AI開始自己做科研？從 AlphaFold 走向 AI 科學家

※ 本文由 AI 根據影片內容整理，如有錯漏敬請指正。
📺 觀看完整影片：[AI開始自己做科研？從 AlphaFold 走向AI科學家？｜#未來學  EP63]

---

2026年7月至8月，Google DeepMind 宣布重組 AlphaFold 團隊，並把相關技術分拆成獨立公司 Isomorphic Labs，專攻藥物研發。這個曾經改寫蛋白質研究、獲諾貝爾獎肯定的團隊被拆散，表面上是一宗商業新聞，實際上卻標示著 AI 科研的一次路線轉向。

本集《未來學》由江啟明主持，邀請生成式 AI 專家、香港無線科技商會主席李勁華（Keith Li）一同拆解：由專用 AI 走向通用 AI 的意義、生成式 AI 在科研上的真實能力邊界，以及當 AI 愈來愈像「科學家」時，功勞應該歸誰。

分拆 AlphaFold：商業考量以外的訊號
Keith 指出，這次分拆有一個很明顯的方向：把原本屬於學術或非商業研究的高價值技術獨立出來，重新安排授權架構，不再受限於學術用途。這條路線並不新鮮——OpenAI 由 Open 變成封閉、由非牟利變成牟利，就是最出名的例子。AlphaFold 變成 Isomorphic Labs 專門做藥，商業用途十分明顯。

但除了商業角度，分拆亦帶有另一重象徵意義。過去十幾年，「專門問題配專門 AI」這條路線一直很成功：由 AlphaGo 下圍棋，到 AlphaFold 預測蛋白質結構，戰績相當輝煌。來到 2026 年，焦點卻幾乎全面轉移到大型語言模型（LLM）身上。

Keith 直言，這裡面也有很人性的一面：如果你做了多年對社會有正面影響的 AI，卻突然發現全世界的目光都投向 LLM，「比著我都會心理不平衡」。而市場需求確實是關鍵——LLM 產品由小朋友到大人、由休閒到工作都用得著；把最頂尖的人才只投放在蛋白質摺疊，方向就未必和市場一致。所以部分 AlphaFold 研究人員被調往近期被競爭對手追上的 Gemini 團隊，留下真正想做 AlphaFold 的人繼續原項目，在資源調配上其實相當合理。

通用 AI 不是取代專用 AI，而是加一個大腦
那麼，通用型 AI 是否真的可靠到可以做科研？

Keith 的答案是：不同的 AI 負責不同的事。有些任務很悶但要求極高精準度——譬如火箭要垂直降落地面——那就要用專門訓練、只做一個任務、經過幾千萬次訓練的模型。生成式 AI 什麼都做，好處與壞處並存：它不會像專精模型那樣精準，但它會「代理人類去想事情」。

這正是 agent 的本義：代理人類去做某些事。今天的 AI 會展示自己的推理過程，會考慮多個角度，會參考現有資料。所以在「想」的部分，我們愈來愈傾向給 AI 更多自主性，讓它讀更多材料、提出更多方向；而在「準」的部分，仍然交回專門模型。

啟明總結得很貼切：與其說新式 AI 取代舊式 AI，不如說是在舊式 AI 上面加了一個大腦，去幫它想新方案——甚至由 AI agent 自己寫一個專用 AI 出來。這也解釋了為何 Google 等公司把更多資源投向生成式 AI：不是舊式 AI 沒用，而是用生成式 AI 去統籌一整隊專門 AI，效能可能比以往更強。

生成式 AI 真的做到科研嗎？
年初已有公司 Sakana 嘗試用 AI 生成電腦科學論文，並成功投稿到一個相當頂尖的工作坊。半年之後，AI 又進步了多少？

Keith 分享了自己的實驗。他先問一個更基本的問題：沒有 AI 的時候，研究是怎樣做的？教授每年有新同學、可能有新資助，於是聘請研究員或找博士生參與項目；大家去讀相關研究、判斷哪個方向值得做、對學術領域有沒有推進。這一整套流程，能否交給 AI？

上年九月他的結論是「一般」。LLM 出來的東西往往左一巴右一巴，很中立、很持平，不會肯定地說任何事——設計上就避免做「一錘定音」的判斷。但隨著模型推進，到 Opus 4.8 左右，他開始感受到分別：推理和邏輯嚴謹了很多。

