В современных производственных системах большинство ИИ-агентов работают как легковесные диспетчеры. Они анализируют запрос, выполняют вызов API, извлекают запись и возвращают управление. Их выполнение происходит быстро, без сохранения состояния и с минимальными затратами. В биотехнологиях такой подход не работает.

Сворачивание белковой мишени, скрининг библиотеки из 50 000 соединений-лигандов или оценка взаимосвязи «структура-активность» (SAR) — это не быстрые поисковые запросы к API. Это длительные, ресурсоемкие симуляции с сохранением состояния, которые требуют использования GPU и выполняются в течение минут или даже часов на специализированном оборудовании. Когда вы просите стандартную большую языковую модель (LLM) координировать сложный рабочий процесс разработки лекарств, привычная парадигма рушится: возникают тайм-ауты, контекстные окна переполняются атомными координатами, а проприетарная интеллектуальная собственность (IP) в области химии подвергается риску утечки во внешние сети.

Создание агентов корпоративного уровня для исследований и разработок (R&D) требует отказа от монолитной модели помощника. В этой статье мы обсудим использование трехуровневой архитектуры: отделение когнитивной оркестрации (мозг) от вычислительного исполнения (мышцы) и закрепление обоих уровней внутри корпоративной системы управления для создания масштабируемых агентов для задач разработки лекарств в биотехнологиях.

Трехуровневая модель

Приведенная ниже эталонная архитектура показывает, как проектировать, оптимизировать и контролировать автономные агенты с высокой вычислительной нагрузкой в биотехнологиях, в частности, в разработке лекарств.

Рисунок 1 — Трехуровневая модель: когнитивный оркестратор (мозг), масштабируемый уровень выполнения на GPU (мышцы) и корпоративная плоскость управления.

Уровень выполнения: масштабирование «мышц» — высокопроизводительные вычисления

Уровень выполнения отвечает за тяжелые научные вычисления. Первое архитектурное решение заключается в определении того, где должны выполняться рабочие нагрузки:

Стратегические, проприетарные конвейеры требуют выделенной инфраструктуры GPU внутри вашего периметра безопасности

Стратегические, проприетарные конвейеры требуют выделенной инфраструктуры GPU внутри вашего периметра безопасности

Рутинные или стандартизированные рабочие нагрузки могут быть безопасно делегированы управляемым облачным конечным точкам

Рутинные или стандартизированные рабочие нагрузки могут быть безопасно делегированы управляемым облачным конечным точкам

В этой архитектуре сворачивание белков управляется ESMFold, а генеративный дизайн — GenMol. Оба работают как NVIDIA Inference Microservices или NIM, развернутые в Google Kubernetes Engine (GKE) с использованием виртуальных машин G4 на базе графических процессоров NVIDIA RTX PRO 6000 Blackwell.

Критическим препятствием для контейнеризированных рабочих нагрузок на GPU является штраф за «холодный старт» — задержка, необходимая для загрузки весов моделей объемом в несколько гигабайт из реестра образов в память GPU (VRAM).

Чтобы обеспечить низкую задержку отклика, мы включили следующие рекомендации в эталонную архитектуру:

Поддержание «теплых» пулов: закрепите пул узлов GKE на уровне минимум одного активного узла.

Поддержание «теплых» пулов: закрепите пул узлов GKE на уровне минимум одного активного узла.

Предварительная загрузка весов: веса моделей загружаются непосредственно в VRAM при инициализации пода, что гарантирует готовность контейнеров к немедленному выводу.

Предварительная загрузка весов: веса моделей загружаются непосредственно в VRAM при инициализации пода, что гарантирует готовность контейнеров к немедленному выводу.

Отказоустойчивое планирование: GKE управляет жизненным циклом подов и перезапускает сбойные экземпляры без удаления базовой инфраструктуры виртуальных машин.

Отказоустойчивое планирование: GKE управляет жизненным циклом подов и перезапускает сбойные экземпляры без удаления базовой инфраструктуры виртуальных машин.

