Chuyến đi vào phòng thí nghiệm AI của Stanford. 37.000 agent đang thay đổi cách con người tạo thuốc

Sapo

Hãy tưởng tượng bạn bước vào một phòng thí nghiệm, nhưng thay vì vài chục nhà khoa học đang ngồi quanh bàn, trước mặt bạn là 37.000 AI agent. Mỗi agent có một chuyên môn riêng. Một nhóm tìm mục tiêu thuốc. Nhóm khác phân tích gene. Nhóm khác thiết kế phân tử. Nhóm khác kiểm tra an toàn.

Ở phía trên là một “giám đốc khoa học” AI điều phối toàn bộ hệ thống.

Đây không còn là câu chuyện về một chatbot trả lời câu hỏi khoa học.

Nó giống một công ty công nghệ sinh học được xây dựng bằng phần mềm.

Nghiên cứu tại Stanford cho thấy mô hình này đã đi xa hơn một thử nghiệm trong phòng lab. Một hệ thống Virtual Biotech đã sử dụng hàng chục nghìn agent để phân tích dữ liệu thử nghiệm lâm sàng, xác định những đặc điểm có khả năng dự đoán thành công của thuốc và tự thiết kế một kháng thể liên hợp thuốc hướng tới CD276 cho ung thư phổi.

Đáng chú ý hơn, thiết kế này sau đó được một công ty dược phẩm độc lập phát triển và xác nhận.

Nhưng câu chuyện lớn hơn không nằm ở con số 37.000.

Nó nằm ở một câu hỏi có thể thay đổi kiến trúc phần mềm trong thập kỷ tới:

Nếu một AI agent đã có thể làm việc độc lập, tại sao chúng ta vẫn đang xây hệ thống theo mô hình một người, một agent?

Tin tức chính vừa xảy ra

Một nhóm nghiên cứu tại Stanford đang phát triển mô hình Virtual Biotech, một môi trường nghiên cứu dược phẩm được vận hành bởi hàng chục nghìn AI agent chuyên biệt.

Dự án bắt đầu nhỏ hơn rất nhiều.

Ban đầu, nhóm nghiên cứu xây dựng một “Virtual Lab” gồm khoảng 5–8 agent. Hệ thống mô phỏng cách một phòng nghiên cứu sinh học thực sự vận hành.

Một agent đóng vai trò giáo sư hoặc principal investigator.

Các agent khác đảm nhiệm những chuyên môn khác nhau.

Chúng tổ chức các cuộc họp, trao đổi giả thuyết và phản biện lẫn nhau.

Điểm đáng chú ý là hệ thống không chỉ tạo ra văn bản khoa học. Nó đã được sử dụng để thiết kế các protein nanobody mới nhằm chống lại những biến thể COVID-19 gần đây.

Sau khi được kiểm nghiệm trong wet lab, các protein do AI thiết kế cho thấy khả năng liên kết với những virus mục tiêu tốt hơn các nanobody được thiết kế trước đó bởi con người trong thử nghiệm được mô tả.

Từ đây, nhóm nghiên cứu chuyển từ việc mô phỏng một phòng lab sang mô phỏng cả một doanh nghiệp công nghệ sinh học.

Virtual Biotech ra đời.

Và quy mô được đẩy lên hàng chục nghìn agent.

Điều gì mới?

Điểm mới không phải là “AI làm khoa học”.

AI đã hỗ trợ nghiên cứu khoa học từ lâu.

Điểm mới là cấu trúc tổ chức của AI.

Một hệ thống AI truyền thống thường giống một chuyên gia tổng quát.

Bạn đặt câu hỏi.

Model suy luận.

Model trả lời.

Virtual Biotech lại giống một tập đoàn.

Ở cấp cao nhất là một CSO agent, tương đương Chief Scientific Officer.

Bên dưới là các division.

Một division tập trung vào target discovery.

Một division phụ trách molecular design.

Một division nghiên cứu an toàn và thử nghiệm lâm sàng.

Bên trong từng division lại có các agent chuyên môn sâu hơn.

Agent nghiên cứu genetics.

Agent nghiên cứu genomics.

Agent phân tích single-cell data.

Agent chuyên về một nhóm phân tử.

Agent khác có thể đánh giá một khía cạnh riêng của thử nghiệm.

Đây là một cách suy nghĩ rất khác về AI.

Không xây một bộ não khổng lồ duy nhất. Xây một tổ chức gồm nhiều bộ não chuyên môn.

Tại sao nó quan trọng?

