37 000 AI-агентов собрали в виртуальную биотех-компанию. И она уже ищет лекарства 🥸
В Стэнфорде решили провести эксперимент и создали систему, которая больше похожа на оргструктуру биотеха, чем на обычного AI-ассистента.
Она называет Virtual Biotech (читаем тут). Наверху — агент в роли Chief Scientific Officer. Ниже — специализированные отделы: поиск "мишеней", оценка безопасности, выбор терапевтической стратегии, анализ клинических испытаний. В пике система запускала больше 37 тысяч агентов параллельно 😱
Первую большую задачу ей дали: разобрать результаты 55 984 клинических испытаний.
Для этого Virtual Biotech разослала 37 075 отдельных агентов, каждый из которых занимался своим испытанием: сначала искал данные в ClinicalTrials.gov, потом при необходимости шёл в PubMed, пресс-релизы и регуляторные сообщения.
Звучит как "ИИ нашёл лекарство от рака", но тут важно не уходить в фантазию. Авторы не проверяли эту стратегию в клетках, на животных или в клиническом исследовании. Nature отдельно подчёркивает: система пока не прошла реальную проверку.
Посмотрите как меняется сама форма научной работы. Раньше агент обычно делал одну задачу (или несколько): нашёл статьи, написал код, проанализировал таблицу.
🔝 Здесь уже появляется организация из агентов: один ставит задачу, другие параллельно копают разные источники и специализации, потом результаты снова собираются наверху. То есть AI начинают масштабировать не только по размеру модели, но и по структуре команды.
И если такая система действительно выдержит проверку на реальных исследованиях, узким местом может стать уже не скорость поиска и анализа данных, а совсем другое: какие гипотезы стоит проверять в лаборатории и на что вообще тратить дорогие человеческие эксперименты.
Вот это уже заметно ближе к "AI-учёному"....
#AI_и_наука
💬 Присоединиться к обсуждению в чате
Телеграм канал
Андрей Анисимов
@ideasforai
#AI_и_наука
В Стэнфорде решили провести эксперимент и создали систему, которая больше похожа на оргструктуру биотеха, чем на обычного AI-ассистента.
Она называет Virtual Biotech (читаем тут). Наверху — агент в роли Chief Scientific Officer. Ниже — специализированные отделы: поиск "мишеней", оценка безопасности, выбор терапевтической стратегии, анализ клинических испытаний. В пике система запускала больше 37 тысяч агентов параллельно 😱
Первую большую задачу ей дали: разобрать результаты 55 984 клинических испытаний.
Для этого Virtual Biotech разослала 37 075 отдельных агентов, каждый из которых занимался своим испытанием: сначала искал данные в ClinicalTrials.gov, потом при необходимости шёл в PubMed, пресс-релизы и регуляторные сообщения.
🔷После этого система связала результаты испытаний с генетическими и клеточными данными. Кому интересно - читаем ниже, все расписал:
Получился любопытный сигнал: препараты, которые бьют по мишеням, активным в конкретных типах клеток, на 40% чаще переходили из Phase I в Phase II и на 48% чаще доходили до рынка, при этом у них было на 32% меньше нежелательных явлений.
Дальше Virtual Biotech дали уже конкретный вопрос: стоит ли рассматривать белок B7-H3 / CD276 как мишень при раке лёгкого.
Система собрала генетические, single-cell, spatial и клинические данные и предложила стратегию с antibody-drug conjugate — антителом, которое распознаёт B7-H3 и несёт противоопухолевый препарат.
Звучит как "ИИ нашёл лекарство от рака", но тут важно не уходить в фантазию. Авторы не проверяли эту стратегию в клетках, на животных или в клиническом исследовании. Nature отдельно подчёркивает: система пока не прошла реальную проверку.
Посмотрите как меняется сама форма научной работы. Раньше агент обычно делал одну задачу (или несколько): нашёл статьи, написал код, проанализировал таблицу.
🔝 Здесь уже появляется организация из агентов: один ставит задачу, другие параллельно копают разные источники и специализации, потом результаты снова собираются наверху. То есть AI начинают масштабировать не только по размеру модели, но и по структуре команды.
И если такая система действительно выдержит проверку на реальных исследованиях, узким местом может стать уже не скорость поиска и анализа данных, а совсем другое: какие гипотезы стоит проверять в лаборатории и на что вообще тратить дорогие человеческие эксперименты.
Вот это уже заметно ближе к "AI-учёному"....
#AI_и_наука
💬 Присоединиться к обсуждению в чате
Телеграм канал
Андрей Анисимов
@ideasforai
#AI_и_наука