斯坦福用3.7万AI代理打造虚拟生物科技，其药物设计已获突破

斯坦福大学正在运行一个由3.7万个AI智能体组成的“虚拟生物技术公司”，并且其中一个AI设计的药物分子已经在湿实验室中得到验证，效果优于此前人类设计的版本。在VB Transform 2026大会上，斯坦福大学生物医学数据科学副教授James Zou展示了这一研究，并抛出了一个对开发者群体极具冲击力的观点：AI开发的下一站，不是把单个模型做得更聪明，而是让成千上万个智能体像公司员工一样分工协作。 Zou的团队最初搭建了一个“虚拟实验室”，由5到8个AI智能体组成，结构模仿他真实的斯坦福实验室。AI教授扮演首席研究员，AI学生各有专长，定期开组会，甚至还有一所“智能体学校”，让AI智能体通过监督微调来提升各自领域的专业能力。这个虚拟实验室成功设计了针对近期新冠变异株的纳米抗体蛋白，而且在结合能力上明显优于此前人类设计的版本。Zou强调，这一结果经过了湿实验室验证，并非只是模拟数据。 在验证了小型协作模式后，团队将规模大幅扩展，构建了名为“Virtual Biotech”的系统，包含数万个专业AI智能体，由一位“首席科学官（CSO）”智能体统筹管理。系统内部设有靶点发现、分子设计、临床试验等不同部门，每个部门下又有更细分的智能体，比如专门分析遗传学数据、基因组学数据或单细胞数据的智能体。这种架构模仿了真实生物技术或制药公司的组织方式。 多智能体架构的优势在于，智能体之间会产生辩论和分歧，必须说服彼此，这种摩擦反而激发了更有创造性和稳健性的推理过程。Zou的团队将多智能体团队与单个模型进行对比测试，结果显示多智能体生态在解决复杂科学问题时，产出方案更优，且对错误累积的抵抗力更强。对于开发者而言，这意味着未来构建AI系统时，分布式协作可能比堆算力给单一模型更有效。 但扩展到数万个智能体后，编排（orchestration）成为最大的瓶颈。系统需要一个统一的情境层，让智能体能够综合来自各种工具、数据集和历史记录的知识。许多企业团队尝试用MCP（模型上下文协议）包装现有数据库来解决数据集成问题，但传统系统对智能体并不友好。比如，把一篇研究论文的PDF直接扔进智能体的上下文窗口效率极低，标准文本模型也难以理解复杂的图表，容易产生幻觉。Zou指出，即使给现有数据库和API包上MCP，底层数据的结构性问题依然存在，智能体仍然无法高效利用这些信息。这意味着，企业在拥抱大规模AI智能体之前，必须先解决数据基础设施的智能化改造问题，否则编排层再强大，也无法真正发挥数万个智能体的协作潜力。