第 16 集：打造生命科學 AI（第 4/4 段） ☕ Buy me a coffee

🧑‍🏫 這是 OpenAI 生命科學節目的最後一段。兩位來賓 Joy 和 Yunyun，跟主持人 Andrew 聊學生和研究者該怎麼開始用 AI，也談十年後 AI 可能讓科研變成什麼樣子。想知道 AI 在研究現場實際怎麼用、自己該從哪裡下手，這段很實用。

• 33:24 Andrew Mayne：模型更好用，人們就不必花大量時間研究怎麼下 prompt 或各種技巧，因此能獲得更多實用價值。
  ↳ 模型越聰明，就越聽得懂一般說話。你不必先學一堆寫 prompt 的訣竅（prompt 就是你打給 AI 的指令），省下的力氣可以直接拿去做正事。
• 33:24 Joy Jiao 高中時參加 USA Biology Olympiad。在各科奧林匹亞中，生物被視為最偏重記憶的一科，數學則不是。
  ↳ Joy 高中參加過 USA Biology Olympiad（美國高中生物競賽）。她說在各科奧林匹亞裡，生物最靠背，數學反而不是。
• 33:55 Joy 認為數學比較像 test time compute scaling，生物則偏向記憶與檢索。
  ↳ test time compute scaling 指讓 AI 回答時多花運算、多想幾步，答案就會更好。Joy 說數學像這樣靠現場推理，生物則比較靠記得多、找得到。
• 33:55 Joy 期望 AI 學會各研究之間的關聯後，能提升人類創造力，讓學習少靠背誦，多幫人連結不同研究領域，推進生物學探索的前沿。
  ↳ 她希望 AI 先把各篇研究之間的關係串起來。這樣人就不用花力氣死背，可以把心力放在跨領域的連結和新點子上，把生物學往前推。
• 34:32 Joy 給高中生的建議：不必背完所有生物書，應多用 AI 探索，例如讀論文並提問。這樣既能深入鑽研，也能取得廣泛概覽，學習方式會真正改變。
  ↳ 她給高中生的建議是別想把整本生物書背完。把論文丟給 AI 一直問：想深挖就追問細節，想看全貌就請它整理。學習方式會跟以前很不一樣。
• 34:32 Yunyun Wang：在實驗室做生物研究時，她覺得那是很個人、很孤獨的工作。第一次參加 CS hackathon 一起做 app 時，則感受到協作的興奮感。
  ↳ Yunyun 說在實驗室做生物研究，常是一個人埋頭做，很孤單。她第一次參加 CS hackathon（一群人在短時間內合力寫程式做出作品），一起做 app，才嚐到協作的興奮。
• 35:17 Yunyun 希望學生與早期使用者使用模型時（也許在 Codex runtime 中）也能有協作性，例如分享 scripts 或對話。未來每人或許有自己的 co-scientist 或 agent，可派去和隊友合作。
  ↳ Codex 是 OpenAI 寫程式的 AI，runtime 指它執行的環境。她希望用 AI 時也能互相分享腳本和對話。未來每人或許有個 AI 研究夥伴（co-scientist），或能自己辦事的 agent，派去跟隊友協作。
• 35:17 Yunyun 認為這會帶來新的互動方式與新的模態。她鼓勵學生及早採用，並開創自己的使用方式。
  ↳ 她認為這會帶出新的互動方式和新的使用形式，所以鼓勵學生早點用，自己摸出一套玩法，不必等別人教。
• 35:53 Yunyun 覺得自己太早進入 wet lab，也不喜歡 pipetting。Andrew 附和說「沒人喜歡 pipetting」。
  ↳ wet lab 是實際動手處理試劑、細胞的實驗室。pipetting 是用吸量管精準吸放液體，重複又費神。她覺得自己太早進 wet lab，也不愛 pipetting，Andrew 直接說沒人喜歡。
• 35:53 Yunyun 指出實驗中有很多高強度的手工作業。她希望 AI 模型能連接實體設備，讓學生的學習曲線更有趣，把時間花在真正有意思的互動上。
  ↳ 實驗裡有大量耗體力的重複手工。她希望 AI 能直接接上實體儀器，學生就不會被雜事磨掉熱情，能把時間留給真正有趣、要動腦的部分。
• 36:31 Andrew 的例子：他協助的一名學生把 Codex 連接到溫室，取回照片來查看與評估，藉此結合 AI 與溫室這類傳統事物，培養兩者並用的技能。
  ↳ Andrew 帶的一個學生讓 Codex 連上溫室，抓照片回來查看並評估植物狀況。重點是把 AI 接到溫室這種傳統場景，同時練會兩邊的本事。
