Một “biotech ảo” có 37.000 “nhân viên” nhưng không trả lương cho ai: Tất cả đều là AI scientist

Một công ty biotech có 37.000 “nhân viên”, không văn phòng, không bảng lương và gần như có thể nhân số lượng nhân sự theo nhu cầu nghe giống một phép ẩn dụ về tương lai của lao động. Nhưng trong trường hợp này, “nhân viên” thực sự là các AI agent.

Nhóm của Harrison Zhang và James Zou tại Stanford gọi hệ thống của họ là Virtual Biotech: một tổ chức nghiên cứu thuốc bằng phần mềm, được thiết kế theo sơ đồ của một công ty dược thật. Một agent đóng vai Chief Scientific Officer (CSO), nhận câu hỏi nghiên cứu, chia việc cho các nhóm chuyên môn rồi tổng hợp bằng chứng từ di truyền học, genomics đơn bào, tương tác phân tử, hóa tin học, dữ liệu bệnh học và thử nghiệm lâm sàng.

Tuy nhiên, cách nói “37.000 AI scientist” cần được hiểu đúng. Đây không phải 37.000 nhà khoa học số có hồ sơ nghề nghiệp và chuyên môn khác nhau cùng làm việc thường trực. Trong một tác vụ quy mô lớn, hệ thống đã tạo và chạy 37.075 clinical-trialist agent song song, về cơ bản mỗi agent phụ trách một thử nghiệm lâm sàng giai đoạn II hoặc III. Con số “37.000 nhân viên” vì thế phản ánh khả năng chia một khối lượng công việc rất lớn thành hàng chục nghìn phiên agent độc lập hơn là quy mô nhân sự theo nghĩa truyền thống.

Một “công ty” được tổ chức bằng agent thay vì phòng ban

Virtual Biotech xuất phát từ công trình trước đó của nhóm Zou về “virtual lab”, nơi nhiều AI agent đảm nhận các vai trò khoa học khác nhau và thảo luận với nhau như một nhóm nghiên cứu. Phiên bản mới đẩy ý tưởng đó xa hơn: thay vì mô phỏng một lab, hệ thống mô phỏng cả chuỗi nghiên cứu và phát triển thuốc.

Ở tầng trên cùng là CSO agent. Nó nhận một câu hỏi — chẳng hạn một protein có đáng trở thành đích điều trị hay không — rồi phân rã thành các phần việc nhỏ hơn. Các agent chuyên môn có thể tìm bằng chứng di truyền liên quan đến bệnh, kiểm tra gene được biểu hiện ở loại tế bào nào, xem các pathway và tương tác protein, đối chiếu dữ liệu thuốc hiện có hoặc đọc kết quả thử nghiệm lâm sàng. Sau đó, kết quả được đưa trở lại tầng điều phối để hình thành một lập luận tổng hợp.

Theo bài viết của Nature, nhóm đã sử dụng các phiên bản của Claude do Anthropic phát triển làm mô hình nền cho các agent trong nghiên cứu này. James Zou cho biết kiến trúc không nhất thiết phụ thuộc vào một model cụ thể và về nguyên tắc có thể dùng các LLM đủ năng lực khác, kể cả model mã nguồn mở.

37.075 agent làm gì trong sáu giờ?

Một trong những phần tốn công nhất của nghiên cứu dược không phải lúc nào cũng là nghĩ ra phân tử mới. Đôi khi đó là việc đọc, chuẩn hóa và liên kết lượng dữ liệu khổng lồ đã tồn tại nhưng nằm rải rác trong nhiều nguồn.

Virtual Biotech được giao phân tích dữ liệu từ 55.984 thử nghiệm lâm sàng. Với 37.075 thử nghiệm phase II và III, nhóm triển khai một agent cho mỗi trial. Agent trước tiên lấy dữ liệu từ ClinicalTrials.gov; nếu thiếu thông tin, nó tìm bài báo trên PubMed, rồi mới mở rộng sang thông cáo báo chí hoặc thông báo của cơ quan quản lý. Mục tiêu là biến kết quả của mỗi thử nghiệm thành cấu trúc dữ liệu thống nhất để các phân tích phía sau có thể sử dụng.

Trong bản preprint của nghiên cứu, nhóm báo cáo 37.075 trial được xử lý song song trong khoảng sáu giờ. Nếu chạy tuần tự bằng một agent, họ ước tính cùng khối lượng đó cần khoảng 1.839 giờ, tương đương hơn 76 ngày. Đây là nơi kiến trúc đa agent thể hiện lợi thế dễ thấy nhất: không phải vì mỗi agent “thông minh” hơn một nhà khoa học, mà vì hàng chục nghìn nhiệm vụ có ranh giới rõ ràng có thể được thực hiện đồng thời.

AI tìm thấy một tín hiệu liên quan đến khả năng thuốc thành công

Sau khi chuẩn hóa dữ liệu trial, hệ thống tìm các đặc điểm sinh học có liên hệ với khả năng một thuốc đi tiếp trong quá trình phát triển. Một tín hiệu nổi bật nằm ở mức độ đặc hiệu theo loại tế bào của gene đích và tính “bimodal” của biểu hiện gene — có thể hình dung như gene hoạt động theo kiểu gần với công tắc bật/tắt hơn là một núm vặn thay đổi liên tục.

Trong tập dữ liệu của nhóm, thuốc nhắm vào các gene có tính đặc hiệu tế bào cao và biểu hiện kiểu “công tắc” có kết quả tốt hơn. Nhóm báo cáo rằng các thuốc thuộc nhóm này có tỷ lệ chuyển từ phase I sang phase II cao hơn khoảng 40%, khả năng đi tới thị trường cao hơn 48% và tỷ lệ adverse event thấp hơn 32%.

