Builders Unscripted 第 5 集：Derya Unutmaz（第 1/3 段） ☕ Buy me a coffee

🧑‍🏫 免疫學家 Derya Unutmaz 醫生出身，很早就開始關注 AI。他在這集講 AI 怎麼從幫他查資料的助理，變成能一起想科學問題的夥伴。後半段他示範自己完全不寫程式、只用 Codex 做出的實驗分析軟體，很適合想知道「不是工程師能用 AI 做到什麼」的人看。

• 00:10 Derya 有醫學背景，從事生物科學與生物工程，專長橫跨生物、癌症與免疫學，並深入投入 AI
  ↳ Derya 是醫生出身，後來做生物研究和生物工程（用工程方法解決生物問題），熟悉癌症和免疫，也很投入 AI。
• 00:43 醫學院畢業後，他體認到生物系統非常複雜，因此投入生物醫學研究；當時很多疾病都無法治療
  ↳ 醫學院畢業後，他發現很多病連醫生都沒辦法治，因為人體太複雜、還沒被搞懂。所以他轉去做研究，想從根本找出解法。
• 01:16 生物系統有數兆個部件、數十億個反應同時進行，令人不知所措；他因此在 90 年代初開始對 AI 產生興趣
  ↳ 人體裡同時有數不清的零件和反應在進行，人腦根本追不完。他覺得需要電腦幫忙處理這麼多資訊，所以 90 年代初就開始注意 AI。
• 01:48 他在 90 年代就嘗試用 AI 寫程式；deep learning 能以平行方式處理大量資訊，讓他很興奮；之後又有 AlphaFold 與 ChatGPT
  ↳ deep learning（深度學習）是讓電腦從大量資料自己找規律的 AI 方法。後來的 AlphaFold（預測蛋白質結構的 AI）和 ChatGPT，讓他更確信這個方向。
• 02:20 2024 年 9 月 OpenAI 主動找他試用第一個推理模型 o1-preview，他認為原因是自己常在 X（Twitter）上討論 AI
  ↳ o1-preview 是 OpenAI 第一個 reasoning model（推理模型），回答前會先一步步思考。OpenAI 主動找他試用，他猜是因為他常在社群平台 X 上聊 AI。
• 02:50 當時有很多人對 AI 抱持懷疑，他認為現在仍有，但他真心相信 AI，並全力投入
  ↳ 很多人懷疑 AI 到底可不可靠，到現在也還是有人這樣想。他的立場很明確：他相信 AI，而且全力投入，不是在旁邊觀望。
• 03:21 他喜歡拿電玩類比科學。他的 prompt 把 battle royale 生存遊戲類比成免疫系統對抗腫瘤，請模型設計免疫細胞對抗癌症的情境
  ↳ prompt 就是你打給 AI 的指令。battle royale 是一群人在島上對戰、活到最後的遊戲。他把免疫細胞打腫瘤想成這種生存戰，請模型設計作戰情境。
• 03:53 o1-preview 的回應讓他幾乎動容；他說先前的模型給不出這麼深入、有洞見的回答；他們後來也做了相關實驗
  ↳ o1-preview 的回答深入到讓他幾乎感動，以前的模型做不到。他們後來還真的照這方向做了實驗，代表 AI 給的點子可以實際拿來用。
• 04:27 GPT 4 推出後就已經非常有用，因為生物資訊量太大、跟不上；可用來搜尋文獻、綜合知識、寫推薦信，原本一小時的事縮短為五分鐘
  ↳ GPT 4 是 o1 之前的模型。生物論文多到讀不完，它能幫忙找文獻、整理重點、寫推薦信，原本一小時的事五分鐘就搞定。
• 04:57 但當時還無法完全信任，也不能問「實驗結果會如何」這類問題；o1-preview 開始會推理，他才意識到 AI 對科學將極為關鍵
  ↳ 但那時的 AI 還不能完全相信，也沒辦法回答「這個實驗會有什麼結果」。等到 o1-preview 會推理，他才確定 AI 會成為科學研究的關鍵工具。
• 05:27 之後有了 pro 版與 o3，表現更好，現在的模型也持續進步
  ↳ 之後又出了更高階的 pro 版和 o3 等模型，他覺得一代比一代強，而且到現在還在持續進步。
• 05:27 他的新日常是早上先喝咖啡，接著讓 Codex 幫他做事；他自稱是 Codex addict
