AI 從『工具』升級成『科研夥伴』：Google Co-Scientist 進駐美國 17 座國家實驗室，一款 AI 假設出來的抗纖維化候選藥在實驗室阻斷了 91% 疤痕反應

過去兩年，我們對 AI 的想像大多停在「它很會聊天」「它會幫我寫程式、寫文案」。但 2026 年正在發生一件更根本的轉變：AI 開始走進真正的科學實驗室，不再只是回答問題的工具，而是被當成「研究夥伴」——參與假設的生成、辯論與淘汰，甚至直接指向一顆可能有效的候選藥物。

這件事的份量，遠比多一個聊天機器人要大得多。因為科學研究的瓶頸，從來不是算力或資料本身，而是「人一天只能想到、驗證這麼多個點子」。如果 AI 能把這一步的速度往上拉，等於是在替整個人類知識的成長踩油門。

Photo by DIANA HAUAN on Unsplash

一、AI for Science 到底在講什麼？

「AI for Science」指的不是用 AI 寫一篇科普文章，而是把 AI 直接嵌進科學研究的流程裡：讀完某個領域上萬篇論文、找出彼此矛盾或尚未被連起來的線索、提出一個「值得做實驗去驗證」的新假設，再由真正的科學家接手去實驗室驗證。

最具代表性的，是 Google DeepMind 推出的 AI co-scientist（AI 協作科學家）。它不是單一模型，而是一套「多代理（multi-agent）」系統：內部有負責生成點子的、有負責唱反調挑毛病的、有負責排序與演化假設的角色，彼此反覆辯論、淘汰、再生成，最後把少數幾個最有潛力的假設交給人。這個設計刻意模仿了真實研究團隊「開會吵架、越吵越清楚」的過程。

今年稍早，Google 更把這套能力整理成 Gemini for Science，涵蓋文獻洞察、假設生成、計算式探索等研究全流程的工具，讓不同領域的實驗室都能接上來用。

二、為什麼是「現在」值得關注？

有兩個訊號讓這件事在 2026 年變得不能忽視。

第一，是國家級的正式採用。根據近期報導，DeepMind 的 Co-Scientist 已經被部署到美國能源部旗下全部 17 座國家實驗室，納入白宮所謂「Genesis Mission」的科研計畫。當 AI 從科技公司的展示影片，變成國家實驗室日常研究的一部分，代表它已經跨過「玩具」與「生產工具」之間那條線。

第二，是諾貝爾獎已經先一步認證了這個方向。2024 年的諾貝爾化學獎，頒給了 DeepMind 的 Demis Hassabis、John Jumper（AlphaFold 蛋白質結構預測），以及華盛頓大學的 David Baker（蛋白質設計）。換句話說，科學界最高榮譽已經明確地肯定：AI 不只是輔助，它本身就能帶來足以改寫學科的突破。今天的 Co-Scientist，可以說是那股浪潮往「研究流程」更上游走的延伸。

Photo by ThisisEngineering on Unsplash

三、目前發展到哪一步了？

幾個具體的進展，能幫我們把「AI 當研究夥伴」這句話落地：

1. 從假設到候選藥的實例。Co-Scientist 已被用在纖維化、漸凍症（ALS）、抗藥性細菌、細胞老化、傳染病、植物免疫等題目上。其中最受矚目的一個結果是：AI 提出的一款抗纖維化候選藥，在實驗室測試中阻斷了約 91% 與疤痕形成相關的反應。這不代表它明天就能上市——但它證明了「AI 生成的假設，真的能在濕實驗裡站得住腳」。

2. 蛋白質、DNA、RNA 的結構預測持續躍進。新一代結構預測模型對蛋白質、DNA、RNA 與配體交互作用的預測，相較傳統方法有超過 50% 的提升；而據產業調查，超過七成的相關領域負責人已經在日常研究中使用這類工具。這意味著「先在電腦裡把結構算出來、再決定要不要進實驗室」正在變成標準流程。

3. 老藥新用（drug repurposing）成為早期甜蜜點。比起從零開發新藥，讓 AI 從既有、已知安全性的藥物裡，找出「其實也能治另一種病」的組合，風險更低、驗證更快，也是 Co-Scientist 目前最快能產生價值的方向之一。

Photo by Trust "Tru" Katsande on Unsplash

四、對產業與一般人的影響

短期內，最直接受惠的是生醫、製藥、材料與農業這些「試錯成本極高」的領域。過去一個假設要花幾個月甚至幾年才知道對不對，現在 AI 能在幾天內先幫你篩掉九成明顯行不通的方向，讓有限的實驗預算花在刀口上。

拉遠一點看，這件事的意義在於「發現的速度」本身被加速了。OpenAI 的研究主管 Mark Chen 近期就直言，AI 有潛力在未來兩年內做出「諾貝爾等級」的科學突破，並認為 AI 正在從「工具」轉變為「研究夥伴」。這類說法要打點折扣看——業界人士對自家技術本來就樂觀——但方向是清楚的。

對一般人而言，影響雖然不會明天就出現在生活裡，但它會慢慢滲透：更快問世的新藥、更精準的診斷、更耐用又環保的材料，背後都可能有一個「AI 先想過一輪」的環節。

五、我的觀點：樂觀，但別把「加速」誤讀成「取代」

我對這個方向是偏樂觀的，但有三點想潑點冷水、講清楚。

其一，AI 加速的是「假設」，不是「真相」。Co-Scientist 再厲害，產出的仍然是「值得去驗證的點子」，最終還是得靠真實的濕實驗、臨床試驗一步步證明。那個 91%，是實驗室培養皿裡的數字，離「能開給病人吃的藥」還隔著漫長且昂貴的路。把「AI 提出候選藥」講成「AI 發明了新藥」，是這波敘事裡最容易被誤導的地方。

其二，可信度與資料品質是硬門檻。當 AI 大量閱讀論文來生成假設，它同時也繼承了學術文獻裡既有的偏誤、造假與無法重現的問題。科學界最珍貴的資產是「可重現性」，而這恰好是目前生成式 AI 最不擅長保證的一環。誰來為 AI 提出的錯誤假設負責、如何追溯，都還沒有標準答案。

其三，對台灣與中小企業來說，真正的機會未必在「訓練最大模型」，而在「把這些工具接進自己的專業領域」。國家實驗室級的資源我們拚不過，但在特定的產業知識、在地資料、垂直應用上，誰能先把 AI 變成自己團隊的「研究夥伴」，誰就先享受到這波加速的紅利。工具已經逐漸開放，剩下的是願不願意動手去試。

AI 會不會拿到諾貝爾獎，兩年內見分曉；但可以確定的是，「科學家獨自苦思」的時代，正在被「科學家 + 一群不會累的 AI 夥伴」慢慢改寫。這一次，AI 不是要取代好奇心，而是替好奇心裝上引擎。