第 16 集：打造生命科學 AI（第 1/4 段）
🏦 台灣Pay 銀行轉帳 💙 PayPal
OpenAI Podcast 訪談生命科學團隊：新模型系列、plugin、Ginkgo 實驗與生物風險
- 00:00 主持人 Andrew Mayne 訪問研究負責人 Joy Jiao 與產品負責人 Yunyun Wang，談 OpenAI for Life Sciences
- 05:14 與 Ginkgo Bioworks 的合作約從 2025 年 7 月開始，當時 GPT-5 剛訓練完成
- 10:37 他們發現前置步驟看起來很無害，合法使用者與有害者的步驟非常相似，難以區分
💡 你可以怎麼用：可以學他們 skills 的做法：把你每次都要重做的工作，例如整理一批文章、比對不同來源的說法，寫成固定的提示模板存起來，下次直接套用，結果會比較一致。請 AI 整理資料時，也可以要求它逐條標出出處並互相比對，方便你自己核對證據。
看全部 35 條重點
🧑🏫 這是 OpenAI 官方 Podcast 的一集，生命科學團隊的研究和產品負責人一起談 AI 怎麼進到生物醫學研究。內容包括新的模型系列、給研究者用的外掛、和實驗公司 Ginkgo 合作做的真實實驗，也談到 AI 可能被拿去做生物武器的風險。想知道 AI 除了寫文案、寫程式之外，正怎麼走進實驗室，這集是很好的入門。
- 00:00 主持人 Andrew Mayne 訪問研究負責人 Joy Jiao 與產品負責人 Yunyun Wang，談 OpenAI for Life Sciences↳ 這集是 OpenAI 官方 Podcast，主持人 Andrew Mayne 找來生命科學團隊的兩位負責人：管研究的 Joy Jiao 和管產品的 Yunyun Wang，聊 AI 怎麼用在生物醫學研究。
- 00:32 Joy 說團隊標語是「scale test time compute to cure all disease」↳ test time compute 是模型在回答當下花掉的運算量，簡單說就是讓它「想久一點」。這句標語的意思是：靠讓模型多想，一路做到治好所有疾病，野心很大。
- 00:32 主持人回顧產品演進：從基本 API，到較會對話的 ChatGPT，再到 code models 與 Codex↳ 主持人先整理時間線。最早只有 API，也就是讓程式呼叫模型的介面；後來有能聊天的 ChatGPT；再來是專門寫程式的模型，以及 OpenAI 的程式代理工具 Codex。
- 01:06 團隊推出 life sciences model series，是聚焦生物化學的新模型系列，以複雜的生命科學研究 workflow 為核心↳ life sciences model series 是專門加強生物、化學能力的新模型系列。workflow 指一連串的工作步驟，這個系列就是照研究人員實際做研究的複雜流程來設計。
- 01:06 重點在增加機制層面的理解，先從 genomics 與 protein 理解開始，聚焦早期發現（early discovery）用途↳ 「機制層面」是搞懂事情為什麼會發生，不是只背結論。起點是基因體學（genomics）和蛋白質，主要用在 early discovery，也就是研究最前端找方向、找目標的階段。
- 01:06 他們認為早期發現是核心瓶頸，更多思考時間、compute 與更強的模型能明顯突破研究障礙↳ 他們判斷研究卡最久的就是前端探索。這一段特別吃「想」，所以給模型更多思考時間、更多 compute（運算資源）、換更強的模型，就能明顯往前推。
- 01:36 另有 model orchestration 的部分，也就是如何把模型嵌入 workflow↳ model orchestration 是指怎麼把模型安排進實際的工作流程，讓它在對的步驟做對的事。模型再聰明，接不進研究者每天的工作也沒用。
- 01:36 ChatGPT 上出現許多文獻統整（literature synthesis）workflow；長軌跡的 agentic workflow 則在 Codex 上支援↳ literature synthesis 是把大量論文讀完、整理出重點，這在 ChatGPT 上很常見。agentic workflow 是 AI 自己連續做很多步驟的長任務，這類工作放在 Codex 上跑。
