Startup tương lai có thể không tuyển 1.000 researcher: Một founder có thể “spawn” cả phòng R&D bằng AI agent?

Hình dung một startup khoa học ở giai đoạn đầu. Thay vì founder mất vài năm tuyển một nhóm gồm computational biologist, data scientist, researcher chuyên literature review và analyst, họ mở một dashboard, đặt mục tiêu nghiên cứu rồi cho hàng chục hoặc hàng trăm AI agent chạy các nhánh điều tra song song.

Kịch bản đó chưa đồng nghĩa với việc một người có thể thay thế 1.000 nhà khoa học. Nhưng những hệ thống mới như Kosmos của Edison Scientific, Robin của FutureHouse hay The AI Scientist của Sakana AI đang khiến phần đầu của giả thuyết này bớt viễn tưởng: một số công việc R&D vốn bị giới hạn bởi số giờ lao động trí óc đang bắt đầu được biến thành workload có thể nhân bản bằng compute.

Điểm quan trọng nằm ở chữ “một số”. Agent có thể đọc paper, viết code, phân tích dữ liệu, tạo hypothesis và chạy nhiều hướng nghiên cứu cùng lúc. Nó chưa tự nuôi tế bào, vận hành dây chuyền bán dẫn, thương lượng quyền dữ liệu, quyết định một kết quả có đáng đặt cược hàng triệu USD hay chịu trách nhiệm khi kết luận sai.

Vì vậy, câu hỏi thú vị hơn “AI có thay researcher không?” là: nếu một startup có thể scale phần R&D kỹ thuật số gần giống cách cloud đã scale compute, cấu trúc của một công ty nghiên cứu sẽ thay đổi như thế nào?

“Spawn researcher” thực ra là spawn nhiều trajectory

Edison Scientific cung cấp một ví dụ khá cụ thể. Công ty này là spin-out thương mại của FutureHouse, tổ chức phi lợi nhuận được Sam Rodriques và Andrew White thành lập năm 2023 để phát triển AI cho scientific discovery. Edison ra mắt cuối năm 2025 nhằm đưa các hệ thống đó vào R&D thương mại.

Sản phẩm trung tâm của Edison là Kosmos, một AI scientist nhận một research objective cùng dataset rồi tự thực hiện nhiều vòng literature search, data analysis và hypothesis generation trước khi tổng hợp kết quả thành báo cáo.

Trong technical report của Kosmos, một run có thể kéo dài tới khoảng 12 giờ, điều phối tới 200 agent rollouts, đọc trung bình khoảng 1.500 paper và thực thi khoảng 42.000 dòng code phân tích. Một structured world model được dùng để chia sẻ kết quả giữa các trajectory, giúp hệ thống không phải bắt đầu lại từ đầu ở mỗi nhánh.

Đây là chi tiết quan trọng khi nói về “spawn”. 200 rollouts không phải 200 scientist có ký ức, kỹ năng và trách nhiệm như 200 nhân viên. Chúng giống 200 hướng điều tra có thể được chạy song song, sau đó được một lớp orchestration gom lại.

Nhưng về economics của R&D, sự khác biệt đó vẫn đáng chú ý. Một công ty không cần tuyển thêm 200 người chỉ để thử 200 hướng phân tích dữ liệu. Nó có thể trả thêm cho compute và inference, rồi để hệ thống khám phá nhiều nhánh hơn trước khi con người chọn thứ đáng theo đuổi.

Từ literature review đến một vòng discovery có thí nghiệm thật

Khả năng này không chỉ tồn tại trong demo dashboard. Một paper của FutureHouse được Nature công bố tháng 5/2026 mô tả Robin, hệ multi-agent kết hợp literature search, hypothesis generation và data analysis trong một workflow biological discovery.

Trong dự án đó, Robin đề xuất tăng khả năng phagocytosis của retinal pigment epithelium như một hướng can thiệp cho dry age-related macular degeneration, lựa chọn các candidate để thử nghiệm, rồi phân tích dữ liệu thu được và đề xuất thí nghiệm RNA-seq tiếp theo. Nhóm nghiên cứu xác nhận in vitro hoạt tính của ripasudil và KL001 trong hệ tế bào được sử dụng.

Điểm cần giữ đúng tỷ lệ là Robin không tự chạy wet lab. Con người thực hiện cell culture, assay và chuẩn bị RNA-seq; hệ AI phụ trách nhiều bước trí tuệ quanh vòng lặp đó. Chính paper gọi đây là một lab-in-the-loop system.

Điều này gợi ý cấu trúc R&D khác với hình dung “robot scientist thay toàn bộ lab”. Một nhóm người tương đối nhỏ có thể trở thành lớp thực thi và kiểm chứng vật lý cho một lượng lớn hypothesis được tạo, sàng lọc và phân tích ở tầng phần mềm.