Bởi vì khoa học thực tế hiếm khi là một câu hỏi duy nhất.

Một nhà nghiên cứu không chỉ hỏi:

“Phân tử nào tốt nhất?”

Họ phải hỏi hàng chục câu hỏi liên quan.

Mục tiêu sinh học là gì?

Dữ liệu gene nói gì?

Protein nào liên quan?

Phân tử có khả năng hoạt động không?

Có độc tính không?

Có thể sản xuất không?

Có bằng chứng từ nghiên cứu trước đây không?

Có phù hợp với thử nghiệm lâm sàng không?

Một model duy nhất có thể cố gắng giải quyết toàn bộ bài toán.

Nhưng đó là một kiến trúc dễ bị quá tải.

Multi-agent system chia bài toán thành những vùng chuyên môn.

Điều quan trọng hơn là các agent có thể tranh luận.

Một agent đưa ra giả thuyết.

Agent khác phản bác.

Agent thứ ba tìm bằng chứng.

Agent thứ tư kiểm tra giả định.

Quá trình đó tạo ra một dạng “ma sát nhận thức”.

Trong nghiên cứu khoa học, ma sát này đôi khi rất quý giá.

Nếu mọi agent đều đồng ý ngay lập tức, hệ thống có thể nhanh nhưng dễ bỏ qua một giả định sai.

Nếu các agent phải bảo vệ quan điểm của mình bằng dữ liệu, hệ thống có cơ hội phát hiện những sai lầm mà một agent đơn lẻ có thể không nhìn thấy.

Sản phẩm hoạt động thế nào?

Hãy hình dung Virtual Biotech như một thành phố.

CSO agent là trung tâm điều hành.

Các division là những quận chuyên môn.

Các agent là những người lao động.

Dữ liệu khoa học là hệ thống đường sá và thư viện.

Nếu thành phố có hàng chục nghìn người nhưng không có giao thông, mọi thứ sẽ tắc nghẽn.

Với AI cũng vậy.

Orchestration trở thành nút thắt cổ chai.

Đây là một trong những insight quan trọng nhất từ nghiên cứu.

Khi chỉ có một agent, bạn có thể đưa context vào prompt.

Khi có hàng nghìn agent, cách tiếp cận đó không còn hiệu quả.

Mỗi agent cần biết:

• dữ liệu nào tồn tại;
• dữ liệu nằm ở đâu;
• dữ liệu nào đáng tin;
• agent khác đã làm gì;
• kết quả trước đó là gì;
• nhiệm vụ tiếp theo là gì.

Đây chính là nơi Paperclip xuất hiện.

Thay vì bắt agent phải hiểu hàng loạt API database khác nhau, hệ thống biến dữ liệu không cấu trúc và nhiều nguồn dữ liệu khác nhau thành một AI-native virtual file system.

Ý tưởng nghe đơn giản nhưng có ý nghĩa kiến trúc rất lớn.

LLM vốn đã rất giỏi làm việc với file và viết code.

Thay vì bắt model học hàng trăm giao diện database khác nhau, hãy tạo một lớp dữ liệu thống nhất mà agent có thể khám phá theo cách gần với filesystem.

Theo dữ liệu được trình bày, cách tiếp cận này giúp tăng độ chính xác và giảm thời gian xử lý xuống hơn một bậc độ lớn so với việc cho agent làm việc trực tiếp với hạ tầng dữ liệu khoa học truyền thống.

Dữ liệu nằm ở đâu?

Đây có thể là phần quan trọng nhất nếu muốn đưa mô hình này vào doanh nghiệp.

Dữ liệu doanh nghiệp thường không nằm trong một nơi.

Nó nằm trong database.

PDF.

Email.

Báo cáo.

Spreadsheet.

Hệ thống CRM.

Kho dữ liệu.

API.

File nội bộ.

Các hệ thống legacy.

Con người có thể học cách đi qua tất cả những thứ đó.

Agent thì khác.

Một PDF chứa biểu đồ khoa học có thể là nguồn thông tin cực kỳ giàu giá trị đối với nhà nghiên cứu, nhưng lại trở thành một bài toán khó cho agent nếu dữ liệu bị biến thành văn bản phẳng.

Hình ảnh, bảng và cấu trúc tài liệu có thể bị mất ngữ nghĩa.

Kết quả là hallucination.

Đây là lý do chỉ “bọc MCP quanh database” chưa giải quyết được bài toán.

Bạn đã kết nối được agent với database.