- 02:08 企業用途需要可重現、可重複，因此推出給 translational bio 使用者的 life sciences research plugin↳ 企業要的是可重現、可重複，也就是同樣的做法每次結果都一致。為此他們做了一個 plugin（外掛功能包），給 translational bio（把基礎研究轉成醫療應用）的人使用。
- 02:08 這個 plugin 有超過 50 個 skills，也就是模板化、可重複的 workflow↳ skills 是把常做的工作流程做成固定模板，要用的時候直接套。這個外掛裡有 50 多個 skills，等於先幫你把常見的研究步驟打包好。
- 02:38 skills 的例子有跨論文比對證據與搜尋、pathway analysis，等於一鍵部署常做的工作↳ 例如同時比對多篇論文的證據、搜尋文獻，或做 pathway analysis，也就是分析細胞裡一連串分子反應的路徑。這些以前每次都要手動重來，現在按一下就能跑。
- 02:38 他們希望之後能涉及臨床用途，同時讓模型仍能通用於所有基礎生物學↳ 他們未來想往臨床走，也就是直接跟病人治療有關的方向。但不希望模型因此變得太窄，基礎生物學的各種問題它還是要能處理。
- 03:09 模型能用工具走得很遠，例如使用開源的蛋白質結構預測演算法，像計算生物學家一樣執行工具、看輸出、調整輸入↳ 模型會自己操作工具，例如開源的蛋白質結構預測程式。它像計算生物學家（在電腦上分析生物的研究者）一樣，跑工具、看結果，不對就改參數再跑一次。
- 03:09 Joy 認為讓模型更像生物化學專家，具備直覺與專業，能更聰明地使用工具，更快得到正確答案↳ 光會用工具還不夠。模型如果本身就有生物化學專家的直覺，就知道該先試什麼、哪個結果怪怪的，可以少走冤枉路，更快找到對的答案。
- 03:41 Joy 從小就喜歡生物，約十年前在 Harvard 取得 systems biology 博士↳ Joy 從小就喜歡生物，大約十年前在哈佛拿到 systems biology 博士。這個領域把生物當成一整個系統，研究各個部分怎麼互相影響。
- 03:41 她覺得學術界步調太慢，又要親自在實驗室移液，所以轉做軟體，後來進入 OpenAI，現在算是繞回生物↳ 她離開學術界，是因為研究進度太慢，每天還得自己在實驗室移液，也就是把液體一點一點吸取、分裝。後來她轉做軟體、進了 OpenAI，現在等於又繞回生物。
- 04:42 兩位都說不想再碰 pipette，希望由機器人代勞，自動化移液也是他們的動機之一↳ pipette 是移液用的吸管工具。兩人都說不想再拿它，這不只是玩笑話：把重複的手工實驗交給機器人，本來就是他們做這件事的動機之一。
- 05:14 與 Ginkgo Bioworks 的合作約從 2025 年 7 月開始，當時 GPT-5 剛訓練完成↳ Ginkgo Bioworks 是一家做合成生物的公司。雙方大約從 2025 年 7 月開始合作，那時 GPT-5 剛訓練完成。
- 05:14 當時訓練資料中的生物很少，主要是數學與電腦科學，因為這些領域有可驗證的解答；生物通常要做實驗才能驗證↳ 當時模型學的主要是數學和程式，因為這些有標準答案，能自動對答案。生物不一樣，對不對常常要真的做實驗才知道，所以訓練資料裡生物很少。
- 05:44 合作初期想知道模型能不能做生物，能否設計出真的產出目標產物的實驗↳ 所以一開始想知道的問題很基本：模型到底懂不懂生物？它設計的實驗拿去真的做，能不能做出想要的東西？
- 05:44 GPT-5 與 Ginkgo 設計的第一批實驗做出了非零量的蛋白質，令人意外↳ 結果 GPT-5 和 Ginkgo 設計的第一批實驗，真的做出了蛋白質，量不多但不是零。對一個沒怎麼學過生物的模型來說，這出乎他們的意料。
- 05:44 Joy 說從大約六個月前到現在，模型能加速科學已經變得很明顯，這點也令人驚訝↳ Joy 說，大概從半年前開始，「模型能讓科學研究變快」已經不是猜想，而是看得很清楚的事，連他們自己都覺得驚訝。
- 06:20 Yunyun 說在那次實驗之前他們自己也不知道結果，目前還有幾個與其他夥伴的實驗在進行↳ Yunyun 補充，實驗做之前他們自己也不知道會不會成功，不是先知道答案才拿出來講。目前還有其他合作夥伴的實驗正在進行。
- 06:20 匯入高通量實驗資料很困難、很耗 compute；目前科學加速的真正瓶頸幾乎是人↳ 高通量實驗一次會產生大量資料，要讓模型讀進去很難，也很耗運算。但他們認為現在科學跑不快，最大的限制其實是人手和人的時間。