真正令可信度提升的，是他加上的三重約束：

- 限制資料來源：只讓 AI 讀已經 publish、而且有 peer review 認證的論文，其餘一概不計。
- 建立獨立儲存：先由 AI 篩選約 400 多份文獻，再從中判斷哪三十份真正與研究相關。
- 跨模型互評：用不同牌子、不同模型去 review 另一個模型的產出，做 AI 版本的 peer review。

他強調，如果不做這些特別安排，AI 就只會用 Google 上網搜尋——blog 有、廣告有、沒有 peer review 沒有 publish 過的論文也有，質素毫無保證。另一個實際限制是 output token：你不給足夠 input，它寫出來的東西會很短，像平時對答一樣。而他的系統可以做到一份連 reference 約 130 至 150 頁的正常論文長度，這是單靠一句提示做不到的。

至於質素本身，Keith 的說法很坦白：「我做這個系統是把方法放進 AI 那裡。」出來的東西是否達到人類水平，很依靠使用者本身有多厲害。跟頂尖學者比，AI 當然沒得比；但跟純粹為畢業而寫的一般水平相比，已經不相伯仲。

自動化實驗室與 human in the loop
如果 AI 可以想假設、讀文獻、寫論文，下一步是否可以落手落腳做實驗？

Keith 認為方向很明顯。純數學可以驗證的實驗，本來就可以全電腦不斷跑；至於化學這類需要儀器的實驗，把 AI 接駁到一個配備自動機器人的實驗室，是自然的發展。事實上，就算沒有整合系統，人也是在用 AI——中間只是多了一個 human 做 interface。一旦把這個中間人拿走，系統直接接上 AI、直接接上實驗室，整條流程就自動化了。

但他明確劃下底線：以今天的科技，他絕對不相信全 AI 自動化，只相信 human in the loop。人要留在流程的關鍵位置上監察：實驗方法是否正確？結果是否合理？需不需要重做或轉換方向？他自己甚至寫死了規則——同一個問題用同一個方法試兩次不成功，就不准試第三次，因為試一萬次結果也一樣。

所以他形容自己的角色是「監工」：每一個關鍵位都要先審查再放行，因為一旦某步做錯而沒有攔截，下線所有結果都會錯。至於坊間期望的 end to end 系統——按個掣去睡覺，睡醒所有事情做完——他直言不相信。AI 做錯了只會跟你說一句「不好意思」，責任還是要人自己承擔。

由此，人類的研究技能清單上多了一項：判斷真假對錯。因為 AI 講出來的東西太「似層層」，看起來太有道理，判斷力不夠就會被騙。

誰拿 credit？知識產權的地區分歧
假設有一天，AI 由想辦法、找數據、讀背景資料、做實驗到寫報告全部包辦，人只是坐在旁邊看——如果成果值得諾貝爾獎，應該頒給誰？

Keith 指出，美國其實已經一錘定音：聯邦法院層級的判決確立，純機器生成的內容不能由人類主張知識產權，之前涉及畫作、小說、漫畫的案例已經判定，不能再上訴。所以學術論文同樣是知識產權的東西，若是全 AI 生成，就不成立。你必須證明在整個生成流程中，人類負責了哪一部分、負責了多少——有人類貢獻的部分才可以 claim copyright。

但這不是全球共識。中國大陸的取態就不同：北京互聯網法院曾就一張 AI 生成圖片的糾紛判決，認為生成過程本身包含人類的 contribution，prompt 等等都出自人類，因此最終產出的圖歸人類所有，生成者可以主張版權。歐洲又可能有另一套判法。

換言之，同一份 AI 參與的成果，在不同司法管轄區可以得到完全相反的答案。

結語：重新定位自己的角色
這一集的核心，其實不是 AI 能不能做科研，而是人應該站在哪裡。

AI 已經可以生成大量新方案，而且比人更有效率；但把關、篩選、判斷哪個方向值得投放時間和資源，仍然是人的工作。啟明總結得很直接：我們不會讓一個 AI 完全自己 run，因為就算讓它 run 到最後，credit 你也未必 claim 得到。

在 AI 急速發展的年代，科學家與所有人一樣，都要重新定位自己的角色。當「做」這個動作愈來愈多由機器完成，人的價值就落在「判斷」——判斷方向、判斷方法、判斷結果是真是假。這個問題，值得每一位還在做研究、還在用 AI 的人繼續探索。