跳至主要內容

文章

文章分享與討論_當 AI 開始當科學家,未來研究生還需要做什麼?

Jackson @jackson發布於

最近看到一篇 11 月 16 日發表在 Nature Medicine 的研究,標題是:

《An open agentic AI co-scientist for clinical and biomedical discovery》

研究團隊開發了一套名為 OpenScientist 的 AI 系統,可以根據研究者提出的問題,自主搜尋文獻、分析實驗數據、提出研究假說,甚至檢查部分分析結果是否合理。

原本以為 AI 在科研上的角色,大概就是幫忙找文獻、整理資料、寫程式,或協助論文撰寫。

但看完這篇研究才發現,AI 已經開始往更完整的科學研究流程發展了。

而且這也不是單一研究團隊的嘗試。

Google DeepMind 在今年 5 月發表於 Nature 的 Co-Scientist 研究,也展示了讓多個 AI Agent 分工合作、討論研究假說,並協助規劃實驗的可能性。

這讓我開始思考一件事情:

如果未來 AI 不只是幫我們完成研究工作,而是連「研究方向」和「科學假說」都能提出,那麼研究生的價值究竟在哪裡?

尤其從生醫研究的角度來看,這個問題還滿值得討論的!


一、研究重點|AI 已經不只是研究助理了?

1. AI 開始能夠參與完整的科學分析流程

這次研究介紹的 OpenScientist,是一套開源的 Agentic AI(代理式人工智慧)系統。

和一般聊天式 AI 最大的差別,在於它不只是接收問題、產生答案,而是能夠將研究任務拆解成多個步驟,並且使用不同工具執行分析。

例如研究者提供一份生物醫學數據,並提出:

「這些基因表現的變化,可能與哪些疾病機制有關?」

OpenScientist 就可以嘗試:

  • 分析資料並尋找具有統計意義的變化。
  • 搜尋相關研究文獻。
  • 整合數據與現有生物學知識。
  • 提出可能的作用機制與研究假說。
  • 進行後續計算分析,檢查假說是否受到資料支持。
  • 整理研究結果,提出下一步值得驗證的方向。

當然,這些能力不代表它能在所有研究任務中可靠地獨立完成整個流程。

但我覺得有趣的是:

AI 開始從被動回答問題,變成能夠主動執行部分研究任務的系統。

以前我們可能需要自己閱讀大量論文,整理不同研究之間的關聯,再決定下一步要分析什麼。

現在 AI 則有機會協助串聯這些步驟。

2. 研究結果:AI 能重現部分專家研究成果,甚至提出可驗證的假說

OpenScientist 的研究團隊使用不同的生醫研究資料,測試系統的實際能力。

其中有幾個案例讓我印象很深刻。

第一個是阿茲海默症的血液生物標記分析。

研究團隊讓 AI 分析血液生物標記與腦部類澱粉蛋白 PET 影像之間的關係。

OpenScientist 成功辨識出 %pTau217 是預測類澱粉蛋白 PET 狀態的重要指標,與相關領域已有的研究結果一致。

第二個是利用血漿蛋白質體資料預測存活情況。

AI 能自行建立預測模型,並在保留的測試資料上取得具有競爭力的表現。

第三個則是分析與神經退化相關的細胞資料。

OpenScientist 從具有 tau 病理變化的神經元單細胞資料中,提出 tau 病理可能與溶酶體酸化異常有關的機制假說。

我覺得這點特別值得注意。

因為 AI 不只是找出哪些基因表現有變化,還試圖進一步解釋:

「為什麼會產生這些變化?背後可能有哪些生物學機制?」

不過這裡也必須強調,AI 提出具有生物學合理性的機制,不代表該機制已經得到實驗證實。

這兩件事還是有很大的差別。

3. 最讓我意外的是:AI 也開始嘗試否定自己的假說

這次研究還有一個我覺得非常有意思的設計。

研究團隊使用多發性骨髓瘤的基因表現資料,讓 OpenScientist 提出研究假說,再透過獨立資料集及隨機化的負向對照,測試它能不能辨認哪些結果值得相信。

在部分測試中,AI 確實能夠根據新的證據,否定原本提出的假說。

這點讓我想到科學研究最重要的精神之一:

好的研究不是努力證明自己永遠是對的,而是願意接受證據推翻原本的想法。

不過,系統並沒有在所有負向對照測試中完全排除錯誤訊號。

也就是說,它雖然開始具備檢查假說的能力,但距離可靠的自主科學判斷,仍然有進步空間。


二、個人心得|如果 AI 也能做研究,研究生到底還要學什麼?

