Stanford postavil virtuální firmu z 37 000 AI agentů. Navrhla lék, který potvrdil Merck

Stanford postavil virtuální firmu z 37 000 AI agentů. Navrhla lék, který potvrdil Merck

Na Stanfordově univerzitě běží farmaceutická firma, ve které nepracuje jediný člověk. Třicet sedm tisíc specializovaných AI agentů navrhlo protinádorovou protilátku — a farmaceutický gigant Merck nezávisle dospěl ke stejnému výsledku. Je to poprvé v historii, co armáda umělých inteligencí autonomně navrhla lék potvrzený reálným farmaceutickým výzkumem.

Představte si farmaceutickou firmu, která má třicet sedm tisíc zaměstnanců. Žádný z nich nechodí do kanceláře, nepotřebuje plat ani zdravotní pojištění. Všichni jsou to AI agenti — a právě navrhli protinádorový lék, který nezávisle potvrdil jeden z největších farmaceutických koncernů na světě. Stanfordský experiment s názvem Virtual Biotech ukazuje, kam se AI agenti posouvají v roce 2026: od jednotlivých asistentů k celým virtuálním organizacím.

Jak vypadá firma bez jediného zaměstnance

Profesor James Zou z biomedicínského oddělení Stanfordovy univerzity začínal skromně. Jeho první virtuální laboratoř tvořilo pět až osm AI agentů — jeden hrál roli vedoucího výzkumníku, ostatní zastupovali studenty se specializacemi na různé vědecké obory. Agenti spolu pravidelně zasedali na virtuálních poradách a diskutovali o výsledcích svého výzkumu.

Vytvořili jsme pro agenty repliku Stanfordu, agentskou školu, kde se mohou vzdělávat a zlepšovat svou odbornost v konkrétních oborech, popsal Zou na konferenci VB Transform 2026. Už v této fázi virtuální laboratoř navrhla nové nanobody proteiny proti variantám koronaviru, které v laboratorních testech fungovaly výrazně lépe než protilátky navržené lidskými vědci.

Úspěch vedl k radikálnímu rozšíření. Z malého týmu vznikla virtuální biotechnologická firma — 37 000 specializovaných AI agentů organizovaných do firemních divizí, které kopírují strukturu reálné farmaceutické společnosti. V čele stojí agent v roli vědeckého ředitele, pod ním pracují divize pro identifikaci cílů léčiv, návrh molekul, bezpečnostní hodnocení a klinické studie.

Každá divize má další vnitřní specializaci. Pod divizí pro identifikaci cílů máme jednoho agenta, který se specializuje na genetická data, dalšího na genomická data a data z jednobuněčné analýzy, a tak dále, vysvětlil Zou. Výsledkem je organizace, která funguje jako skutečná korporace — jen bez jediné lidské bytosti v jejím jádru.

https://noviny.ai/api/admin/images/c698ca38-48a4-4be7-9893-579327679f81/data

Proč tisíce debatujících agentů porazí jednoho génia

Nabízí se zásadní otázka: proč nepostavit jednoho supervýkonného agenta místo tisíců menších? Zouův tým provedl přímé srovnání multiagentního týmu s jedním agentem na stejné vědecké výzvě — a odpověď je překvapivě jednoznačná.

Když dostane jeden agent za úkol vyřešit složitý vědecký problém, postupuje lineárně a snadno se dostane do slepé uličky. Tisíce agentů pracujících společně ale vytvářejí dynamiku, která připomíná živou vědeckou komunitu. Agenti spolu nesouhlasí, vedou debaty, musí přesvědčit ostatní o správnosti svých závěrů — a právě tato třecí plocha produkuje kvalitnější výsledky.

V těchto vědeckých virtuálních laboratořích agenti skutečně vstupují do debat a nesouhlasí. Musí přesvědčit ostatní AI vědce o svých nápadech, a to vše vybuzuje mnohem kreativnější a robustnější uvažování ve srovnání s jedním modelem, který se pokouší vyřešit problém od nuly sám. — James Zou, profesor biomedicínské datové vědy, Stanfordova univerzita

Výsledky mluví jasně. Když tým nasadil 37 000 agentů specializovaných na analýzu klinických studií, agenti identifikovali jednobuněčné znaky, které předpovídají úspěch léčiva. Léky vybrané na základě těchto znaků měly přibližně o 50 procent vyšší šanci dostat se na trh než srovnatelné přípravky bez nich. To je obrovský rozdíl v odvětví, kde devět z deseti kandidátních léků skončí v koši.