Những con số đó nên được đọc như mối liên hệ quan sát được trong dữ liệu lịch sử, không phải bằng chứng rằng chỉ cần chọn gene “bật/tắt” thì một thuốc sẽ tự động thành công hơn. Dữ liệu thử nghiệm lâm sàng chịu ảnh hưởng của nhiều biến khác nhau, từ loại bệnh, cơ chế thuốc, lựa chọn bệnh nhân đến thiết kế trial. Giá trị của kết quả nằm ở chỗ nó gợi ý một tín hiệu có thể được kiểm tra tiền cứu trong những chương trình phát triển thuốc tiếp theo.

Từ dữ liệu tới một chiến lược thuốc ung thư phổi

Ở một bài kiểm tra khác, nhóm yêu cầu hệ thống đánh giá B7-H3, hay CD276, như một mục tiêu điều trị ung thư phổi. Đây không phải một protein hoàn toàn xa lạ với giới nghiên cứu ung thư; điều cần kiểm tra là liệu nhiều lớp dữ liệu có cùng chỉ về một chiến lược điều trị cụ thể hay không.

Các agent kết hợp dữ liệu di truyền, single-cell, spatial transcriptomics và clinicogenomics, rồi đề xuất một antibody–drug conjugate (ADC): kháng thể nhận diện B7-H3 mang theo một payload gây độc để đưa thuốc tới các tế bào có mức B7-H3 cao.

Điều khiến trường hợp này đáng chú ý là nhóm chỉ cho hệ thống dùng thông tin có trước tháng 1/2025. Sau đó, một công ty dược lớn độc lập phát triển chiến lược ADC nhắm B7-H3 theo cùng hướng; chương trình này về sau nhận designation “breakthrough therapy” từ FDA sau khi có dữ liệu ở người. Stanford coi đây là một kiểm chứng độc lập phù hợp với lập luận của Virtual Biotech.

Nhưng đây chưa phải bằng chứng rằng AI đã “phát minh ra một thuốc rồi chứng minh nó hiệu quả”. Nhóm Stanford không tự chế tạo và thử nghiệm ứng viên B7-H3 do hệ thống đề xuất trong wet lab. Sự hội tụ với một chương trình dược khác cho thấy agent có thể tìm ra hướng đi hợp lý từ dữ liệu hiện có, chứ chưa chứng minh toàn bộ pipeline có thể tự động thay thế quá trình khám phá và phát triển thuốc ngoài đời.

37.000 AI scientist không đồng nghĩa 37.000 nhà khoa học bị thay thế

Phần dễ bị phóng đại nhất của câu chuyện là số lượng agent. Nếu chỉ nhìn vào con số 37.000, Virtual Biotech có vẻ như một công ty dược khổng lồ vận hành không cần con người. Thực tế, phần lớn “nhân sự” đó là các phiên agent được nhân bản để xử lý những đơn vị công việc tương đối chuẩn hóa.

Những phần khó nhất của phát triển thuốc vẫn nằm ngoài khả năng của hệ thống thuần phần mềm: thiết kế thí nghiệm vật lý, tạo phân tử, đo dược động học và độc tính, làm nghiên cứu trên động vật, sản xuất theo chuẩn, tuyển bệnh nhân, vận hành trial và xử lý yêu cầu của cơ quan quản lý. Ngay cả ở phần tính toán, hallucination, dữ liệu thiếu, nguồn xung đột và sai lệch trong literature đều có thể lan truyền nếu hệ thống không có cơ chế kiểm tra.

Điểm mới thực sự vì thế không nằm ở ý tưởng “AI thay 37.000 người”, mà ở cách một tổ chức nghiên cứu có thể co giãn lực lượng agent theo từng nhiệm vụ. Với những công việc có thể chia nhỏ rõ ràng — đọc trial, trích xuất dữ liệu, đối chiếu nguồn, chạy phân tích lặp lại — việc triển khai hàng nghìn agent song song có thể thay đổi đáng kể thời gian và chi phí của giai đoạn nghiên cứu tính toán.

Bước tiếp theo là wet lab, không phải thêm một vòng demo

Bài nghiên cứu về Virtual Biotech được công bố trên Science ngày 17/9/2026. Stanford cho biết bước tiếp theo là đưa những mục tiêu mới do hệ thống phát hiện vào phòng thí nghiệm thật và kiểm tra xem bao nhiêu giả thuyết còn đứng vững khi đối mặt với dữ liệu thực nghiệm.

Đó cũng là phép thử quan trọng nhất cho mô hình “biotech không nhân viên” này. Khả năng đọc và tổng hợp hàng chục nghìn tài liệu trong vài giờ rất hữu ích, nhưng khám phá thuốc chỉ có giá trị khi giả thuyết sống sót qua các tầng kiểm chứng ngày càng tốn kém và khắt khe hơn. Nếu Virtual Biotech tiếp tục đưa ra những ứng viên có tỷ lệ xác nhận thực nghiệm cao, câu chuyện sẽ không còn chỉ là một màn trình diễn quy mô agent. Khi đó, nó sẽ trở thành một cách tổ chức công việc R&D mới, trong đó phần tính toán có thể mở rộng gần như tức thì còn wet lab và con người tập trung vào những quyết định mà dữ liệu số chưa thể thay thế.

Nguồn chính: nghiên cứu “The Virtual Biotech: A Multi-Agent AI Framework for Therapeutic Discovery and Development” của Harrison G. Zhang và cộng sự; Stanford Medicine; Nature.