身為生醫相關領域的研究生,看到這樣的發展,其實滿有感觸的。

因為生醫研究從來不只是把實驗做完、取得數據就結束。

很多時候,真正困難的反而是:

「這個結果代表什麼?」

「為什麼會出現這樣的變化?」

「有沒有其他可能的解釋?」

「下一個實驗應該怎麼設計,才能區分不同的機制?」

就像研究細胞發炎反應時,假設我們觀察到某種處理方式讓 IL-6 分泌量下降。

直覺上可能會認為這個處理具有抗發炎效果。

但仔細想想,事情真的這麼簡單嗎?

IL-6 下降可能是因為發炎訊號受到抑制,也可能與細胞存活率下降、細胞數量改變,或其他實驗因素有關。

如果只根據單一指標,就直接認定某種材料或生長因子具有抗發炎效果,其實很容易過度解讀。

這時候 AI 可能可以幫助我們整理相關文獻、比較可能的訊號路徑,甚至建議增加哪些對照組或分析指標。

但最後還是需要研究者判斷:

這些推論是否符合實際實驗條件?現有數據真的足以支持這個結論嗎?

我覺得這正是 AI Co-Scientist 帶來的有趣改變。

以前研究生可能需要投入大量時間搜尋文獻、整理資訊,才能形成初步的研究方向。

未來這些工作或許可以大幅加速。

但研究者也因此需要具備更強的能力,去判斷 AI 提出的假說是否值得驗證。

甚至可以說:

當提出研究假說變得越來越容易,判斷假說是否合理的能力,反而可能變得更重要。


三、批判性思考|AI 能產生科學結果,不代表它真的理解科學

這篇研究最值得注意的,我覺得其實不只是 AI 做對了哪些事情。

而是研究團隊也揭露了 AI 做錯的地方。

例如在部分分析過程中,OpenScientist 曾經將資料中的缺失值當成零,導致資料分類出現問題。

也曾經因為分析設定或研究條件沒有被明確定義,而使用不符合原始研究設計的判斷標準。

更值得注意的是,系統有時候會過度重視統計顯著性,卻沒有充分考慮實際效應大小。

這讓我想到一件很重要的事:

AI 可以把資料分析得很完整,卻不代表它分析的方向一定正確。

有時候,一份看起來非常專業的研究報告,可能包含漂亮的統計圖、合理的生物學解釋,以及大量參考文獻。

但如果最初的資料處理方式就有問題,那後面再完整的分析,也可能建立在錯誤的基礎上。

而且這些錯誤不一定容易被發現。

尤其當 AI 的回答越來越流暢、報告格式越來越專業,我們可能反而更容易相信它。

我覺得這其實比單純的 AI 幻覺問題更值得注意。

因為未來的 AI 不只是產生文字,還可能真的執行統計分析、撰寫程式,甚至幫我們決定下一步研究方向。

如果研究者沒有能力檢查資料、理解統計方法、評估因果關係,就可能在不知不覺中接受錯誤的結論。

因此,我認為:

未來研究者不只要懂得使用 AI,更要有能力發現 AI 哪裡可能做錯了。

這也是為什麼即使 AI Co-Scientist 越來越強,我仍然覺得研究方法、統計學與實驗設計的基礎不能被忽略。

因為我們不能只因為 AI 說得合理,就認為它已經完成科學驗證。


四、延伸思考|未來的研究生,會不會更像「研究導演」?

