ИИ-агенты Стэнфорда сокращают расходы на разработку лекарств

Разработка лекарств — процесс, отличающийся исключительной неэффективностью. Фармацевтические проекты длятся годами, переходя от одной специализированной команды специалистов к другой через разрозненные рабочие процессы, что приводит к потере знаний при каждой передаче задач. 

Поразительные 90%–95% проектов по разработке лекарств, по имеющимся данным, заканчиваются неудачей — это один из самых высоких показателей неудач среди всех отраслей промышленности. Согласно опубликованным отчетам, создание одного успешного препарата от первоначального открытия до доставки пациенту может занять более десятка лет и потребовать до $1 млрд. 

Генеративный ИИ используется для решения некоторых из этих проблем, однако исследователи из Стэнфорда продвинулись еще дальше, задействовав автономный агентный ИИ. 

Команда под руководством Джеймса Цоу (James Zou), доцента кафедры биомедицинских наук о данных Стэнфордского университета, развернула тысячи автономных ИИ-агентов «ученых» в виртуальной биотехнологической компании, которая симулирует полный жизненный цикл разработки лекарств. По словам Цоу, агенты справляются со всем: от первоначального открытия до тестирования на безопасность и проектирования клинических испытаний, — сохраняя при этом преемственность, которой так не хватает в современных процессах создания лекарств.

В проекте используется иерархическая структура оркестрации. На вершине находится агент главного директора по научным исследованиям, который действует как планировщик, делегируя задачи командам специализированных агентов, рассказал Цоу в интервью VentureBeat в преддверии своего предстоящего выступления на конференции VB Transform 2026.

Пока одна команда агентов сосредоточена на поиске новых веществ, другая занимается вопросами безопасности, а остальные выполняют специализированные аналитические задачи. Поскольку эти агенты действуют в рамках единой иерархической экосистемы, они сохраняют полный контекст проекта, поддерживая непрерывность от первой идентифицированной молекулы до финального клинического результата.

«Мозг» системы опирается на огромный массив первичных данных. Агентам предоставлен доступ к источникам информации — от геномики и химических данных FDA до баз данных клинических испытаний — с использованием протокола контекста модели.

Команда вложила значительные средства в данные, адаптированные для агентов, что позволяет ИИ более эффективно синтезировать сложную информацию. Система опирается на комбинацию различных моделей: как отметил Цоу, хотя Claude часто служит основой для написания кода и анализа данных, архитектура задействует целый ряд моделей, включая те, что дообучены для решения специализированных задач.

На фоне этих исследований Цоу привлекает финансирование для своего стартапа Human Intelligence при оценке примерно в $1 млрд.

Во время выступления Цоу на конференции VB Transform 15 июля под названием Как 10 000 агентных ученых в лаборатории Стэнфорда готовы произвести революцию в медицинских исследованиях и открытиях он поделится ценными идеями. Среди них — стратегии управления контекстом и долгосрочными многоэтапными рабочими процессами в многоагентной системе, процесс трансформации и индексации «сырых» корпоративных данных для их адаптации под ИИ, а также методы использования аудита человеком и сигналов экспериментального вознаграждения для проверки действий агентов.

Еще одна сессия на VB Transform, посвященная ценности агентного контекста, называется Создание надежной базы агентного ИИ: как Zillow ускорила инженерные процессы на 40%. В ней примут участие старший вице-президент по инженерии и технологиям Zillow Тоби Робертс (Toby Roberts) и генеральный директор Glean Арвинд Джайн (Arvind Jain). 

Хотите посетить VB Transform 2026? Зарегистрируйтесь здесь. Ограниченное количество бесплатных пропусков также доступно руководителям высшего звена в сфере технологий. Свяжитесь с нами, чтобы получить свой.