让一个人读完5.5万多项临床试验，再从中找出药物成功的规律，几乎是不可能完成的任务。Stanford大学James Zou团队换了个思路：不让一个AI包办，而是搭起一家名为Virtual Biotech的“虚拟药企”，让最多约3.7万个AI Agent分工干活，再由一名“首席科学家”统一调度。
这项发表于Science的研究试图回答一个很实际的问题：当科研任务大到单个模型难以处理时，把AI组织成一家公司，是否能做出更有用的发现？据Nature报道，系统找到了一种可能预测临床试验成败的分子信号，并在人工监督下提出了一条肺癌治疗路线。不过，目前公开材料只有Nature的一篇报道，相关效果均来自这一信源。
先搭组织，再分任务
Agent可以理解为“能连续执行多步任务的AI角色”。多Agent系统不是让一个大语言模型从头想到尾，而是让不同角色分别检索资料、分析靶点、设计方案和复核结果。
Virtual Biotech进一步加入了层级式协调：上层的CSO Agent——相当于首席科学官——把问题拆开，交给不同专业部门，再汇总结果并决定下一步。研究实际使用Anthropic的Claude系列模型驱动这些Agent。Zou表示，其他先进大语言模型，包括可在研究者自己电脑上运行的开源模型，也能使用；但材料没有显示团队已经用其他模型重复验证。
“3.7万个Agent”也需要准确理解。报道一处称系统最多包含约3.7万个Agent；更具体的任务中，CSO共分配了37,075个Agent，让每个Agent各自处理一项后期临床试验。它们更可能是针对单项任务启动的大量实例，不宜想象成37,000名长期在线、不断开会协作的虚拟员工。
5.5万项试验里找规律
团队让系统分析了超过55,000项已发表的临床试验结果，涉及多种疾病和药物。另一些虚拟“员工”还分析了不同细胞类型中的基因活跃数据。
系统由此发现：如果一种药物针对的是在特定细胞类型中活跃的蛋白，它最终获批上市的可能性比其他药物高近50%。这里的蛋白可以看作药物靶点——疾病过程中能被药物影响的蛋白质或生物机制。先找到更可信的靶点，才知道药物应该“作用于谁”。
但报道没有说明“近50%”是相对提升还是绝对百分点，也没有给出统计区间或混杂因素。因此，它更适合被看作一条待验证的线索，而不是药物成功率的确定公式。
肺癌方案是怎样来的？
在另一项演示中，团队给了系统一条明确线索：调查蛋白CD276能否成为肺癌的治疗靶点。既有工作提示，CD276会抑制免疫反应，并在肺部肿瘤中高度表达。
系统利用此前收集的数据确认CD276可作为候选靶点，并提出一条治疗策略：用能够识别CD276的抗体，连接一种抗癌药物。外部评审人员参与判断后，Zou及其合作者认为这条路线值得继续研究。
这仍是“候选疗法”，不是已经发现的成药。候选药物或候选方案只表示早期分析显示潜力，距离验证安全性、有效性并最终获批，还有很长的筛选过程。报道也没有披露具体药物名称、比较基线或实验数据。
真正值得看的，是科研如何扩容
这项工作的看点不只是Agent数量。它展示了一种扩展科研分析的办法：把一个复杂目标拆成大量边界清楚的小任务，再由上层Agent协调。规模带来的直接价值，是能逐项处理数万份试验材料，而不是只抽取少量样本。
但规模并不自动等于可靠。更多Agent可以扩大搜索范围，也可能批量复制同一种模型的判断偏差。人类在肺癌方案中仍提供了问题线索、监督和外部评审，这说明系统更像一支可快速扩编的分析团队，而不是能够独立经营药企的“AI科学家军团”。
局限与未知
- 系统的预测尚未经过实验或临床试验验证，也未在真实药物研发流程中接受检验。
- 肺癌方案缺少药物名称、比较基线和实验数据，现阶段只能称为“有前景的路线”。
- 研究实际使用Claude；“其他先进模型也能使用”是负责人判断，不能视为已经验证的模型无关性。