Nhưng bạn chưa chắc đã làm cho database thân thiện với agent.

Đây là một khác biệt quan trọng.

AI infrastructure trong tương lai không chỉ cần API.

Nó cần AI-native data interfaces.

Doanh nghiệp kiếm tiền và tạo giá trị thế nào?

Trong công nghệ sinh học, giá trị của một hệ thống như vậy không nằm ở việc tạo ra thật nhiều báo cáo.

Nó nằm ở khả năng rút ngắn con đường từ:

dữ liệu → giả thuyết → mục tiêu → phân tử → thử nghiệm → thuốc.

Mỗi bước đều có thể mất rất nhiều thời gian.

Nếu AI giúp giảm thời gian tìm kiếm và đánh giá các giả thuyết, giá trị kinh tế có thể rất lớn.

Virtual Biotech đã sử dụng 37.000 clinical trial agents để tổng hợp dữ liệu bị phân mảnh từ các thử nghiệm.

Các agent xác định những đặc điểm single-cell có khả năng dự đoán thành công của thử nghiệm.

Theo dữ liệu được trình bày, những mục tiêu thuốc được hỗ trợ bởi các đặc điểm này có khả năng tiến tới thị trường cao hơn khoảng 50% so với những thuốc tương đương không có các đặc điểm đó.

Đây mới là nơi AI bắt đầu trở thành hạ tầng kinh tế.

Không phải:

“AI tạo ra 10.000 câu trả lời.”

Mà là:

“AI giúp doanh nghiệp chọn đúng một hướng nghiên cứu trong số hàng nghìn hướng có thể.”

Đó là khác biệt giữa năng suất và giá trị.

Một thiết kế thuốc, hai con đường nghiên cứu

Một trong những chi tiết đáng chú ý nhất là hệ thống đã tự thiết kế một antibody-drug conjugate nhắm tới protein CD276 cho ung thư phổi.

Điều đặc biệt là hệ thống chỉ sử dụng dữ liệu được công bố trước tháng 1/2025.

Sau đó vài tháng, một công ty dược phẩm lớn độc lập phát triển và xác nhận một thiết kế điều trị tương tự.

Thiết kế này sau đó nhận được breakthrough designation từ FDA.

Điều này không có nghĩa AI đã “phát minh ra thuốc thay con người”.

Đó sẽ là cách diễn giải quá mức.

Điều đáng nói hơn là:

một hệ thống AI đã tìm ra một hướng thiết kế có giá trị mà một tổ chức dược phẩm độc lập sau đó cũng đi tới.

Đây là một dạng validation bên ngoài rất đáng chú ý.

Nó cho thấy multi-agent scientific system có thể không chỉ tổng hợp kiến thức cũ.

Nó có thể tạo ra những giả thuyết có khả năng đứng vững khi bước ra khỏi môi trường mô phỏng.

Platform hay product?

Nếu nhìn Virtual Biotech như một sản phẩm, chúng ta sẽ bỏ lỡ phần lớn câu chuyện.

Đây thực chất là một hệ điều hành cho lực lượng lao động kỹ thuật số.

Model chỉ là một thành phần.

Phần còn lại gồm:

Agent orchestration.

Data layer.

Memory.

Tool access.

Evaluation.

Governance.

Identity.

Feedback loop.

Đây là lý do tương lai của agentic AI có thể không được quyết định bởi model mạnh nhất.

Nó có thể được quyết định bởi môi trường tốt nhất.

Một model có thể được fine-tune để trở nên giỏi hơn.

Nhưng khi có hàng nghìn agent, bài toán chuyển sang:

Làm sao để chúng phối hợp?

Làm sao để tránh lặp lại?

Làm sao để giải quyết bất đồng?

Làm sao để phân bổ nhiệm vụ?

Làm sao để kiểm tra kết quả?

Làm sao để một agent không phá hỏng công việc của 500 agent khác?

Đây là multi-agent architecture.

Đối thủ và lợi thế cạnh tranh

Cuộc cạnh tranh trong AI agent hiện nay thường tập trung vào model.

Nhưng Virtual Biotech đưa ra một hướng khác.

Lợi thế không chỉ nằm ở intelligence của từng agent.

Lợi thế nằm ở intelligence của cả hệ thống.

Một agent chuyên về genomics không cần biết mọi thứ.

Nó chỉ cần rất giỏi phần của mình.

Một agent khác có thể phản biện.

Một agent khác kiểm chứng.

Một agent khác tổng hợp.