  ↳ Codex 是 OpenAI 的 AI 寫程式工具，你用文字描述需求，它幫你寫和改程式。他現在每天喝完咖啡就開 Codex 派工作，自嘲已經上癮。
• 06:29 過去要會寫程式，即使會寫也要花數週到數月；現在他醒來就能試新點子。Codex 有時整夜運作，他這幾個月因此睡得不多
  ↳ 以前有點子得自己寫程式，就算會寫也要花幾週到幾個月。現在醒來想到就能叫 Codex 做，它有時整晚都在跑，所以他這幾個月睡得不多。
• 07:00 他用 Codex 打造不太複雜、但對日常非常實用的小 app
  ↳ app 就是小應用程式。他做的不是大系統，而是解決自己工作小麻煩的工具，不複雜，但每天都用得到。
• 07:30 他們的研究高度依賴分析軟體，例如 flow cytometry，這是觀察細胞（主要是免疫細胞）世界的窗口
  ↳ flow cytometry（流式細胞分析）是實驗室用來一次量大量細胞特徵的技術。他說這是看見免疫細胞世界的窗口，他們的研究很依賴配套的分析軟體。
• 08:00 flow cytometry 流程：用螢光標記細胞，讓細胞通過雷射，分析數千個細胞並產生資料，藉此判斷細胞功能，例如能否對抗癌症、是否可能引起自體免疫
  ↳ 做法是用會發光的染料標記細胞，讓細胞一顆顆經過雷射，機器記下每顆發出的光。這樣就能判斷細胞的功能，例如能不能打癌症、會不會攻擊自己身體。
• 08:34 這些資料要放進專門軟體，把數千到數十萬個資料點畫成圖、算出各類細胞比例；這類複雜軟體他們已用了幾十年
  ↳ 機器量出來的是一大堆數字，要用專門軟體畫成圖，才看得出各種細胞各占多少。這類軟體很複雜，實驗室已經用了幾十年。
• 08:34 他決定自己做一套這樣的軟體，過程中失敗很多次
  ↳ 他決定自己做一套這樣的軟體。過程並不順利，失敗了很多次。
• 09:04 從 5.5 開始，他有了完整可運作的版本。Demo 中上傳檔案後，圖上每個點代表一個細胞
  ↳ 從 5.5 這一版開始，他才做出完整能用的版本。示範時他上傳實驗檔案，圖上的每一個點就是一顆細胞。
• 09:34 樣本約用了 20 種分子，各自結合一種受體，這些 markers 的組合就定義出特定的細胞子群
  ↳ 樣本裡用了約 20 種分子，每種會結合在細胞上特定的受體。這些 markers（標記）的組合就像身分特徵，組合不同，就代表不同種類的細胞。
• 10:07 帶有 CD4 或 CD8 分子的 T 細胞中，帶 CD8 的是 killer cells；他可以設 gates，算出 CD8 或 CD4 陽性的比例，並產生各種統計分析
  ↳ T 細胞是一種免疫細胞，帶 CD8 分子的是 killer cells（殺手細胞）。gates 是在圖上圈出範圍，軟體就會算出 CD8 或 CD4 陽性的比例和統計。
• 10:41 軟體可切換 contour plots 等不同圖形呈現；資料約有 100,000 個 events，處理速度仍很快，優化程度超出他的預期
  ↳ 軟體能切換成 contour plots（等高線圖）等不同畫法。events 指每一筆被量到的細胞資料，約十萬筆還是跑得很快，優化程度超出他預期。
• 10:41 整套軟體 100% 用 Codex 打造。遇到圖看不清楚等問題時，他請 Codex 修正並幫他寫 prompt，Codex 就會持續工作
  ↳ 整套軟體百分之百是 Codex 做的。遇到圖看不清楚之類的問題，他就請 Codex 修，甚至請它幫忙寫指令，然後讓它繼續做下去。
• 11:11 另一個 app 可選擇細胞類型（例如 naive T cell），列出可選的 markers 及其相關程度，用來設計 panels
  ↳ panels 是實驗前挑好的一組標記。這個 app 讓他選想找的細胞（例如 naive T cell），列出可用的標記和相關程度，幫他挑組合。
• 11:41 他強調自己是生物醫學工程師，不是軟體工程師；若自己寫程式，花幾個月大概也只能寫出 snake game
  ↳ 他強調自己是生物醫學工程師，不是軟體工程師。要他自己寫程式，花幾個月大概也只能做出貪食蛇（snake game）這種入門小遊戲。

根據影片，OpenAI 是在什麼時候找 Derya 試用 o1-preview 的？