Klíčovým poznatkem přitom není vyladění jednotlivých modelů, ale optimalizace prostředí, ve kterém agenti spolupracují. Na úrovni multiagentního systému už neladíme a neměníme jednotlivé modely, ale optimalizujeme prostředí. Samotné prostředí je objekt, který optimalizujeme pro zlepšení agentů, vysvětlil Zou. Místo řízení agentů jako juniorních zaměstnanců jim tým vytváří podmínky — infrastrukturu, pravidla a motivace — a nechává je spolupracovat na otevřených problémech.

Lék proti rakovině plic, který vznikl bez lidského zásahu

Nejpůsobivější důkaz schopností virtuální biotechnologické firmy přišel z oblasti onkologie. Systém autonomně navrhl konjugát protilátky s cytotoxickým léčivem zaměřený na protein CD276 u rakoviny plic. Celý návrh vznikl výhradně na základě dat publikovaných před lednem 2025 — bez jakéhokoli lidského vedení, nápovědy či kontroly.

O několik měsíců později farmaceutický gigant Merck nezávisle vyvinul a validoval stejný terapeutický design. Merckův přípravek následně získal od amerického Úřadu pro kontrolu potravin a léčiv (FDA) status průlomové terapie — označení vyhrazené pro léky, které nabízejí podstatné zlepšení oproti existující léčbě závažných onemocnění.

https://noviny.ai/api/admin/images/4fef90f4-2a83-43ef-9dfc-9fa0c9645f46/data

Jedná se o externí validaci třetí stranou terapeutického návrhu, který poskytli agenti virtuální biotechnologické firmy, konstatoval Zou. Jinými slovy: AI agenti dospěli ke stejnému závěru jako jeden z největších farmaceutických koncernů na světě — jen s tím rozdílem, že to udělali rychleji a za zlomek nákladů. Zatímco Merck investoval do výzkumu stovky milionů dolarů a zapojil stovky vědců, stanfordský systém pracoval s akademickými zdroji a veřejně dostupnými daty.

Proč nestačí obalit databázi do API

Škálování na desítky tisíc agentů přináší zásadní technický problém — orchestraci. Zouův tým zjistil, že pouhé zabalení existujících databází do standardních rozhraní nestačí. Stávající systémy jsou navržené pro lidi, ne pro umělou inteligenci.

I když obalíte existující databáze do MCP rozhraní, nevyřešíte tím základní problém: rozhraní a API nejsou vhodná pro agenty, upozornil Zou. Pokud agentovi předložíte PDF vědeckého článku, má problém s interpretací grafů a tabulek a začne halucinovat — vymýšlet si data, která v dokumentu nejsou.

Řešením je open-source platforma Paperclip, kterou Zouův tým vyvinul a zveřejnil na GitHubu. Využívá schopnost jazykových modelů psát kód a navigovat souborovými systémy. Místo dotazování se na specifická databázová rozhraní Paperclip digitalizuje nestrukturovaná data a mapuje různorodé databáze do jednotného virtuálního souborového systému optimalizovaného pro AI. Výsledkem je řádové snížení nákladů i času oproti tradičním přístupům a výrazně vyšší přesnost agentů.

Co to znamená pro české podnikatele

https://noviny.ai/api/admin/images/bed9e857-4cc0-4eda-b8ac-2fdc3bc2a0a4/data

Stanfordský experiment není jen akademická kuriozita. Ukazuje zásadní posun v myšlení o umělé inteligenci — od jednoho univerzálního asistenta k celým týmům specializovaných agentů, kteří společně řeší komplexní problémy. A tento posun se týká daleko víc než jen farmaceutického průmyslu.

Doba, kdy se firmy ptaly, jaký AI model si vybrat, pomalu končí. Nová otázka zní: jak sestavit tým AI agentů, který vyřeší můj konkrétní problém? Stanfordský experiment naznačuje, že odpověď neleží v jednom superinteligentním modelu, ale v tisících spolupracujících specialistů — ať už jsou z masa a kostí, nebo z křemíku a kódu.