Một run bằng sáu tháng research? Cần đọc kỹ con số đó

Edison đưa ra một claim gây chú ý hơn nữa: collaborator của họ ước tính một Kosmos run 20 cycle có lượng công việc tương đương trung bình 6,14 tháng của một PhD hoặc postdoc. Công ty cũng báo cáo 79,4% các statement trong báo cáo Kosmos được các scientist đánh giá là chính xác.

Những con số này hữu ích nhưng không nên biến thành “AI scientist nhanh gấp 180 lần con người”. Ước tính sáu tháng chủ yếu đến từ survey bảy scientist được hỏi họ sẽ mất bao lâu để đi đến cùng kết luận. Edison thừa nhận human estimate kiểu này có độ chủ quan cao.

Technical report cũng cho thấy accuracy khác nhau đáng kể theo loại kết luận. Các claim dựa trên data analysis và literature review đạt tỷ lệ xác nhận cao hơn, trong khi các statement cần synthesis giữa nhiều nguồn khó hơn. Chính Edison cảnh báo Kosmos đôi khi đi vào “rabbit hole”, theo đuổi correlation có ý nghĩa thống kê nhưng ít giá trị khoa học.

Một preprint độc lập về Kosmos trong radiation biology cho thấy bức tranh hỗn hợp: trong ba hypothesis được kiểm tra, nhóm tác giả đánh giá một kết quả được hỗ trợ tốt, một còn bất định và một không đứng vững trước benchmark ngẫu nhiên đơn giản. Đây cũng chưa phải peer-reviewed paper, nhưng nó minh họa đúng vấn đề mà một startup phải giải quyết: agent có thể sản xuất hypothesis nhanh hơn rất nhiều so với khả năng con người xác minh chúng.

R&D có thể chuyển từ “headcount-constrained” sang “verification-constrained”

Trong mô hình công ty truyền thống, muốn thử nhiều hướng hơn thường phải tăng headcount. Mỗi researcher chỉ có một lượng thời gian hữu hạn để đọc literature, làm sạch dữ liệu, viết script và kiểm tra hypothesis.

Agent thay đổi hàm chi phí của những công việc có thể thực hiện hoàn toàn trên máy tính. Nếu chạy thêm 20 nhánh nghiên cứu chủ yếu cần thêm GPU, token và storage thay vì thêm 20 hợp đồng lao động, startup có thể tăng chiều rộng exploration nhanh hơn nhiều.

Nhưng bottleneck không biến mất. Nó di chuyển.

Trong biotech, giới hạn có thể trở thành số assay mà lab chạy được, thời gian nuôi tế bào, khả năng tạo animal model hoặc ngân sách clinical trial. Trong materials science, bottleneck có thể là synthesis và characterization. Với semiconductor, đó có thể là cleanroom access và wafer run. Ngay cả trong computational science, bottleneck có thể là dataset độc quyền, benchmark đáng tin và người đủ chuyên môn để nhận ra một kết quả “đúng toán học nhưng vô nghĩa về khoa học”.

Vì thế, một founder có thể spawn 1.000 analysis trajectories sớm hơn rất nhiều so với spawn 1.000 researcher tương đương.

Sakana AI cho thấy lĩnh vực hoàn toàn số hóa dễ tự động hóa hơn

Sự khác biệt giữa research trên máy tính và research gắn với thế giới vật lý thể hiện rõ ở The AI Scientist của Sakana AI, được Nature công bố tháng 3/2026.

Hệ thống có thể tạo research idea, viết code, chạy experiment, vẽ chart, phân tích kết quả, viết manuscript và tự review. Một paper do hệ thống tạo ra đã vượt qua vòng review đầu tiên của một workshop machine-learning; workshop đó có acceptance rate khoảng 70%.

Machine-learning research là môi trường đặc biệt thuận lợi cho automation vì phần lớn vòng lặp experiment diễn ra trong software. Agent có thể thay đổi code, chạy benchmark và đọc metric mà không chờ một pipette, microscope hay fab.

Điều này gợi ý một đường phân hóa. Startup làm software, algorithm, simulation hoặc computational biology có thể đạt mức R&D leverage từ agent sớm hơn. Startup phụ thuộc nhiều vào wet lab, manufacturing hay field testing vẫn cần một lớp hạ tầng vật lý mà agent không thể nhân bản chỉ bằng API call.

Business model mới có thể là “scientist + compute”, không phải “AI thay scientist”

Edison đang thử thương mại hóa mô hình đó. Khi thành lập cuối năm 2025, công ty tách khỏi FutureHouse vì nhu cầu từ pharma và biotech không còn phù hợp với cấu trúc tài trợ phi lợi nhuận. Edison cho biết họ đã nhận inbound interest từ lãnh đạo của sáu trong mười hãng pharma lớn nhất trước khi spin-out.

