如果一家生物科技公司不需要招聘几千名科学家，而是可以在需要的时候，一次性调用几万个 AI 科学家，会发生什么？
2026 年，斯坦福大学 Harrison G. Zhang、James Zou 等研究人员做了一个很有意思的实验：他们搭建了一家名为 Virtual Biotech 的虚拟生物科技公司，一套按照现代 Biotech 研发组织方式设计的多智能体 AI 系统。
论文原文
https://www.biorxiv.org/content/10.6489 ... hatgpt.com
Virtual Biotech 的核心思路，是把一家生物科技公司的研发部门软件化。系统里有一个 AI 首席科学官（CSO），负责理解研究问题、制定整体策略并拆解任务；下面则有遗传学、功能基因组学、单细胞生物学、疾病生物学、化学信息学和临床研究等不同领域的 AI Scientist。它们各自调用专业数据库和分析工具，再把得到的证据汇总给 AI CSO，由系统进行综合判断。
真正让这个项目受到关注的，是他们进行的一次超大规模临床试验分析。研究团队希望系统性分析 55,984 项临床试验。如果完全依靠人工，这意味着研究人员需要查找 ClinicalTrials.gov、阅读 PubMed 论文、搜索公司新闻稿和监管信息，再把大量格式不统一的数据整理出来。
Virtual Biotech 采取了一种完全不同的方法：系统并行生成了 37,075 个 clinical-trialist AI agents，让这些 AI 分别负责不同的临床试验。它们会先寻找临床试验数据库中的结果，如果信息不足，再继续查找论文、新闻稿以及其他公开信息，最后把分散的资料整理成可以进行统计分析的结构化数据。
它展示了一种过去很难实现的科研模式：研究人员不再需要提前拥有一个庞大的团队，而是可以根据问题，在需要的时候动态生成一个庞大的 AI 研究团队。
通过这套系统，研究人员发现了一个值得注意的规律：如果药物靶向的是具有较强细胞类型特异性表达的基因，那么这类药物从 Phase I 进入 Phase II 的概率高约 40%，到达 Phase IV 或上市阶段的概率高约 48%，同时报告的不良事件率低约 32%。这意味着，大规模 AI agents 不只是帮助研究人员读更多论文，可能帮助科学家从数万项临床试验中寻找过去不容易被发现的统计规律。
Virtual Biotech 还尝试完成更接近真实药企研发决策的任务。例如，研究人员让它围绕肺癌靶点 B7-H3 制定 ADC 药物研发策略，也让它分析一个已经终止的溃疡性结肠炎 OSMRβ Phase II 项目为什么可能失败，并进一步提出基于生物标志物重新筛选患者的策略。
这些案例背后真正值得思考的，其实不是AI 能不能取代科学家，而是 AI 会不会改变科学研究的组织方式。
传统 Biotech 的研发能力，很大程度上受到组织规模的限制。想同时研究更多靶点、分析更多临床试验，就需要更多遗传学家、生物信息学家、临床专家和药物化学家，也意味着更高的人力成本和更复杂的组织管理。但 AI agent 的出现，使研究能力和员工数量第一次有可能被部分分离。一个几十人的团队，理论上可以在某些计算型研究任务上，同时调动成千上万个 AI agents。
当然，这距离AI 自己研发出一款新药还有很远。Virtual Biotech 目前主要展示的是计算分析、信息检索、证据整合、靶点评估以及研发策略生成。真正的新药研发仍然需要湿实验、动物实验、临床试验和监管审批，而 AI 得出的结论也必须经过人类科学家和真实实验验证。
但 Virtual Biotech 提出了一个非常有意思的未来模型：一家 AI-native Biotech 也许不再需要按照传统方式不断扩大研发团队，而可能由几十名真正优秀的人类科学家，管理一个可以随时扩张到几千甚至几万个 AI Scientist 的数字研究组织。
到了那个时候，衡量一家生物科技公司研发能力的方式可能也会发生变化。我们今天会问，一家公司有多少科学家、有多少研发人员；未来我们可能会问的是：这家公司拥有多少高质量数据，能够调用多少智能，又能够以多快的速度把 AI 得出的假设送进真实实验进行验证。
未来 AI 改变的，可能不仅仅是科学家如何做研究，也可能是一家科学公司应该如何被组织。