實戰

數千個 AI Agent 如何協作生物研究:任務調度與成本控制

OpenAI 運用數千個 AI Agent 處理複雜生物資料,真正的難題在於任務去重、預算分配、來源追蹤與人工審核。這套方法能否用於藥物研發,仍取決於候選驗證效率與完整的證據鏈。

字級

OpenAI 最近分享了一項實作:以數千個 AI Agent 分析複雜的生物資料。相較於 Agent 的數量,更值得關注的是系統如何分派任務、消除重複並控制預算。

原始文章:Scaling AI research for complex biological data

不是多開聊天視窗,而是並行探索搜尋空間

單次問答通常很短:輸入問題、呼叫模型,然後輸出答案。

生物資料研究並不遵循這種模式。它通常包含多輪工作:

  • 檢索論文、資料庫與實驗紀錄
  • 交叉分析基因、通路、分子結構或疾病表型
  • 整合不同來源的線索,形成候選假設
  • 依據目前結果,產生更明確的下一輪檢索問題

數千個 Agent 可以提高吞吐量,同時涵蓋更多文件、實體組合與分析路徑。

但並行數量不等於有效搜尋。若任務邊界不清,系統可能重複檢索同一批論文,也可能把相似假設包裝成多項「新發現」。更糟的是,錯誤關聯被反覆提及後,看起來就像更可信的訊號。

因此,多 Agent 系統需要一層調度機制,至少得處理以下問題:

  • 任務去重
  • 結果去重
  • 來源追蹤
  • 停止條件
  • 預算分配

聊天助手的焦點是當前回答;研究系統還必須掌握整個搜尋過程,以及最終留下了哪些成果。

規模擴大後,瓶頸轉向調度

當 Agent 從 1 個擴增至數千個,模型能力尚未成為瓶頸,系統管理問題就先浮現。

第一個問題是重複搜尋。多個 Agent 可能依據相同關鍵字、摘要或引用路徑執行工作。若共享記憶與快取不足,系統就會反覆支付推論成本。

第二個問題是錯誤放大。某個 Agent 把「相關」誤判為「因果」後,其他 Agent 可能沿著錯誤前提繼續延伸。共享上下文不會自動消除錯誤,反而可能放大假訊號。

第三個問題是任務相依性。有些任務必須先完成實體消歧,有些分析仰賴前一階段的結果,有些候選則要排除競爭性解釋後,才值得繼續投入。

系統不能只看佇列長度,還必須維護任務之間的關係:

檢索結果 → 實體消歧 → 候選假設 → 證據評分 → 實驗建議
    ↘                         ↘
     重複任務合併              低分任務停止

第四個問題是成本。若每個 Agent 都呼叫一次高成本模型,數千個 Agent 的費用與延遲便會迅速累積。調度器應依優先順序分配預算,而非平均分配。

以下程式碼僅示範去重、排序與預算控制:

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

它無法完成生物研究。實際系統還要記錄任務來源、版本、執行狀態與結果相依性。

生物資料領域的假陽性代價更高

程式碼寫錯,通常會出現編譯錯誤、測試失敗或線上異常;生物醫學假設寫錯,卻不一定能迅速獲得回饋。

候選靶點可能看似合理,相關引用也能找到,但關鍵實驗最後可能顯示它沒有治療價值。這個錯誤還會影響後續細胞實驗、動物模型與臨床開發路徑。

因此,AI Agent 的輸出不能直接視為科研結論。至少需要三層查核:

  • 來源追蹤:結論來自哪篇論文、哪個資料集或哪一批實驗
  • 證據複核:原始資料是否支持結論,以及是否存在相反證據
  • 人工審核:由研究人員判斷候選是否值得繼續投入資源

這也是生物研究比一般資訊檢索更嚴謹之處。一般檢索出錯,可能只影響一次搜尋;生物研究出錯,卻可能浪費數週甚至數月。

系統還必須區分「已知事實」與「新假設」。Agent 可以產生值得測試的想法,但不能把生成過程包裝成已經完成的發現。

別再用 Agent 數量評估產出

「跑了多少 Agent」並不是良好的科研評估指標。

評估時更應查看最終保留下來的候選線索:

指標要回答的問題
新穎性假設是否超越既有研究?
可重現性更換資料集、模型或檢索路徑後,結論是否維持穩定?
驗證成本從候選進入實驗確認,需要多少時間與資源?
下游收益即使假設成立,能否支持下一步實驗?

一套系統產生 10,000 個候選,不代表發現了 10,000 個研究方向。如果大量結果重複、無法追溯,或驗證成本極高,實際產出可能並不多。

評估時還應保留人工基線,否則只能知道系統執行了多少任務,卻不知道它是否比研究人員的小規模檢索更快速、更穩定。

以下幾項結果更值得優先查看:

  • 移除重複項目後,剩下多少候選
  • 多少候選通過人工證據複核
  • 每個有效候選的平均運算成本
  • 從候選生成到安排實驗省下多少時間

這些數字比 Agent 數量更接近真正的科研價值。

能否移植到藥物發現

多 Agent 搜尋適合藥物發現中的幾個前期環節。

靶點發現可以把文獻、組學資料與疾病表型拆成不同任務。文獻挖掘可分別追蹤藥物、靶點與實驗結果,再進行交叉核對。結構分析也能並行探索不同結合路徑、突變位點與既有分子系列。

但它無法取代湿實驗。模型可以縮短候選生成時間,卻不能取代細胞培養、動物實驗或臨床驗證。

移植前至少得解決以下問題:

  • 如何評估候選的新穎性,而非只判斷文字相似度
  • 如何保存資料集版本、檢索範圍與推論過程
  • 如何處理彼此矛盾的實驗結果
  • 如何限制 Agent 對高風險實驗建議的權限
  • 如何計算每條有效線索的綜合成本
  • 如何讓研究人員審查、否決與回滾任務

在知識密度高、驗證要求嚴格的場景裡,系統可擴充性的關鍵不是「能否並行」,而是「並行之後能否控制」。

編輯觀點

這項實作之所以重要,不是因為 Agent 數量聽起來很龐大,而是它將研究工作拆解成可並行、可追蹤且可停止的任務。模型只負責局部推論;調度層則決定哪些任務值得繼續、哪些結果應合併,以及哪些錯誤必須阻擋。

在藥物發現中,一個看似合理的候選可能耗費數週進行實驗,因此吞吐量與有效產出必須分開計算。

多 Agent 系統可能會先在文獻檢索、靶點篩選與實驗方案草擬中擴大使用。真正能進入湿實驗階段的候選,不會隨 Agent 數量同比增長。調度器、證據圖譜與人工審核,可能比單一模型升級更關鍵。

這與過去的聊天助手不同。聊天助手通常針對一次請求提供答案,程式碼 Agent 則能靠測試迅速揭露錯誤。生物醫學 Agent 的驗證週期長、錯誤回饋慢,錯誤成本也高。過去討論模型參數與 benchmark,這次則需要觀察任務命中率、人工複核結果與實驗週期。

這套實作在藥物發現中的真實效率,目前仍不明確。原始文章未公開完整的任務拆解、去重規則、命中率或湿實驗驗證資料。在這些指標出現前,不能直接把「執行了數千個 Agent」等同於研發效率提升。

來源

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

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