這次看到 AI Co-Scientist 的發展,讓我開始想像未來研究的工作方式。

假設有一天,我們可以讓 AI 協助完成:

文獻整理 → 研究假說生成 → 實驗設計建議 → 數據分析 → 結果解讀。

而人類研究者主要負責定義問題、設定限制、決定研究方向,以及驗證關鍵結論。

那麼,未來研究生的訓練方式,是不是也應該跟著改變?

我想到三個可能的方向。

第一,問題定義能力可能比單純尋找答案更加重要。

以前我們可能花很多時間想辦法找到相關文獻。

但未來真正困難的,可能是判斷什麼問題值得研究,以及這個問題能不能透過實驗得到可靠的答案。

第二,實驗設計與批判性思考會更加重要。

AI 可能一次提出十個研究假說,但實驗室不可能每一個都做。

因此,如何選擇最值得驗證的假說、設計適當的對照組、排除其他可能的解釋,就成了很重要的能力。

第三,研究者可能需要學會管理多個 AI Agent。

未來的科研工作,或許可以讓不同的 AI Agent 分別負責文獻分析、統計檢查、實驗設計與結果審查。

但研究者不能只負責整合它們的答案,還需要確認不同 Agent 是否共享相同的錯誤假設,以及研究流程是否真的符合科學方法。

這讓我想到一個有趣的比喻:

未來的研究生,也許不只是親自執行每一項研究工作的人,而更像是一位需要理解整個研究流程的「研究導演」。

不過,我不認為這代表實驗操作能力會變得不重要。

特別是在生醫領域,細胞狀態、材料性質、試劑條件、實驗批次差異,甚至儀器本身的限制,都可能影響研究結果。

這些資訊不一定能完整地從數據中反映出來。

如果研究者完全缺乏實驗經驗,就算 AI 提出一個看似完美的研究設計,也可能不知道它在現實中是否可行。

所以我反而認為,未來理想的研究者,可能需要同時具備兩種能力:

一方面懂得利用 AI 提升研究效率,另一方面也必須真正理解實驗與科學證據。


五、個人觀點|AI 可能讓研究變快,但不一定會讓科學變得更可靠

我其實滿期待 AI Co-Scientist 未來的發展。

畢竟如果 AI 能協助研究者減少大量重複性的資訊整理、資料分析工作,就有機會把更多時間投入真正重要的研究問題。

但我也覺得,當 AI 讓研究速度大幅提升時,另一個問題可能會逐漸浮現:

我們產生科學假說的速度,會不會開始超過驗證假說的能力?

例如 AI 一天可以提出上百個可能的疾病機制,甚至為每個機制設計實驗。

但實際上,一個細胞實驗可能需要數天或數週,動物實驗則可能需要更長時間。

而且研究還需要面對實驗資源、倫理審查、樣本數與可重現性的問題。

換句話說,AI 可以讓產生想法的成本快速下降,但驗證想法的成本不一定會跟著下降。

這也讓我想到,未來科學研究可能不只是追求「誰能提出更多新假說」。

而是更需要回答:

「在有限的時間與資源下,哪些假說最值得被驗證?」

如果沒有良好的篩選與驗證機制,AI 也可能讓我們產生大量看似合理、卻缺乏實際證據的研究方向。

甚至可能因為產生結果的速度太快,讓研究者沒有足夠時間仔細審查每一個結論。

所以我覺得,AI Co-Scientist 的真正價值,應該不是取代科學家做出判斷。

而是幫助科學家更有效率地提出問題、檢查假設,並找到值得投入實驗資源的方向。

AI 可以加速科學發現,但不能讓我們跳過科學驗證。


六、最後想跟大家討論兩個問題!

1. 如果未來 AI 可以自己提出研究假說、分析數據,甚至完成部分論文撰寫,你認為研究生還需要花那麼多時間學習傳統研究技能嗎?

例如文獻搜尋、資料分析、統計方法,以及基礎程式設計。

我們應該繼續要求研究生熟悉每一項技能,還是把更多時間放在問題定義、研究判斷與跨領域整合上?