Этот подход заменяет ручную настройку ядер CUDA на предварительно скомпилированные контейнеризированные среды выполнения NVIDIA, что значительно снижает накладные расходы на проектирование инфраструктуры и обеспечивает детерминированную пропускную способность.

В биотехнологиях химические структуры представляют собой миллионы долларов проприетарной интеллектуальной собственности. Запрос на докинг передает SMILES-строки или матрицы 3D-координат, которые никогда не должны покидать периметр компании.

Контейнеризированные NIM устраняют трения между быстрым прототипированием и строгой изоляцией данных. На этапе ранних исследований ученые могут обращаться к конечным точкам, размещенным NVIDIA. При переходе к работе с проприетарными лид-кандидатами тот же самый контейнер развертывается в GKE внутри частного VPC. Логика оркестрации агента остается идентичной; обновляется только целевой URI с внешнего прокси на внутреннюю конечную точку VPC. Никакие структурные данные не покидают корпоративный периметр.

Когнитивный уровень: мультиагентное рассуждение

При изолированном вычислительном уровне когнитивный уровень управляет последовательностью агентных рабочих процессов. Построенная на базе Agent Runtime в платформе Gemini, эта эталонная архитектура демонстрирует систему, которая развертывает иерархическую мультиагентную структуру: один ведущий оркестратор и два специализированных доменных субагента (оптимизация лидов и проверка безопасности). Мультиагентный дизайн можно изменять в соответствии с конкретной задачей.

Основываясь на этом дизайне, когда конечный пользователь отправляет высокоуровневую задачу, например «Проанализируй кандидата 4b относительно мишени X и подготовь отчет SAR», система применяет четыре основных паттерна оркестрации, описанных ниже:

Внутрипроцессная передача задач между агентами: ведущий оркестратор делегирует задачи специализированным субагентам, используя нативный SDK Agent Runtime, а не сериализованные по сети HTTP-протоколы взаимодействия между агентами. Это устраняет промежуточные сетевые переходы и делает внутреннюю передачу мгновенной. Только внешняя граница взаимодействует с пользовательскими интерфейсами, такими как агент Gemini.
Передача объемных данных по ссылке: LLM быстро деградируют, если их заставляют обрабатывать массивные наборы 3D-координат. В этой архитектуре необработанные структурные данные (PDB-файлы, позы докинга, логи траекторий) записываются непосредственно в Cloud Storage. Агенты передают только легковесные подписанные URI объектов и высокоуровневые структурные сводки, что позволяет сохранять контекстные окна компактными, а затраты на вывод — низкими.
Отделение логики рабочего процесса от биохимических рассуждений: LLM общего назначения отлично справляются с планированием задач и синтезом, но склонны к галлюцинациям в биохимических нюансах. Чтобы контролировать это поведение, данная архитектура поддерживает строгое разделение ответственности: планирование рабочих процессов и декомпозиция задач обрабатываются Gemini, а доменная химия и фармакологические рассуждения — специализированными Nemotron моделями, размещенными на выделенных узлах GPU.
Оценка на основе контекста, а не жестких ограничений: традиционный вычислительный скрининг навязывает произвольные числовые ограничения (например, отбрасывать, если энергия связывания > -7,5 ккал/моль). Однако терапевтический контекст фундаментально меняет допустимый уровень риска. Профилактическая сердечно-сосудистая терапия, принимаемая ежедневно здоровыми пациентами, требует чрезвычайно строгих допусков безопасности, в то время как новый онкологический кандидат для лечения неизлечимого рака может допускать более высокую токсичность, если доказана эффективность.

Передавая контекст заболевания непосредственно в специализированные модели рассуждения, кандидаты в лекарства оцениваются по динамическим, специфичным для мишени профилям, а не по статическим порогам, что предотвращает преждевременное отсеивание перспективных разработок.

Корпоративное управление и асимметричная автономность

Развертывание высокопроизводительных агентов в корпоративных средах требует надежного суверенитета данных, журналов аудита и контроля процессов. Платформа Gemini обеспечивает эти средства защиты на уровне системы с помощью следующих компонентов:

Идентичность агента: каждый автономный агент работает с криптографически проверяемой идентичностью. Таким образом, в случае биотехнологического применения, когда кандидат на роль молекулы продвигается или отклоняется, это событие навсегда регистрируется для конкретного принципала агента.