Đến năm 2026, công ty công bố hợp tác với Incyte để đưa Kosmos vào R&D biopharma và với Population Health Partners để dùng AI scientist trong quá trình hình thành các biotech mới. STAT đưa tin Edison được thành lập với khoảng 70 triệu USD venture funding.

Điểm đáng chú ý ở đây không phải số vốn. Nó là cách sản phẩm được bán: không chỉ như chatbot cho scientist, mà như một lớp R&D infrastructure có thể chạy investigation, khai thác dữ liệu nội bộ và phối hợp với team hiện có.

Nếu mô hình đó hoạt động, startup có thể tuyển theo cấu trúc khác. Thay vì dùng headcount để nhân số lượng người làm các phân tích tương tự, công ty có thể giữ một nhóm nhỏ hơn gồm domain expert, experimentalist và người ra quyết định — rồi dùng agent để mở rộng số hướng mà nhóm đó có thể kiểm tra.

Nhưng đây không đồng nghĩa số scientist chắc chắn giảm. Khi chi phí tạo hypothesis giảm, số hypothesis đáng test có thể tăng mạnh; doanh nghiệp có thể cần nhiều hơn người ở những khâu verification, wet lab, regulatory và translation. Automation của một bottleneck thường làm những bottleneck bên cạnh trở nên rõ hơn.

Vấn đề lớn nhất của “1.000 agent” là ai kiểm tra 1.000 agent?

Scale bằng software nghe đơn giản cho tới khi mỗi agent có thể tạo một kết luận sai, một pipeline lỗi hoặc một giả thuyết nghe rất hợp lý nhưng dựa trên confounder.

Nếu một researcher có tỷ lệ lỗi nhất định, nhân bản họ thành 1.000 bản không tự động tạo ra chất lượng tốt hơn. Nó có thể chỉ tạo ra lỗi nhanh hơn. Agentic R&D vì thế cần thêm một lớp infrastructure mà phòng lab truyền thống ít khi mô tả theo ngôn ngữ phần mềm: provenance, reproducibility, experiment logging, audit trail, permission, data governance và human approval tại những decision point có hậu quả lớn.

FutureHouse cũng giữ con người trong loop ở những bước thực nghiệm. Nature lưu ý Robin sử dụng hypothesis do AI tạo như đầu vào cần preclinical validation thông thường. Với Kosmos, Edison nhấn mạnh khả năng trace từng conclusion ngược về code hoặc primary literature — một thiết kế quan trọng nếu output sẽ được dùng để quyết định một experiment tốn tiền.

Ở quy mô startup, “AI-native R&D” vì thế có thể trông ít giống một founder ra lệnh cho 1.000 nhân viên robot và nhiều hơn giống một research operating system: founder đặt objective; hệ thống spawn nhiều trajectory; specialist review những nhánh có tín hiệu; lab hoặc simulator kiểm chứng; kết quả quay lại hệ thống và quyết định vòng tiếp theo.

Founder vẫn phải biết cái gì đáng hỏi

Có một phần của R&D rất khó đo bằng số paper đọc hay dòng code chạy: chọn vấn đề.

Một agent có thể mở rộng search space, nhưng startup vẫn phải quyết định thị trường nào đáng theo đuổi, constraint nào là thật, dữ liệu nào đáng mua, result nào đủ mạnh để đổi roadmap và khi nào nên dừng một chương trình. Những quyết định đó trộn khoa học với strategy, economics, timing và risk tolerance.

Đó là lý do viễn cảnh khả thi gần hơn không phải “one-person lab” theo nghĩa đen. Nó là một nhóm rất nhỏ có research leverage lớn bất thường. Một founder từng cần 20 người để đọc, phân tích và thử 20 hypothesis có thể trong tương lai dùng agent để khảo sát 200 hypothesis trước khi giao vài cái tốt nhất cho con người và lab.

Chúng ta chưa có bằng chứng rằng một founder có thể tạo ra năng lực tương đương 1.000 researcher. Nhưng các hệ thống hiện tại đã cho thấy đơn vị mở rộng của R&D đang bắt đầu thay đổi: ở một số phần của workflow, tăng năng lực không còn bắt buộc đồng nghĩa với tăng headcount.

Nếu xu hướng này tiếp tục, lợi thế của startup khoa học có thể không nằm ở việc ai tuyển được phòng nghiên cứu lớn nhất. Nó có thể nằm ở việc ai xây được vòng lặp tốt nhất giữa con người, agent, dữ liệu và experiment thật — và biết chính xác chỗ nào không nên giao cho agent.

Nguồn chính: Ludovico Mitchener và cộng sự, “Kosmos: An AI Scientist for Autonomous Discovery”; Ali E. Ghareeb và cộng sự, “A multi-agent system for automating scientific discovery”, Nature (2026); Chris Lu và cộng sự, “Towards end-to-end automation of AI research”, Nature (2026); Edison Scientific; STAT.