核心要点
- 代理型AI实现了人工智能"代理"的自主、目标驱动协调，增强了数据密集型行业（如生命科学）中的决策能力。
- 该技术使AI代理能够推理、适应和综合知识，从而改善制药领域的结果。
- 应用包括加速科学发现、增强药物警戒以及简化监管流程。
- 协调的多代理AI生态系统可以实现战略性的大规模转型，但需要伦理标准和动态的人类监督。
作为三部分系列文章的延续，本文作者探讨了代理型AI在制药研发中的潜在应用。
代理型人工智能（AI）——即目标驱动的AI"代理"的自主协调——可以说是自ChatGPT问世以来AI领域最重要的变革，因为它有可能重新定义组织的运营方式。其自主性体现在AI代理及其协调器（或"超级代理"）能够进行推理、综合知识，并自适应地确定和协调实现目标所需的任务和交互。
推理、预测、生成洞察和知识以及做出更好决策的能力与生命科学行业完美匹配，这是一个数据丰富、流程繁重且结果关键的行业。随着制药行业对代理型AI的兴趣日益增长，本三部分系列文章（参阅第一部分）探讨了该技术在制药研发中的潜力，本篇作为中间部分，评估了宏观机遇和新兴的早期应用案例。
代理型AI在生命科学中的潜力
关于代理型AI的一个误解是，多个专业AI代理的协作潜力等同于拥有一批"数字团队成员"。这一误解忽略了该技术的宏观视野，其核心在于每个代理为实现任务目标而具备的自主性，以及持续适应和精进这一技能的倾向。
需要指出的是，尽管自主性意味着适应性，但这里存在关键的细微差别。代理型AI系统不仅仅选择行动计划并执行；它能够改变想法，同时调整其推理和行动。这可能是由于遇到新数据或评估新结果，也可能只是在思维链中以不同方式思考所致。
关键在于，在代理型AI中，整体解决方案的每个组成部分都是目标驱动的，而非被预编程为以特定方式完成特定任务。所有综合推理（因为每个代理以最有效和高效的方式实现其目标）意味着实际执行可能每次都有所不同。即使在短时间内，这种适应也应该带来可衡量的性能提升和更好的结果。
自主性与适应性的实际应用
谷歌的AI合作科学家在医疗和药物领域获得了大量关注。这一关注源于该系统能够将赋予智能代理更大自由度的更高潜力变为现实——不仅作为从大量现有研究中找到重大问题新答案的手段，还能够推断研究范围并因此提出其他研究目标。这种能力源于基础大型语言模型现在在数学方面的表现力，这意味着高级AI系统可以超越现有资料进行推断。
谷歌的多代理系统利用AI综合信息和执行复杂推理任务的能力，帮助科学家使用自然语言创建新的假设和研究提案。这一能力有望大幅加速和优化科学发现。在化学和生物推理方面也预期会有类似的飞跃。该系统在生物医学研究中具有广泛潜力，目前正在测试中，用于识别新的药物再利用机会（例如，在人类肝纤维化的背景下）。
但愿景不必如此雄心勃勃也能产生重要影响。代理型AI还可以推动日常流程的跨越式发展，这些流程有助于将药物推向市场，并监测和改进其长期安全性。在离散的AI解决方案已经凸显出在产品变更控制/监管影响评估以及药物警戒中的不良事件案例处理方面大幅提高效率和准确性的背景下，代理型AI将使这些收益倍增和放大——前提是有一个强大的多代理框架，以连贯的方式将各个代理编织在一起，并为每个目标驱动的场景进行协调（这种协调将在本系列的最后一篇文章中更详细地讨论）。
扩大现有AI成果
同样重要的是要考虑AI在当前制药研发流程的功能层面已经取得的成就，以及它还能走多远。
一个例子是药物警戒场景，由指向异常不良事件模式的安全信号触发。在代理型AI环境中，信号代理将检测并标记该异常——这在AI启用的系统中已经发生。但现在，该警报将立即触发工作流程，引发后续行动，例如确保信号以正确方式验证和处理，并符合相关当局的要求和时间表。同时，纵向代理可以随时间积累、匹配和推导信号模式。