Идентичность агента: каждый автономный агент работает с криптографически проверяемой идентичностью. Таким образом, в случае биотехнологического применения, когда кандидат на роль молекулы продвигается или отклоняется, это событие навсегда регистрируется для конкретного принципала агента.

Шлюз агентов: это единая точка входа/выхода для каждого взаимодействия в пределах периметра. Централизованный IAM и правила регионального размещения помогают гарантировать, что конфиденциальные молекулярные данные остаются в назначенных регионах облака.

Шлюз агентов: это единая точка входа/выхода для каждого взаимодействия в пределах периметра. Централизованный IAM и правила регионального размещения помогают гарантировать, что конфиденциальные молекулярные данные остаются в назначенных регионах облака.

Реестр агентов: эта функция поддерживает тщательно отобранный каталог утвержденных агентов, проверенных схем инструментов и авторизованных серверов Model Context Protocol (MCP), предотвращая выполнение несанкционированных инструментов в рабочей среде.

Реестр агентов: эта функция поддерживает тщательно отобранный каталог утвержденных агентов, проверенных схем инструментов и авторизованных серверов Model Context Protocol (MCP), предотвращая выполнение несанкционированных инструментов в рабочей среде.

Model Armor: эта функция проверяет входящие промпты и исходящие полезные данные в режиме реального времени для предотвращения инъекций промптов и утечки данных.

Model Armor: эта функция проверяет входящие промпты и исходящие полезные данные в режиме реального времени для предотвращения инъекций промптов и утечки данных.

Результат очевиден. Идентичность, RBAC, аудит, правила размещения и защита данных являются встроенными свойствами платформы Gemini; это позволяет корпоративным клиентам сосредоточиться на науке, а не создавать стек соответствия требованиям для каждого проекта.

В исследованиях и разработках с высокими ставками полная автономность создает неприемлемую ответственность, в то время как требование утверждения для тривиальных шагов может создавать трения. Решением этой проблемы является использование асимметричного шлюзования следующими способами;

Автоматизация обратимых операций: например, позвольте агенту автономно разрешать синонимы химических названий, извлекать структурные PDB и запускать предварительные скрининги Липински без вмешательства исследователя.

Шлюзование необратимых операций: например, запуск многопроцессорного докинга на GPU, перевод ведущего соединения в мокрый синтез или архивирование терапевтической программы должны требовать явного одобрения человека.

Паттерн и путь вперед

Высокопроизводительные автономные агенты преуспевают, когда границы между когнитивным планированием, численными вычислениями и системным управлением четко разделены следующим образом:

Сосредоточьте оркестратор на декомпозиции и синтезе, оставив интенсивное биофизическое моделирование специализированным контейнеризированным микросервисам и моделям.

Сосредоточьте оркестратор на декомпозиции и синтезе, оставив интенсивное биофизическое моделирование специализированным контейнеризированным микросервисам и моделям.

Устраните раздувание контекста путем передачи сложных химических данных по ссылке через облачное хранилище.

Устраните раздувание контекста путем передачи сложных химических данных по ссылке через облачное хранилище.

Закрепите рабочий процесс в рамках корпоративного управления, объединив криптографическую идентичность агента с асимметричным надзором со стороны человека.

Закрепите рабочий процесс в рамках корпоративного управления, объединив криптографическую идентичность агента с асимметричным надзором со стороны человека.

По мере того как модели генеративной и структурной биологии расширяются до моделирования всего организма и сложных динамических симуляций, эта декомпозированная архитектура гарантирует эффективное масштабирование исследовательских систем при сохранении безопасности и аудитируемости конфиденциальной интеллектуальной собственности.

Обратитесь к своему торговому представителю Google, если у вас есть требования к созданию подобного сценария использования, и мы будем рады пообщаться и поддержать вас на вашем пути разработки агентов в Google Cloud.