- 07:02 他們期待瓶頸從人轉為 compute：部署許多 sub-agents 平行分工，研究者則專心分析、詮釋最有意義的洞見↳ sub-agents 是分派出去、各做一塊工作的小 AI 助手。理想情況是很多個同時開工，限制變成運算夠不夠；研究者只要專心判讀最重要的發現。
- 07:36 Yunyun 最早在 OpenAI 做 biorisk mitigations 與 biodefense，也做過傳染病與病毒學的 wet lab 研究，所以從兩面看這個問題↳ Yunyun 在 OpenAI 一開始做的是防範生物風險與生物防禦，之前也在 wet lab（真的操作試劑、細胞的實驗室）研究過傳染病和病毒。她懂怎麼用，也懂怎麼防。
- 08:12 從 capability evals 看出這件事可行；OpenAI 至少兩年前就開始早期研究實驗，現在有 Ginkgo 自主 wet lab、model in the loop 實驗↳ capability evals 是測試模型實際能力的評估，從結果看得出這條路走得通。OpenAI 至少兩年前就開始早期試驗，現在跟 Ginkgo 做模型參與決策、實驗室自動執行的實驗。
- 08:12 還有幾個研究夥伴不便透露名稱，涉及化學設計、蛋白質設計、酵素設計等被認為很 AI native 的領域↳ 還有幾個不能公開名字的合作夥伴，做的是化學、蛋白質、酵素設計。這些領域本來就很依賴電腦計算和設計，被認為天生適合交給 AI。
- 08:51 AI 可參與整條流程：理解化學反應與細胞 pathway、理解疾病機制、針對 target 設計藥物，甚至加速 FDA 核准↳ AI 能參與的不只一段：從搞懂化學反應和細胞路徑、找出疾病的成因，到針對 target（藥物要作用的分子）設計藥物，甚至讓 FDA（美國藥物主管機關）的核准更快。
- 09:23 主持人觀察到頂尖實驗室裡仍靠研究生手動處理樣本，科學的步調常受限於人手的速度↳ 主持人觀察到，就算是頂尖實驗室，很多樣本還是研究生一管一管手動處理。科學進度常常不是卡在想法，而是卡在人手能做多快。
- 10:03 主持人提問生物武器風險：AI 能找出 code exploit，也可能找出 gene exploit↳ 主持人丟出敏感的問題：AI 既然能找出程式的漏洞，會不會也找出基因層面的「漏洞」，被人拿去做生物武器？
- 10:03 Yunyun 認為這是目前追蹤的 AI 能力上升中最嚴重的風險之一；最初做法是評估 information hazards↳ Yunyun 認為，這是 AI 變強之後最嚴重的風險之一。information hazards 指「資訊本身就有危險」，他們一開始就從評估模型會不會講出這類資訊下手。
- 10:03 評估重點是模型何時可能提供合成危險病原體的最後一步↳ 他們最在意的是：模型什麼時候可能把合成危險病原體的「最後一步」講出來。前面的知識很多人都查得到，那一步才是真正做得出東西的門檻。
- 10:37 他們發現前置步驟看起來很無害，合法使用者與有害者的步驟非常相似，難以區分↳ 麻煩的是，前面的步驟看起來都很正常。正派研究者和想害人的人要做的事幾乎一樣，光看提問內容，很難分辨是誰在問。
- 10:37 Yunyun 認為當初採取非常規避風險的做法是對的；現在把 differentiated access 與負責任部署當作 safeguards 的核心支柱，並區分不同使用者族群↳ 所以她認為當初寧可保守是對的。現在的做法是 differentiated access，依使用者身分給不同權限，再加上負責任的上線方式，當作安全防護的主軸。
📘 術語
test time compute（推論時運算）：字幕未解釋，只出現在團隊標語「scale test time compute to cure all disease」中
life sciences model series（生命科學模型系列）：聚焦生物化學的新模型系列，以複雜的生命科學研究 workflow 為核心
early discovery（早期發現）：團隊聚焦的用途，被認為是研究的核心瓶頸之一
model orchestration（模型編排）：指如何把模型實際嵌入 workflow 中
literature synthesis（文獻統整）：在 ChatGPT 上常見的 workflow
