实战

AI Agent 生物研究深度解析:数千任务如何调度

OpenAI 用数千个 AI Agent 分析复杂生物数据。本文拆解任务去重、预算控制、证据追踪和人工审核,并讨论这些做法能否迁移到药物发现。

字号

OpenAI 最近介绍了一项实践:用数千个 AI Agent 分析复杂生物数据。我更关心它如何排任务、去重和控制预算,而不是 Agent 数量。

原始文章:Scaling AI research for complex biological data

不是多开聊天框,而是并行搜空间

单次问答通常很短:输入问题,调用模型,输出答案。

生物数据研究不是这个结构。它往往包含多轮工作:

  • 检索论文、数据库和实验记录
  • 交叉分析基因、通路、分子结构或疾病表型
  • 拼合不同来源中的线索,形成候选假设
  • 根据当前结果生成更具体的下一轮检索问题

数千个 Agent 可以扩大吞吐量,同时覆盖更多文档、实体组合和分析路径。

但并行数量不等于有效搜索。边界不清时,系统可能重复检索同一批论文,也可能把相似假设包装成多个“新发现”。更糟的是,错误关联被反复提及后,看起来会像更可信的信号。

因此,多 Agent 系统需要一层调度机制。它至少要处理:

  • 任务去重
  • 结果去重
  • 来源追踪
  • 停止条件
  • 预算分配

聊天助手关注当前回答。研究系统还要关注整个搜索过程,以及最后留下了什么。

规模扩大后,瓶颈转向调度

Agent 从 1 个扩大到数千个后,系统管理问题会先于模型能力暴露。

第一是重复搜索。多个 Agent 可能基于同一个关键词、摘要或引用路径工作。共享记忆和缓存不足时,系统会反复支付推理成本。

第二是错误放大。一个 Agent 把“相关”误读成“因果”,其他 Agent 可能沿着错误前提继续扩展。共享上下文不会自动消除错误,反而可能放大假信号。

第三是任务依赖。有的任务要先完成实体消歧。有的分析依赖前一阶段结果。有的候选要排除竞争解释后,才值得继续。

系统不能只看队列长度。它还要维护任务关系:

检索结果 → 实体消歧 → 候选假设 → 证据评分 → 实验建议
    ↘                         ↘
     重复任务合并              低分任务停止

第四是成本。假设每个 Agent 都调用一次高成本模型,几千个 Agent 的费用和延迟会快速累积。调度器要按优先级分配预算,而不是平均分配。

下面的代码只演示去重、排序和预算控制:

from dataclasses import dataclass
from typing import Iterable

@dataclass
class Task:
    query: str
    priority: float
    signature: str

def schedule(
    tasks: Iterable[Task],
    remaining_budget: int,
) -> list[Task]:
    seen = set()
    ranked = sorted(tasks, key=lambda task: task.priority, reverse=True)
    selected = []

    for task in ranked:
        if task.signature in seen:
            continue
        if len(selected) >= remaining_budget:
            break
        seen.add(task.signature)
        selected.append(task)

    return selected

它不能完成生物研究。真实系统还要记录任务来源、版本、运行状态和结果依赖。

生物数据里的假阳性更贵

代码写错,通常会得到编译错误、测试失败或线上异常。生物医学假设写错,不一定有这么快的反馈。

一个候选靶点可能看起来合理,引用也能找到,但关键实验可能显示它没有治疗价值。这个错误还会影响后续细胞实验、动物模型和临床路径。

所以,AI Agent 的输出不能直接当作科研结论。至少需要三层检查:

  • 来源追踪:结论来自哪篇论文、哪个数据集、哪个实验批次
  • 证据复核:原始数据是否支持结论,有没有相反证据
  • 人工审核:研究人员判断候选是否值得继续投入

这也是生物研究比普通信息检索更严格的地方。普通检索出错,可能影响一次搜索。生物研究出错,可能浪费数周甚至数月。

系统还要区分“已知事实”和“新假设”。Agent 可以生成值得测试的想法,但不能把生成过程包装成已经完成的发现。

别再用 Agent 数量评估产出

“跑了多少 Agent”不是好的科研评估指标。

更应该看最终留下的候选线索:

指标 要回答的问题
新颖性 假设是否超出已有研究?
可复现性 更换数据集、模型或检索路径后,结论是否稳定?
验证成本 从候选到实验确认,需要多少时间和资源?
下游收益 即使成立,能否支持下一步实验?

一个系统跑出 10,000 个候选,不代表发现了 10,000 个方向。大量结果如果重复、不可追溯或验证成本极高,真实产出可能并不高。

评估时还要保留人工基线。否则只能知道系统跑了多少任务,不知道它是否比研究人员的小规模检索更快、更稳定。

我会优先看这些结果:

  • 去掉重复项后,剩余多少候选
  • 多少候选通过人工证据复核
  • 每个有效候选的平均计算成本
  • 从候选生成到实验排期缩短了多少时间

这些数字比 Agent 数量更接近科研价值。

能否迁移到药物发现

多 Agent 搜索适合药物发现的几个早期环节。

靶点发现可以把文献、组学数据和疾病表型拆成不同任务。文献挖掘可以分别追踪药物、靶点和实验结果,再做交叉核对。结构分析也能并行探索不同结合路径、突变位点和已有分子系列。

但它不能替代湿实验。模型可以缩短候选生成时间,不能替代细胞培养、动物实验或临床验证。

迁移前至少要解决这些问题:

  • 如何评估候选的新颖性,而不是只判断文本相似度
  • 如何保存数据集版本、检索范围和推理过程
  • 如何处理相互矛盾的实验结果
  • 如何限制 Agent 对高风险实验建议的权限
  • 如何计算每个有效线索的综合成本
  • 如何让研究人员审查、否决和回滚任务

在知识密度高、验证要求强的场景里,系统可扩展性不是“能不能并发”,而是“并发之后能不能控制”。

编辑思考

这件事重要,不是因为 Agent 数量听起来大,而是它把研究工作拆成了可并行、可追踪、可停止的任务。模型只负责局部推理。调度层决定哪些任务值得继续、哪些结果应合并、哪些错误需要阻断。药物发现里,一个看似合理的候选可能消耗数周实验,因此吞吐量和有效产出必须分开计算。

我的判断是,多 Agent 系统会先在文献检索、靶点筛选和实验方案草拟中扩大使用。真正能进入湿实验阶段的候选不会随 Agent 数量同比增长。调度器、证据图谱和人工审核可能比单个模型升级更关键。

这和过去的聊天助手不同。聊天助手通常围绕一次请求给答案,代码 Agent 能靠测试快速暴露错误。生物医学 Agent 的验证周期长,错误反馈慢,错误成本高。过去讨论模型参数和 benchmark,这次需要看任务命中率、人工复核结果和实验周期。

目前仍不确定这套实践在药物发现中的真实效率。原始文章没有公开完整任务拆解、去重规则、命中率或湿实验验证数据。在这些指标出现前,不能把“运行了数千个 Agent”直接等同于研发效率提升。

来源

https://openai.com/index/scaling-ai-research-for-complex-biological-data/

来源: https://openai.com/index/scaling-ai-research-for-complex-biological-data/