人工智慧（AI）正逐步改變科學研究的樣貌，從協助科學家建構複雜模型，到加速新藥開發，AI 的參與日益深入。研究人員不再僅將 AI 視為數據分析工具，而是賦予其在科學建模過程中，從模型建構、參數約束到結果解釋等關鍵環節的角色。

AI 驅動科學建模流程

科學建模通常包含三個主要步驟：首先是建構模型，其次是利用數據調整模型參數以符合實際觀察（約束模型），最後則是解讀模型所揭示的系統運作機制。過往這些步驟耗時費力，例如英國生理學家安德魯·赫胥黎（Andrew Huxley）在 1951 年為描述魷魚神經細胞放電機制，耗費三週使用手搖計算機解方程式，這項成果與艾倫·勞埃德·霍奇金（Alan Hodgkin）合作的「霍奇金-赫胥黎模型」（Hodgkin-Huxley model）至今仍是神經元電活動的標準描述，並於 1963 年獲得諾貝爾獎。

現今，AI 系統正全面參與這些步驟。在模型建構階段，大型語言模型（LLM）能夠根據數據和自然語言描述，自動撰寫候選模型的程式碼。針對模型約束，一種名為「模擬基礎推論」（Simulation-based inference, SBI）的方法，透過反覆運行模型並隨機調整參數，再訓練類神經網路來解析結果，克服了傳統貝氏推論（Bayesian inference）的複雜性，尤其適用於神經網路或星系碰撞等難以逆向推導的複雜系統。

然而，模型解釋是 AI 最難以取代人類的部分，因為「理解」很難被量化為客觀目標。為此，科學家正探索衡量 AI 系統在系統受擾動時預測行為的能力，或其輸出是否能幫助人類科學家更深入理解問題，來評估 AI 的解釋力。

AI 在多科學領域的應用

AI 系統已在多個科學領域展現其加速研究的潛力。例如，OpenAI 旗下的大型語言模型 GPT-6 Astra 在「BioBasicsBench」評估中，獲得 66.7% 的部分學分分數。這項基準測試旨在評估 AI 模型解讀濕實驗室（wet-lab）科學證據的能力，包括影像、影片和儀器文件等輸入資料，涵蓋蛋白質、影像分析、化學分析、核酸和基因複製等五大領域，顯示 AI 在實驗數據判讀上的進步。

在藥物發現領域，麻省理工學院（MIT）研究人員與德國巴斯夫（BASF）科學家合作開發了開源的分子基礎模型 CheMeleon，該模型預先訓練了約一百萬個分子數據，旨在透過少量特定任務數據微調後，精確預測分子化學性質，特別在實驗數據稀缺時，能有效加速藥物及材料開發。此外，Google DeepMind 也推出 Antigravity 平台工具，利用 AI 代理程式收集化學數據、預測化合物效力並提出新分子設計，大幅縮短藥物研發前期的工作時間，從數天縮短至約一小時。

另一方面，健康科技公司 Ro 也成立 Ro Research Lab，運用 AI、真實世界患者數據和嚴謹科學方法，從數百萬份患者旅程中產生的連續數據流（包含副作用、實驗室結果、睡眠及心率變化等）中識別模式，加速醫療發現並轉化為更好的患者照護。Google DeepMind 也在 2026 年 10 月 27 日宣布推出 Genie 4 模型，專用於模擬，將在未來逐步開放給更多開發者使用，進一步擴展 AI 在科學模擬方面的應用範圍。

隨著 AI 技術的進步，科學家預期未來能夠建構出規模更大、更複雜的模型，甚至超越人類手動編寫的複雜度，這將使得科學研究的焦點從尋找單一「正確」模型，轉向探索所有與數據相符模型所共享的特性和可導出的預測，從而加速人類對自然世界的理解。

參考來源

查看原始文章 ↗