用 Co-Scientist 產生新穎的科學假說 ☕ Buy me a coffee

🧑‍🏫 這支影片在介紹 Google DeepMind 的 Co-Scientist：一個由多個 AI 分工合作、幫科學家讀文獻、想出新假說並排出優先順序的系統。值得看的原因是，它讓你看到 AI 不只是聊天回答問題，而是被組成一個「研究團隊」來加快科學發現的速度。

• 00:00 受訪者認為 scientific method 可說是人類有過最偉大的點子；當科學家的理由是創造新知識。
  ↳ scientific method（科學方法）就是「提出猜想、做實驗驗證、錯了就修正」這套做事流程。受訪者覺得它是人類最厲害的發明，當科學家就是為了找出沒人知道的事。
• 00:33 科學資料散落在網路與世界各地；有人說自己大概開著數百個 Chrome 分頁的論文。
  ↳ 科學資料沒有集中在一個地方，論文、資料庫到處都是。開著幾百個分頁，就是在說光是「找資料」就已經把人淹沒了。
• 00:33 要站在科學最前線所需掌握的知識量每兩個月翻倍，資訊像海浪一樣不斷湧來。
  ↳ 要跟上最新研究得讀的東西，每兩個月就多一倍。意思是不管多努力，新資訊來的速度都比人讀的速度快。
• 00:33 科學家很怕漏看文獻或公開資料庫裡的東西；就算不停讀論文也不可能追得上。
  ↳ 科學家最擔心的是：答案的線索其實早就有人發表了，只是自己沒看到。這不是不用功，而是量大到人根本讀不完。
• 01:03 已知約有 17,080 種罕見疾病，其中約 5% 有治療方法。
  ↳ rare diseases 是罕見疾病，患者人數很少的病。一萬七千多種裡只有大約 5% 有藥可治，代表絕大多數病人目前沒有治療選項。
• 01:03 對病人和科學家來說最難的事之一是生物學進展很慢；對正在受苦的人，時間是很寶貴的資源。
  ↳ 生物研究做一個實驗常常要等很久才有結果。但病人等不起，所以研究慢這件事，本身就是一種代價。
• 01:03 研究會失敗數百次、甚至數千次，可能長達數年；對自己在乎的大問題其實只有少數幾次出手機會。
  ↳ 實驗失敗是常態，一個題目可能卡好幾年。所以一位科學家一輩子能認真挑戰的大問題沒幾個，選錯方向的成本非常高。
• 01:36 科學的「clock speed」才是真正推動社會進步的東西。
  ↳ clock speed 原本指電腦晶片運作的節奏快慢，這裡借來講科學「多久能完成一輪嘗試」。轉得越快，社會進步就越快。
• 01:36 受訪者一直認為，若以正確方式打造 AI，它可以成為幫助科學家探索宇宙的終極工具。
  ↳ 受訪者的立場是：AI 最有價值的用途是幫人做科學研究，但前提是要用對方法打造，不是隨便做就會有用。
• 01:36 Co-Scientist 被形容為「發現世界新洞見的引擎」，運用全世界的科學知識，為重大科學挑戰提出解法。
  ↳ Co-Scientist 是這套系統的名字。它的定位不是幫你查資料而已，而是把現有的科學知識拿來，針對難題提出新的解法方向。
• 02:12 它能做嚴謹且有結構的思考，這正是科學的標誌；它是由科學家打造、給科學家用的。
  ↳ 它強調的是推理有步驟、有根據，不是隨口亂猜。而且是懂研究的人設計的，所以做事方式貼近科學家實際的工作習慣。
• 02:12 Co-Scientist 不只是語言模型，而是 multi-agent system：各 AI agent 擔任專門角色，模仿真實研究團隊。
  ↳ multi-agent system 是多代理系統：agent 指能自己執行任務的 AI，這裡有很多個，各管一項工作，像研究團隊裡每個人分工不同。
• 02:12 它幫助科學家設計實驗、理解機制並判斷某方向該不該繼續做，讓科學突破來得更快。
  ↳ 它幫的是研究裡最花腦力的判斷：實驗怎麼設計、現象背後的原因是什麼、這條路值不值得繼續投入時間。
• 02:12 Co-Scientist 被視為 DeepMind 多年來一長串工作的自然延伸，目標是新的科學發現。
  ↳ DeepMind 過去就一直在做用 AI 幫助科學的研究，Co-Scientist 是沿著這條路走下來的成果，不是突然冒出來的產品。
• 02:42 部分 agent 接收科學家給的目標後去搜遍文獻，接著產生假說、創造新點子，並進一步演化這些點子。