代理型系统也可能进一步扩展其洞察和行动。例如，它可以立即推断生成文档所需的额外工作，以满足与安全事件相关的报告需求。这种早期计算可以为预测需求激增发生的时间和地点提供依据，从而指导预先调整以释放产能。
通过代理互操作性和协调最大化AI范围
代理型AI系统或称为多代理AI系统，并非作为一系列被动的独立软件工具等待单独指令，而是一个更动态的设置，其中互连的代理作为更广泛生态系统的一部分，已经准备就绪，并理解自己是该系统的一部分。一旦分配了各自的目标，每个代理将自行评估并自主交付所需内容，并有适当的自由度（推理自由）来确定最佳方式。这种推理应涵盖特定代理可能需要执行的任何源引用或交叉检查，以及在适当情况下与其他代理的合作。
从根本上说，这是将AI从特定应用执行个别任务或解决离散问题的角色，提升为能够主动推断需要发生什么，并以更全面、更优化的方式处理更广泛场景的角色。最终，这支持数据驱动的决策，探索"如果"场景的高级潜力，评估权衡和后果，测试干预措施，模拟下游影响，提炼建议和任何含义，并触发行动以完成闭环。
在安全和监管场景中扩展AI的覆盖范围
在安全和监管背景下，从当前使用专业AI工具简化监管活动医学词典对不良事件的编码，存在横向扩展的潜力。AI已经帮助提高了对不良事件数据分类的效率和准确性，以符合国际标准化术语。但如果这种AI驱动的活动能够成为扩展工作流程的一部分，由AI协调器或监督"超级代理"协调，会怎样？这一进步可能通过简单引入额外的参考交叉检查来实现。或者，它可能意味着提供本文前面描述的更广泛、更无缝的端到端药物警戒场景，充分利用机会在端到端基础上简化流程，从而加速后续行动。
同样，在监管背景下，AI驱动的流程增强的下一个层次应该是连接各个点并在更广泛的工作流程中倍增收益。通过这种方式，维护产品全球监管合规性等重大挑战在所有各种子任务中变得更加顺畅。代理型AI可能帮助缓解的更广泛场景可能从产品变更控制警报和监管影响评估，延伸到处理数据和文档更新，以及完成及时的卫生当局通知，同时在该过程中优化国际资源规划。
正是怀着这样的期望，制药研发职能部门领导必须集体发挥创造性愿景，扩大他们对AI的雄心。
从离散问题解决到端到端流程再造
当前的挑战是让制药组织超越有限的、小众的用例，考虑如何利用协调的、自主的多代理AI生态系统实现真正具有颠覆性的规模化成果。
目标应该是避免对AI部署采取"散弹枪"式方法，而选择更具战略性和真正"变革性"的方法。在"散弹枪"场景中，风险在于每个AI用例的宏（行动序列）是孤立开发的，保持断开连接，限制了附加收益的机会。
实现代理型AI的全部效益需要愿景和战略意图。从合规和信任的角度来看，它将需要全面考虑伦理标准和监管义务。但这不仅仅是调整AI的保障措施。设计选择还将决定技术使用的扩展程度，释放其全部潜力。例如，在人类监督方面，代理型AI的自主性和适应性将要求这种监督从固定点审查转向更动态的方法（例如，基于触发的干预）。
本系列的最后一篇文章将探讨在扩展的后期制药研发工作流程中优化使用代理型AI的前提条件。它还将更深入地研究多代理框架，以及如何根据代理型发展重新构建治理。
参考文献
- Gottweis, J.; Natarajan, V. 利用AI合作科学家加速科学突破. Research.google. 2025年2月19日 (访问于2025年9月25日).
- Matias, Y. 我们如何利用AI推动具有更大实际效益的科学研究. Blog.google. 2025年5月8日 (访问于2025年9月25日).
- Guan, Y.; Inchai, J.; Fang, Z.; 等. 人工智能辅助人类肝纤维化的药物再利用. bioRxiv 2025, 预印本. DOI: 10.1101/2025.04.29.651320
作者简介
Jason Bryant（贾森·布莱恩特）是ArisGlobal公司负责AI与数据的产品管理副总裁。
【全文结束】