• 36:31 Andrew 提到，許多研究者覺得 AI 很好，但自己沒時間；而 AI 的最終目的正是幫他們節省時間。
  ↳ 很多研究者說 AI 很棒，但自己沒空學。Andrew 點出其中的矛盾：AI 本來就是要幫你省時間的，越忙反而越該用。
• 37:16 Joy 觀察到學術界用 AI 主要有兩種方式。第一種是和 AI 討論既有論文，確認自己理解正確，或做 fact checking。
  ↳ Joy 觀察到學界用 AI 的第一種方式，是拿現成的論文跟它討論，確認自己沒讀錯，或請它幫忙查證事實（fact checking）。
• 37:16 Joy 個人最喜歡這種用法，因為可以問很笨的問題而不會感到被評判，對學習非常有幫助。
  ↳ 她最喜歡這種用法，因為可以問很基本、很笨的問題，不用怕被人覺得程度差。敢問，就學得快。
• 37:50 第二種是分析實驗結果。有時研究者不知道正確的資料分析方法，資料也可能涉及化學或冷門的蛋白質生物學等跨領域知識。
  ↳ 第二種是分析實驗數據。研究者有時不確定該用哪種分析方法，資料又可能牽涉化學、冷門的蛋白質生物學等自己不熟的領域。
• 37:50 模型能替研究者引入不同的資料分析方法，並探索各種分析路徑。
  ↳ 這時模型能提出你沒想過的分析方法，並一條條試不同做法，就像多了一位懂其他領域的同事幫你想。
• 38:24 Joy 認為這兩種都是低門檻的嘗試方式：把 PDF 丟給 AI，請它幫忙理解論文並自然對話；或打開 Codex，直接在筆電上做資料分析。
  ↳ 這兩種都很好上手：把論文 PDF 丟給 AI，像聊天一樣問它；或在自己筆電上打開 Codex，叫它直接幫你跑資料分析。
• 38:24 Yunyun 建議一開始要讓 AI 不像是在工作，可以從嗜好或熱情專案著手。她自己是在做 creative writing 專案時，開始做 literature synthesis 類任務。
  ↳ literature synthesis 指讀過很多篇文獻後整理歸納。Yunyun 建議先從興趣下手，讓用 AI 不像在工作。她自己就是在做 creative writing（創意寫作）專案時，開始用 AI 整理文獻。
• 39:02 Yunyun 透過這種和日常工作無關的媒介，找到許多下 prompt 與存取不同資料來源的方法，培養出日後應用時的 pattern matching 能力。
  ↳ 在跟工作無關的事情上玩，她摸出很多下指令、串接不同資料來源的方法。之後碰到工作問題，就能認出「這跟之前那招很像」，這就是 pattern matching。
• 39:02 Yunyun 指出第一次不會就做對，而且真的很難。
  ↳ 她直說第一次不會就做對，而且真的很難。卡關很正常，不代表你不適合用 AI。
• 39:35 這個領域進展極快，每週或每月都有可能改變我們使用模型或 AI 系統方式的新發展，所以重要的是先從某處開始。
  ↳ AI 變化太快，每週、每月都可能出現改變用法的新東西。等到「學完再開始」永遠等不到，先挑一件事動手最重要。
• 39:35 另一個主題是協作：來自做相同日常工作的直屬隊友的推薦最有力。例如她團隊有人讓 Codex 連上三個以前連不上的內部資料庫。
  ↳ 另一個重點是互相交流：跟你做同樣工作的隊友推薦最有用。像她團隊有人讓 Codex 接上三個以前連不到的內部資料庫。
• 40:07 Yunyun 認為 latent capabilities 非常廣大，很多事要實際做到才知道可行。和朋友、實驗室夥伴、隊友聊天，能激發創意並幫助自己導入 AI。
  ↳ latent capabilities 指 AI 其實做得到、但你還沒發現的能力。這些能力範圍很大，常常要試了才知道。多跟朋友、實驗室夥伴、隊友聊怎麼用，最容易冒出新點子。
• 40:07 被問到十年後的科學樣貌，Yunyun 說團隊成立時就設下遠大目標，其中之一是在治癒疾病上取得有意義的進展，或至少協助治癒疾病。
  ↳ 被問到十年後科學會是什麼樣子，Yunyun 說團隊一成立就訂了大目標，其中之一是在治癒疾病上取得真正的進展，至少要能幫上忙。
• 40:37 Yunyun 指出許多罕見的 orphan diseases 沒得到應有的關注與資源，因為這個領域非常困難，例如 clinical research 要帶到病患和市場極為艱難。