  ↳ 流程是這樣：科學家先講想解決什麼，一部分 agent 去翻文獻，再提出 hypothesis（假說，也就是還沒驗證的猜想），然後一輪輪修改讓它更好。
• 02:42 同時有其他 agent 從點子互相比較的過程中，擷取學到的新資訊。
  ↳ 點子被拿來互相比較時，會看出哪些說法站得住腳、哪些有漏洞。有別的 agent 專門把這些心得記下來，回頭用來改進。
• 02:42 團隊中另有一個 agent 負責對不同點子做排序或比較。
  ↳ 還有一個 agent 像評審，負責把所有點子排名次，讓科學家先看到最值得試的，不用自己從一大堆裡挑。
• 02:42 系統有機會把原本完全不相干領域的事實連結起來，組合成很有創意的突破性新發現。
  ↳ 人通常只熟自己的領域，AI 卻能同時讀很多領域。所以它可能把兩個沒人想過有關的知識接起來，變出新的想法。
• 03:13 目標是讓 AI 賦予科學家超能力。
  ↳ 意思是 AI 不是要取代科學家，而是讓科學家能做到原本一個人做不到的事，做決定的還是人。
• 03:13 一位原本有點懷疑的科學家下了 prompt：如何處理 liver fibrosis 的 epigenomic 面向、可用哪些藥物治療；看到輸出後驚訝到「差點從椅子上跌下來」。
  ↳ prompt 是你打給 AI 的指令。這位科學家問的是肝纖維化（肝臟長期受傷變硬）跟基因開關調控有關的部分該用什麼藥，結果好到嚇到他。
• 03:13 能橫跨整個文獻的廣度去取樣、汲取概念，被認為非常強大。
  ↳ 人只能讀自己領域的一小部分論文，它卻能從所有文獻裡廣泛抓概念。這種「看得夠廣」正是人最難做到的地方。
• 03:45 它會連續跑上數天甚至數週，實際測試數千個假說、閱讀數萬篇論文。
  ↳ 它不是幾秒鐘就給答案，而是一跑就好幾天甚至好幾週，期間讀幾萬篇論文、檢驗幾千個猜想，像在認真做功課。
• 03:45 原本要花數個月的事縮短到一兩天；產出甚至可能幫你省下數年。
  ↳ 省下的主要是前期摸索的時間。本來要花幾個月讀資料想方向，現在一兩天就有；少走冤枉路，可能等於省下好幾年。
• 03:45 它提出了非常有趣的假說，研究者找不到任何方法推翻，看了就想衝進實驗室去試。
  ↳ 科學家會先試著挑毛病推翻一個想法。挑不出問題，代表這個假說夠扎實，值得真的動手做實驗去驗證。
• 04:16 科學家對每個點子各自的嚴謹程度感到驚訝；也有人看了假說才發現自己完全沒想過那個蛋白質。
  ↳ 它給的每個點子都有憑有據，不是敷衍帶過。還會點出研究者自己沒注意過的蛋白質，等於幫忙補上盲點。
• 05:00 用一個簡單的 prompt，就能在一天內派出 50 位科學家去做所有研究再回報給你。
  ↳ 打一段簡單的指令，效果就像一天之內有 50 個研究員幫你把資料查完、整理好再回報，人力落差一下被補起來。
• 05:00 任何人都能在世界任何地方指揮一個專家團隊，這點被形容為很有賦能感。
  ↳ 以前要有大實驗室、大團隊才做得到的事，現在不管你在哪裡、資源多不多，都有機會用到同等級的幫手。
• 05:00 系統提出的點子已經帶來新的發現並獲得發表，還有更多正在進行中。
  ↳ 這不是只停在展示階段。它提的點子已經有經過實驗、正式發表成論文的成果，還有其他研究正在進行。
• 05:00 它讓整個科學家社群都有能力在不同科學領域推動重大進展。
  ↳ 它不是只給某一個領域或少數頂尖實驗室用，而是希望各種科學領域的研究者都能靠它往前推進。
• 05:32 受訪者認為目前看到的影響還只是很小一部分；這份潛力正從 moonshot 走向 mission、從 code 走向 clinic。
  ↳ moonshot 指聽起來很遙遠的大膽夢想，mission 是正在執行的任務；code 是程式，clinic 是診間。意思是它正從構想走向真的幫到病人。
• 05:32 若能以最快的步調做出最好的科學，將對每個人有很大的幫助。
  ↳ 科學做得又快又好，受益的不只科學家。新藥、新療法早一點出現，最後是每個一般人都用得到。
• 06:03 結語：最優秀的科學家搭配這類工具，將能做出不可思議的事。
  ↳ 重點是「人加工具」的組合。工具再強也要厲害的科學家來問對問題、判斷結果，兩者搭配才會有最大效果。

根據影片，已知的罕見疾病中大約有多少比例有治療方法？