Nếu kiến trúc phối hợp tốt, tổng thể có thể mạnh hơn một model duy nhất.

Đây cũng là lý do các hệ thống multi-agent có thể trở thành lớp quan trọng trong doanh nghiệp.

Một ngân hàng không cần một “AI biết mọi thứ”.

Họ cần những agent chuyên về compliance, fraud, customer service, credit, risk và operations có thể phối hợp trong một môi trường kiểm soát được.

Một nhà sản xuất cũng vậy.

Một agent đọc dữ liệu cảm biến.

Một agent theo dõi chuỗi cung ứng.

Một agent phân tích lỗi.

Một agent tối ưu lịch sản xuất.

Kiến trúc tương tự có thể xuất hiện ở rất nhiều ngành.

Rủi ro

Nhưng càng nhiều agent, càng nhiều rủi ro.

Một agent sai có thể gây lỗi.

37.000 agent sai cách phối hợp có thể tạo ra một hệ thống sai ở quy mô lớn.

Đây là lúc governance trở thành một phần của architecture.

Nghiên cứu về triển khai agent doanh nghiệp cho thấy khoảng cách giữa khả năng tự động hóa và niềm tin vẫn rất lớn.

Khoảng 66% doanh nghiệp được khảo sát đã cho phép hoặc đang hướng tới việc đưa agent vào production mà không cần con người review từng hành động.

Nhưng chỉ 5% hoàn toàn tin tưởng vào automated evaluation đủ để hỗ trợ quyết định đó.

Đây là nghịch lý của AI agent.

Doanh nghiệp muốn agent tự động.

Nhưng họ vẫn chưa hoàn toàn tin hệ thống có thể tự kiểm tra chính mình.

Một vấn đề khác là identity.

Khoảng 69% doanh nghiệp được khảo sát vẫn có credential sharing ở đâu đó trong hệ thống agent.

Những tổ chức có shared credentials ghi nhận incident hoặc near-miss ở mức 63,5%, so với 40,9% ở nhóm mà mọi agent đều có identity riêng với phạm vi quyền hạn rõ ràng.

Vấn đề không chỉ là agent có quyền gì.

Vấn đề là nó có thể kết hợp những quyền đó như thế nào.

Một agent có quyền đọc Salesforce có thể hợp lệ.

Một agent có quyền gửi email cũng có thể hợp lệ.

Nhưng khi hai quyền được ghép lại, rủi ro có thể thay đổi hoàn toàn.

Đây là “lethal trifecta” của agent security: dữ liệu riêng tư, nội dung không đáng tin cậy và một kênh để đưa thông tin ra ngoài.

Ai sẽ giám sát những người giám sát?

Một giải pháp đang nổi lên là để một AI khác giám sát agent.

Rubrik gọi lớp này là SAGE, một Semantic AI Governance Engine.

Thay vì yêu cầu con người bấm “approve” cho từng hành động, một model nhỏ hơn đánh giá hành động của agent dựa trên chính sách được viết bằng ngôn ngữ tự nhiên.

Đây là một thay đổi quan trọng.

Human-in-the-loop có thể trở thành:

AI-in-the-loop.

Nhưng vẫn còn một câu hỏi rất khó.

Nếu một AI đánh giá một AI khác, ai đánh giá AI đánh giá?

Đây không phải câu hỏi triết học.

Nó là câu hỏi kỹ thuật.

Nếu judge model có false positive hoặc false negative cao, governance layer có thể tạo cảm giác an toàn giả.

Vì vậy audit log, backtesting và session trace trở nên cực kỳ quan trọng.

Doanh nghiệp cần biết agent đã làm gì.

Tại sao nó làm vậy.

Policy nào cho phép.

Policy nào ngăn cản.

Và nếu có vấn đề, liệu có thể rollback hay không.

Một hệ thống tự động mà không thể quay lại trạng thái an toàn sẽ luôn có một giới hạn rất rõ.

Việt Nam sẽ bị tác động thế nào?

Việt Nam có thể là một trong những thị trường hưởng lợi đáng kể từ multi-agent architecture.

Không chỉ trong công nghệ.

Hãy nhìn vào những ngành có lượng dữ liệu lớn và quy trình phức tạp.

Ngân hàng.

Bảo hiểm.

Dược phẩm.

Logistics.

Sản xuất.

Thương mại điện tử.

Viễn thông.

Một doanh nghiệp logistics có thể xây một hệ thống agent theo dõi hàng nghìn tuyến vận chuyển.