agentic workflow（代理式工作流程）：字幕提到新模型推進長軌跡的 agentic workflow，並在 Codex 上支援
reproducibility / repeatability（可重現性／可重複性）：企業用途需要的特性，plugin 就是為了因應這點
plugin（外掛）：life sciences research plugin 提供給 translational bio 使用者，內含超過 50 個 skills
skills（技能）：模板化、可重複的 workflow，可以一鍵部署
pathway analysis（路徑分析）：字幕舉出的常做、可重複工作例子之一
translational bio（轉譯生物學）：字幕未解釋，僅指 plugin 針對的使用者族群
protein structure prediction（蛋白質結構預測）：模型可以使用的開源演算法工具例子
computational biologist（計算生物學家）：會在電腦上執行工具、看輸出、調整輸入的人，模型可以扮演這個角色
pipette（移液管）：實驗室移液工具，講者希望交給機器人自動化操作
sub-agents（子代理）：可部署多個 sub-agents 平行編排，分工處理任務
wet lab（濕實驗室）：字幕未詳細解釋；提到 Ginkgo 的自主 wet lab 實驗
capability evals（能力評估）：讓團隊看出生命科學應用可行的評估方式
information hazards（資訊危害）：評估模型何時可能提供合成危險病原體的最後一步
differentiated access（差異化存取）：與負責任部署並列為 safeguards 的核心支柱，依使用者族群區分
life sciences model series（生命科學模型系列）：聚焦生物化學的新模型系列，以複雜的生命科學研究 workflow 為核心
early discovery（早期發現）：團隊聚焦的用途，被認為是研究的核心瓶頸之一
model orchestration（模型編排）：指如何把模型實際嵌入 workflow 中
literature synthesis（文獻統整）：在 ChatGPT 上常見的 workflow
agentic workflow（代理式工作流程）：字幕提到新模型推進長軌跡的 agentic workflow，並在 Codex 上支援
reproducibility / repeatability（可重現性／可重複性）：企業用途需要的特性，plugin 就是為了因應這點
plugin（外掛）：life sciences research plugin 提供給 translational bio 使用者，內含超過 50 個 skills
skills（技能）：模板化、可重複的 workflow，可以一鍵部署
pathway analysis（路徑分析）：字幕舉出的常做、可重複工作例子之一
translational bio（轉譯生物學）：字幕未解釋，僅指 plugin 針對的使用者族群
protein structure prediction（蛋白質結構預測）：模型可以使用的開源演算法工具例子
computational biologist（計算生物學家）：會在電腦上執行工具、看輸出、調整輸入的人，模型可以扮演這個角色
pipette（移液管）：實驗室移液工具，講者希望交給機器人自動化操作
sub-agents（子代理）：可部署多個 sub-agents 平行編排，分工處理任務
wet lab（濕實驗室）：字幕未詳細解釋；提到 Ginkgo 的自主 wet lab 實驗
capability evals（能力評估）：讓團隊看出生命科學應用可行的評估方式
information hazards（資訊危害）：評估模型何時可能提供合成危險病原體的最後一步
differentiated access（差異化存取）：與負責任部署並列為 safeguards 的核心支柱，依使用者族群區分
✏️ 小考一題
根據影片，life sciences research plugin 有多少個 skills？
A. 超過 20 個B. 剛好 10 個C. 超過 50 個D. 超過 100 個看答案
答案：C。[02:08] Yunyun 說「the life sciences research plugin has over 50 skills」
💛 覺得有幫助？支持一下
課本免費、沒有廣告，支持與否都能照常讀 🐰