环境则提供基础设施、约束边界与激励机制，使智能体能就开放式问题开展协作。 

邹表示：“在工作流中，我们试图告诉智能体该做什么、如何完成其工作；但在环境中，我们提供的是基础设施、激励机制与约束边界，其余部分则保持开放，以激励智能体协作。”

在大规模层面进行优化，意味着需对环境本身进行工程化设计，而非微调单个模型。尽管单个智能体可通过强化学习或在智能体学校中接受监督式微调实现提升，但一个庞大得多智能体系统的成功，则取决于调整规约其协作行为的参数。 

邹解释道：“在多智能体层面，我们实际上已不再微调或更改单个模型，而是优化环境本身。环境本身，正是我们为提升智能体表现而加以优化的对象。”