  ↳ orphan diseases 指患者很少、少有人投入研究的罕見疾病。clinical research 是在人身上驗證療效的臨床研究，要一路推到病人用得到、能上市非常困難。
• 41:11 Yunyun 覺得十年是很長的時間軸，她對可能的進展很興奮，並認為應審慎樂觀地期待很快會看到一些突破。
  ↳ 她覺得十年是很長的時間，對可能的進展很興奮。但她的態度是審慎樂觀：不誇大，也相信不久就會看到一些突破。
• 41:11 Joy 的「有點科幻」願景是 autonomous labs：以機器人為主並連接 AI，成為持續運作、治療人類疾病的自主研究機構，也可能開發新材料、新藥。
  ↳ Joy 帶點科幻的願景是 autonomous labs（自主實驗室）：機器人做實驗、AI 下判斷，全天候運轉，專門研究治病，也可能做出新材料、新藥。
• 41:42 Joy 認為這些系統可能解決 personalized medicine，以及 NF1 或超罕見疾病。缺乏大量資金與科研資源的人原本難以著手，但可以用 AI 解決。
  ↳ personalized medicine 指依個人狀況量身訂做的治療。NF1 是一種遺傳疾病。這類病和超罕見疾病，過去沒有大筆資金和研究資源很難著手，她認為 AI 能補上這塊。
• 41:42 Joy 認為這套系統幾乎能突破財務、法規與金錢上的限制，這是她的夢想。
  ↳ 她的夢想是這套系統能幾乎突破資金和法規的限制，讓研究不再只有資源多的人做得起。
• 42:14 在 biosecurity 方面，這些系統可以持續採樣環境（例如廢水、空氣）並偵測潛在威脅，也能更準確預測流感、產出更好的流感疫苗。
  ↳ biosecurity（生物安全）指防範疫病等生物威脅。這類系統可以持續採樣廢水、空氣，找出潛在威脅，也能更準確預測流感、做出更好的流感疫苗。
• 42:14 Joy 認為各種 medical countermeasures 在十年內應能自主進行，這是她非常期待的事。
  ↳ medical countermeasures 指應對健康威脅的疫苗、藥物、檢測工具等。Joy 認為十年內這些工作應該能自主進行，她很期待。
• 42:45 Andrew 的補充：AI lab 並不代表沒有科學家，而是會有更多科學家。他們可以在家對 Codex 說「幫我跑這個實驗」，由資料中心或科學中心來執行。
  ↳ Andrew 強調，AI 實驗室不是把科學家趕走，而是讓更多人能當科學家。你在家跟 Codex 說「幫我跑這個實驗」，遠端的資料中心或科學中心就會去做。
• 42:45 Joy 補充，人類負責高層次的方向設定，例如提出「這位病患有這種病，這裡有些可能的解法可以研究」。
  ↳ Joy 補充分工方式：人負責定大方向，例如「這位病人得了這種病，這幾個可能的解法值得研究」。
• 43:17 之後 AI 會探索不同想法、設計實驗，再回報「這是我的發現，你覺得下一步該怎麼做」，形成類似學術討論的互動。
  ↳ 接著 AI 自己發想、設計實驗，再回來說「我發現了這些，你覺得下一步怎麼走」，像在跟研究夥伴討論。
• 43:17 Joy 說這類似今天和 Codex 的互動：叫它寫函式，它回傳程式碼，人再指示下一步。差別在於規模大得多，時間跨度也長得多。
  ↳ 這其實就像現在用 Codex：你叫它寫一個函式（完成特定功能的一小段程式），它交出程式碼，你再指示下一步。差別是未來規模大得多，一次跑的時間也長得多。
• 43:17 Yunyun 看重「科學民主化」：把真正有能力的專家級知識交到更多人手上。
  ↳ Yunyun 看重「科學民主化」，意思是原本只有專家才有的真本事，透過 AI 讓更多人也用得到。
• 43:54 Yunyun 認為這對 personalized medicine 與強化社會防禦都有意義。每年都有自然出現的新變異株、新流感病毒株，這能讓人更有能力應對。
  ↳ 她說這對個人化醫療和強化社會防禦都有幫助。每年都會自然冒出新的變異株、新的流感病毒株，有這些工具，大家更有能力應對。
• 43:54 Yunyun 也對加速 medical countermeasure 的相關工作感到興奮。
  ↳ 她也很期待，能加快疫苗、藥物等醫療應對措施的相關工作。

Joy Jiao 觀察到學術界使用 AI 的兩種主要方式是什麼？