駕馭科學研究中的智能體集體智慧

TL;DR

• 把 agent 數量當作 scaling 軸:Virtual Lab(5–10 個 agent)→ Virtual Biotech(數萬個 agent)→ 目標數百萬個;每上一個量級,湧現的能力都不同。
• 兩個已被真實世界驗證的結果:Virtual Lab 設計的 nanobody 經實驗合成測試,對近期 SARS-CoV 變異株的結合力優於此前最好的人類設計抗體;Virtual Biotech 針對肺癌標的 CD276 提出的 ADC 設計,數個月後被 Merck 獨立做出同樣設計、進臨床並獲 FDA breakthrough designation。
• 瓶頸在基礎建設:現有科學資料庫與 API 是為人類(或前 AI 時代演算法)設計的,對 agent 太脆弱、太受限;他們把資料庫轉成 agent-native 虛擬檔案系統(PaperClip),準確率更高,而且比走傳統 MCP / API 快一個數量級也便宜一個數量級。
• Paper agents:把靜態論文轉成會做事的「虛擬作者」。副作用之一是自動化的可重現性檢查——很多情況下 paper agent 直接抓出原論文的關鍵錯誤與限制;更有趣的是 paper agent 之間會自己談出合作。

重點整理

從 Virtual Lab 到 Virtual Biotech(約 00:22–00:27)

他領導 Stanford 的 AI for Science Lab,最近最興奮的方向是把協作的 AI 科學家 agent 數量當成新的 scaling 維度:不是把單一模型放大,而是從幾十個 agent 推到數百、數千、數百萬,看會湧現什麼新能力。

Virtual Lab 是第一步:5–10 個 agent 模擬他在 Stanford 的實體實驗室。有一個 AI professor agent 主持,底下是不同專長的 AI student agent(數學、資料科學、蛋白質設計);它們開自己的 group meeting,有預算可以真的跑實驗,還有一個複製版的「Stanford agent school」讓 agent 在各自領域裡變成更好的研究者。

第一個指派的專案是設計能結合近期 SARS-CoV 變異株的 binder。demo 裡可以看到 group meeting 的過程:professor agent 說明目標,免疫學 agent 建議做 nanobody,ML agent 提出最佳化構想。經過一連串 group meeting 與一對一討論後,agent 設計出一套與既有文獻不同的 nanobody 最佳化計算框架,跑完再回報幾個新設計。實驗合作者合成並實測,證實是相當有效的 binder,對部分近期變異株甚至優於此前最好的人類設計抗體。

Virtual Biotech 是下一級:用數萬個 AI 科學家 agent 模擬一整間藥廠。頂層是 CSO agent,有自己的 chief of staff、辦公室與法務;底下是對應人類藥廠的各個部門——找標的、依標的設計分子、設計臨床試驗與安全性評估。每個部門再由專精不同的 agent 組成(有的擅長遺傳學資料,有的擅長單細胞分析)。

指派的專案是為肺癌標的 CD276(一種抑制免疫反應的跨膜蛋白,藥廠高度關注)設計新療法。數千個 agent 做了大量遺傳學、基因體、病患資料分析後,提出一個針對 CD276 的 ADC(antibody–drug conjugate)設計:抗體連上化療 payload,命中標的後釋放。這在當時對 CD276 算是相對新的設計。幾個月後,Merck 獨立做出同一個 CD276 ADC,在人體試驗中證實有效並取得 FDA breakthrough designation——等於人類研究反過來驗證了 Virtual Biotech 的設計。

讓 agent 用得動的基礎建設:PaperClip(約 00:27–00:29)

要讓數千個 agent 在科學上真的有效率,他們發現必須新增一層專為 agent 而生的基礎建設與環境。現有的科學資料庫(包含各種蛋白質資料庫)大多是設計給人類、或給前 AI 時代的演算法消費的,對 agent 來說 API 太脆弱、太受限。

他們的做法是把這些既有資料庫——數百萬個蛋白質、分子、基因表現資料——轉換成 agent-native 的虛擬檔案系統,讓 agent 更容易跨資料源合成與彙整資訊。這套東西叫 PaperClip,涵蓋範圍已擴到「全部科學知識」:arXiv 及其他地方的全文論文,加上各種資料庫。比較結果是:用這種虛擬檔案系統表示所有科學資料集與知識,準確率明顯優於同樣模型走傳統 MCP / API 存取資料庫的做法,而且快一個數量級、便宜一個數量級。他強調這是免費的,一行程式碼就能把全部知識掛給你的 agent。

Paper agents:把論文變成會協作的虛擬作者(約 00:29–00:32)

過去幾百年,人類把知識封裝成靜態論文這種很被動的產物;讀者或潛在合作者光讀死的文字,往往很難把知識搬到自己的問題上。他們的想法是把這些靜態產物轉成動態、可互動的「虛擬作者」,也就是 paper agent——你可以直接問它「幫我把這篇論文的方法套到我的資料集上」,它會自動執行、產生可重現的 workflow,再把結果與發現交回來。

底層是一條 paper-to-agent 的自動化流程:一群 worker agent 讀原論文與相關程式碼、資料,建立虛擬環境,嘗試復現原本的研究流程;過程中產出一個 paper MCP,再包成 paper agent。

副產品是自動化的可重現性檢查:demo 裡的 paper agent 能生成與原刊物一致的中間圖表與結果(該篇是可重現的);但他強調在很多其他案例中,paper agent 直接找出了原論文的關鍵錯誤與限制。

最有意思的應用是 agent 之間的新型合作。他們正在把人類發表過的每一篇論文都轉成 agent,規模是數百萬個,而這些 agent 開始互相對話。一個真實例子:Google DeepMind 幾個月前發表的 AlphaGenome 被轉成一個「知道怎麼用這個工具」的 agent;另一組人發表的、連結 GWAS 上 ADHD 風險突變的遺傳資料集被轉成另一個「知道怎麼用這份資料」的 agent。這兩個 agent 自己聊了起來,判斷彼此可以合作,然後自動發現了一個此前未知、會提高 ADHD 風險的突變。

金句

"So instead of scaling individual models but scale the number of agents, you know, from tens of agents to hundreds to thousands and even millions of agents that collaborate and see what are the new kinds of capabilities that emerges."(約 00:22:03)

整場演講的主張濃縮在這一句:scaling 的對象換了。

"…why don't we turn all of those static artifacts of knowledge from papers into dynamic and interactive virtual authors that we call paper agents."(約 00:29:53)

論文不再是要被讀的東西,而是可以被指派工作的對象。