Một agent phân tích nhu cầu.

Một agent theo dõi tồn kho.

Một agent dự đoán trễ chuyến.

Một agent tìm phương án vận chuyển.

Một agent xử lý chứng từ.

Một agent giám sát rủi ro.

Thay vì xây một chatbot logistics, doanh nghiệp có thể xây một tổ chức logistics kỹ thuật số.

Trong sản xuất, mô hình này còn hấp dẫn hơn.

Dữ liệu máy móc, lịch bảo trì, đơn hàng, kho nguyên liệu và chuỗi cung ứng có thể được đưa vào cùng một môi trường AI-native.

Agent không chỉ trả lời câu hỏi.

Nó có thể quan sát, phân tích, đề xuất và phối hợp.

Đó là bước chuyển từ AI assistant sang AI workforce.

Doanh nghiệp Việt Nam nên làm gì?

Đừng bắt đầu bằng 10.000 agent.

Hãy bắt đầu bằng 5 agent.

Quan trọng hơn, hãy bắt đầu bằng một bài toán có thể đo được.

Ví dụ:

Một agent thu thập dữ liệu.

Một agent phân tích.

Một agent phản biện.

Một agent kiểm tra.

Một agent tổng hợp.

Sau đó đo:

Thời gian hoàn thành.

Tỷ lệ lỗi.

Số lần cần con người can thiệp.

Khả năng truy vết.

Khả năng rollback.

Tỷ lệ nhiệm vụ hoàn thành đúng.

Nếu hệ thống nhỏ hoạt động tốt, mới mở rộng.

Bước thứ hai là xây AI-native data layer.

Đừng chỉ lấy database cũ rồi đặt thêm một API.

Hãy hỏi:

Agent có hiểu dữ liệu này không?

Agent có tìm được dữ liệu liên quan không?

Agent có phân biệt được dữ liệu chính thức và dữ liệu không đáng tin không?

Agent có đọc được bảng, biểu đồ và tài liệu phức tạp không?

Đó là những câu hỏi kiến trúc quan trọng hơn việc chọn model nào.

Bước thứ ba là identity.

Mỗi agent nên có quyền riêng.

Không chia sẻ credential nếu không cần thiết.

Không cho agent quyền rộng hơn nhiệm vụ.

Không để agent vừa đọc dữ liệu nhạy cảm vừa có quyền gửi dữ liệu ra bên ngoài nếu kiến trúc không kiểm soát được tổ hợp quyền đó.

Và cuối cùng, log mọi thứ.

Một hệ thống multi-agent không có trace gần như là một thành phố không có camera giao thông, bản đồ và nhật ký vận hành.

Bạn sẽ không biết chuyện gì đã xảy ra khi sự cố xuất hiện.

Kết luận

Điều Stanford đang xây dựng có thể nhìn như một dự án nghiên cứu về AI và dược phẩm.

Nhưng nhìn rộng hơn, nó là một bản phác thảo cho một loại phần mềm mới.

Trong thế giới cũ, doanh nghiệp có nhân viên.

Mỗi nhân viên sử dụng phần mềm.

Trong thế giới AI agent, doanh nghiệp có thể có hàng nghìn “nhân viên số”.

Chúng sử dụng phần mềm, đọc dữ liệu, gọi API, tranh luận, kiểm tra lẫn nhau và hoàn thành nhiệm vụ.

Khi đó, kiến trúc doanh nghiệp cũng phải thay đổi.

Không còn đủ để hỏi:

Model nào tốt nhất?

Câu hỏi mới là:

Môi trường nào giúp hàng nghìn agent phối hợp tốt nhất?

Virtual Biotech cho thấy câu trả lời có thể nằm ở orchestration, dữ liệu AI-native, chuyên môn hóa và môi trường hợp tác.

Rubrik lại nhắc chúng ta về mặt còn lại của câu chuyện: càng nhiều quyền tự chủ, càng cần identity, governance, audit và khả năng rollback.

Đây có thể là bước chuyển lớn tiếp theo của AI.

Không phải từ model nhỏ sang model lớn.

Không phải từ chatbot sang chatbot thông minh hơn.

Mà từ một AI biết làm việc sang một tổ chức AI biết phối hợp để hoàn thành công việc.

Và nếu điều đó trở thành hiện thực, 37.000 agent của Stanford có thể không phải là điểm cuối.

Nó có thể chỉ là chuyến tham quan đầu tiên vào một nơi mà vài năm trước chúng ta còn chưa có tên để gọi.