Профессор Стэнфорда Джеймс Зу рассказал на VB Transform 2026, как его лаборатория превратилась в «виртуальную биотех-компанию» из 37 000 AI-агентов. Система сама спроектировала лекарство от рака лёгких, и через несколько месяцев фармкомпания Merck независимо пришла к тому же дизайну. FDA присвоило препарату статус breakthrough.

От виртуальной лаборатории к виртуальной корпорации

Всё началось с «виртуальной лаборатории» из пяти-восьми агентов, повторяющей структуру физической лаборатории Зу. В ней был AI-профессор в роли главного исследователя и AI-студенты с разными специализациями, которые регулярно собирались на общие встречи. Для агентов построили и «агентскую школу»: копию Стэнфорда, где агенты проходят обучение с учителем, чтобы углубить экспертизу в своей области.

Лаборатория спроектировала новые нанободи-белки для свежих вариантов COVID. По словам Зу, AI-нанободи связались с недавними вирусами лучше, чем прежние нанободи, созданные людьми.

«Нас очень воодушевило, что эти AI-нанободи работали намного лучше человеческих по связыванию с разными свежими вирусами» - Джеймс Зу, профессор Стэнфорда.

После проверки в мокрой лаборатории команда расширила амбиции: вместо одной исследовательской группы агенты смоделировали большую корпоративную структуру. «Виртуальная биотех-компания» состоит из десятков тысяч специализированных AI-агентов под надзором агента-директора по науке. Внутри работают дивизионы, как в настоящей фармкомпании: поиск мишеней, дизайн молекул, безопасность и клинические испытания.

Почему команда агентов лучше одного агента

Зу задаёт ключевой вопрос архитектуры: зачем распределять нагрузку между десятками тысяч агентов, если можно вложить все ресурсы в одну всезнающую модель? Его команда сравнила мультиагентную команду с одиночным агентом на одной научной задаче. Экосистема агентов создала трение и взаимодействие, которые дали более устойчивые к накоплению ошибок решения.

«В этих научных виртуальных лабораториях агенты спорят и не соглашаются друг с другом. Им приходится убеждать других AI-учёных в своих идеях, и это порождает гораздо более творческое и устойчивое мышление, чем когда одна модель решает задачу с нуля» - Джеймс Зу.

Узкое место: оркестрация

При масштабе в десятки тысяч агентов главным ограничением становится оркестрация. Системе нужен единый слой контекста, через который агенты синтезируют знания из инструментов, датасетов и истории. Многие компании пытаются решить интеграцию данных, оборачивая существующие базы в MCP, но легаси-системы плохо дружат с агентами. Кинуть PDF научной статьи в контекст неэффективно, а текстовые модели спотыкаются о сложные графики и таблицы и галлюцинируют.

«Даже если обернуть существующие базы данных и API в MCP, это не решает проблему: интерфейсы не подходят агентам. Существующие базы спроектированы для людей или до-AI алгоритмов» - Джеймс Зу.

Команда Зу построила платформу Paperclip. Вместо хрупких API под каждую базу она оцифровывает неструктурированные данные и сводит разрозненные базы в единую AI-нативную виртуальную файловую систему. Агенты получают доступ к знаниям из миллионов статей обычными файловыми операциями.

Цифры: 37 000 агентов клинических испытаний обработали разрозненные данные и нашли признаки на уровне отдельных клеток, предсказывающие успех испытаний. Мишени с такими признаками выходили на рынок на 50% чаще. Дизайн лекарства от рака лёгких создан только по данным, опубликованным до января 2025 года, и независимо подтверждён Merck. Точность Paperclip выше, а время и стоимость ниже более чем на порядок.

Для проверки практического выхода «виртуальная биотех-компания» запустила 37 000 агентов клинических испытаний. Они синтезировали разрозненные данные и нашли признаки на уровне отдельных клеток, которые предсказывают успех испытаний. Мишени с такими признаками на 50% чаще доходили до рынка. Затем система автономно спроектировала конъюгат антитело-лекарство против белка CD276 для рака лёгких, опираясь только на данные до января 2025 года.

Через несколько месяцев Merck независимо разработала и подтвердила тот же дизайн, а FDA присвоило ему статус breakthrough. Зу называет это внешней валидацией терапевтического дизайна от виртуальных агентов третьей стороной.

Проектировать среду, а не workflow

По мере роста мультиагентных систем управление цифровой рабочей силой требует нового подхода. Зу предлагает переходить от жёстких workflow к открытым средам. Workflow диктует агенту точные шаги, как младшему сотруднику. Среда даёт инфраструктуру, ограничения и стимулы, а решение задач оставляет открытым.

«В workflow мы говорим агентам, что делать и как работать. В средах мы даём инфраструктуру, стимулы и предохранители, а в остальном оставляем свободу, чтобы агенты сотрудничали» - Джеймс Зу.

Оптимизация на масштабе означает настройку среды, а не отдельных моделей. Одиночные агенты улучшаются через обучение с подкреплением, но успех большой мультиагентной системы зависит от параметров их взаимодействия. «Мы больше не дообучаем отдельные модели, мы оптимизируем среду. Среда и есть объект, который мы улучшаем», - объясняет Зу.

Что это значит для бизнеса

Для компаний, которые присматриваются к автоматизации бизнес-процессов, кейс Стэнфорда важен двумя вещами. Первое: десятки тысяч агентов работают не потому, что каждая модель гениальна, а потому, что среда выстроена под взаимодействие. Второе: легаси-данные подключаются через слой, понятный агентам, а не через обёртки поверх старых API.

Внедрение искусственного интеллекта в компании любого размера начинается с тех же вопросов: где хранятся данные, как агенты получат к ним доступ и кто разрешает споры между ними. Опыт Зу показывает, что эффект даёт проектирование среды, а не детальная инструкция каждому агенту.

Для бизнеса во Владивостоке и на Дальнем Востоке это практический ориентир: прежде чем нанимать «агентную платформу», стоит провести аудит данных и процессов. Нейросети для бизнеса окупаются, когда у них есть чистая среда для работы, и провайдер, который это выстроит, закрывает больше половины задачи.