我自己會比較傾向兩者都需要,只是學習的重心可能逐漸改變。

畢竟如果完全不懂研究方法,就很難知道 AI 做出來的結果到底可不可信。

2. 如果有一天,AI 提出了一個非常有創意的研究假說,實驗也證實它是正確的,那這項發現究竟應該算是 AI 的成果,還是人類科學家的成果?

這個問題我覺得很有意思!

因為當 AI 不只是協助整理資料,而是真的參與研究問題的形成,未來我們對研究貢獻、學術責任,甚至科學創造力的定義,可能都需要重新思考。

不過目前多數學術出版規範仍將研究責任歸於人類作者,AI 並不能直接承擔作者應有的責任。


最後,這次研究讓我最大的感想是:

未來研究生面臨的挑戰,可能不再只是如何取得知識,而是如何在 AI 產生大量知識與假說的情況下,判斷哪些內容真正值得相信。

我不覺得 AI Co-Scientist 的出現,代表研究生即將失去價值。

反而可能讓我們更需要重新思考,科學研究真正重要的能力究竟是什麼。

畢竟,AI 可以幫助我們更快得到答案。

但如果問題本身就不合理,或缺乏充分的實驗證據,再快得到答案,也不一定代表離真相更近。

也許未來真正優秀的研究者,不是最會使用 AI 的人,而是最懂得如何與 AI 合作、質疑 AI,並用科學證據驗證結果的人。

不知道大家怎麼看?

如果 AI 已經能幫我們做研究,大家會覺得這是研究生的福音,還是另一種新的挑戰?


參考資料

1. 主要研究(2026 年 11 月 16 日)

An open agentic AI co-scientist for clinical and biomedical discovery.

Nature Medicine.

doi.org/10.1038/s41591-026-04808-6(在新分頁開啟)

2. 延伸研究(2026 年 5 月 19 日)

Accelerating scientific discovery with Co-Scientist.

Nature.

doi.org/10.1038/s41586-026-10644-y(在新分頁開啟)

3. Google DeepMind 官方介紹

Co-Scientist: A multi-agent AI partner to accelerate research.

deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/(在新分頁開啟)

0 個愛心3 則留言

登入並驗證手機後就能留言。登入

留言

  1. 袋子 @a0979188107

    這篇文章讓我學到AI已經從單純整理資料到可自己提出假說,再驗證或否定自己的假說,我覺得研究生自己還是要精進自我領域的傳統技能,這樣才能分辨AI做的是正確還是錯誤,才不會AI好像寫的很有道理,我就全盤接受。

  2. Chris @koclu

    從科技發展的角度來看這件事。
    在沒有電腦、影印機的年代,研究生可能需要花費大量時間在文獻整理、資料抄寫及數據計算等繁瑣工作上。隨著科技進步,這些工作逐漸被簡化,也讓研究者有機會將更多心力投入需要專業判斷與創造力的研究問題。
    如今 AI 的出現,某種程度上也是這個過程的延續,只是它已經開始參與假說生成、研究設計等更高層次的工作。
    但不代表研究生的價值會因此降低,也不代表傳統研究技能不再重要。畢竟如果缺乏基礎知識與實驗經驗,就很難判斷 AI 的結果是否可靠。
    科技進步不一定會取代研究者的價值,而是改變研究者創造價值的方式。
    如果能善用 AI 節省的時間,進一步探索過去受限於時間與資源而難以突破的科學問題,那麼 AI 的出現對研究生而言,或許反而是一個新的契機。

  3. 小羊 @serena1230

    看到文章讓我想到老師在課堂所說的話,未來的研究相關學位變得越容易取得,當大家可以輕鬆獲取時,是否取得學位是不是就變得不那麼重要,那大家要精進的東西默默的在改變,那些還在研究中的學生是否有知曉自己該努力的方向在哪,還是就一昧的使用AI輔助研究而已。感覺未來的競爭力或是關鍵變成在使用AI的能力。