隨著人工智慧（AI）技術日益成熟，科學研究領域正迎來一波變革。從 Google DeepMind、Benchling 到 Sapio Sciences 等眾多廠商，皆積極向研究人員推廣「AI 協同科學家」功能，期盼 AI 能成為實驗室的得力助手。然而，要讓 AI 普及應用，關鍵在於科學家必須建立對其信任。

自 2025 年底以來，生命科學領域的 AI 相關交易已加速成長，金額高達數十億美元。其中，Anthropic 據傳斥資 4 億美元收購 Coefficient Bio，該團隊成員包含基因泰克（Genentech）前計算生物學家。OpenAI 也推出 GPT-Rosalind 模型，並與安進（Amgen）、莫德納（Moderna）和賽默飛世爾科技（Thermo Fisher）等公司合作。今日，Perceptic 這家由三位 Palantir 前工程師創立的新創公司，也於今日（27日）宣布獲得 Accel 的 1200 萬美元種子資金，旨在整合藥廠破碎的 AI 工具與專有資料。

儘管投資熱潮湧現，AI 在科學研究中的實際應用仍有所側重。Pistoia Alliance 於今年春季對 300 位產業領袖的調查顯示，54% 的受訪者認為 AI 在法規提交與報告方面最具價值，21% 用於研究分析，13% 則應用於自動化科學工作流程及實驗，但在濕實驗室（wet lab）中的應用價值僅佔 1%。此外，Sapio Sciences 在 2025 年 11 月調查 150 位實驗室科學家後發現，45% 的人透過個人帳號使用公共生成式 AI 工具來彌補傳統電子實驗室筆記本的不足。

為建立科學家對 AI 的信任，並克服其潛在的「幻覺」問題，業界正嘗試不同架構。Sapio Sciences 的 Rob Brown 指出，AI 代理（agent）與聊天介面有顯著區別。代理能跨多個軟體協同工作，例如從電子郵件提取檔案、查詢電子實驗室筆記本並生成報告，只需單一指令。Sapio Sciences 於 4 月 29 日宣布其 Elain 代理透過模型上下文協議（Model Context Protocol）連接 Anthropic 的 Claude Cowork，可將自然語言和語音介面整合至平台中。Rob Brown 強調，只要 Elain 能正確地構成查詢，就能確保獲得一致的答案，且系統會回報實際執行的搜尋過程，甚至能編寫 Python 程式碼來執行複雜的 API 查詢。

然而，在受管制的環境下，大型語言模型（LLM）的透明度和可重複性仍是挑戰。Pistoia Alliance 首席投資組合長 Christian Baber 表示，製藥公司普遍採行的硬性規定是：任何轉換器模型（transformer model）與關鍵外部系統之間都必須有人為審查。他強調，AI 模型主要用於起草報告，而非產出最終版本，因為「簽署實驗結果的是人類，而非 Elain。人類簽名代表了模型本身無法提供的責任歸屬」。

部分公司正探索更高度自動化的實驗室。Ginkgo Bioworks 於今年 3 月啟動 Cloud Lab，透過名為 EstiMate 的 AI 代理，讓科學家能以自然語言提交實驗方案並立即取得在 Ginkgo 自動化實驗平台上運行的報價。Parallel Bio 技術主管 Ari Gesher 則正在建立一種「無人」實驗室，由機器人全天候處理液體操作和數據收集，讓生物學家專注於實驗設計。

另一方面，Google DeepMind 發表並於今年 5 月整合至 Gemini for Science 計畫中的 AI Co-Scientist，則採取不同路徑，讓 AI 與科學家的協作模式更趨多元。各界普遍認為，儘管 AI 能協助科學家「做得更好」，但真正的革命在於能否協助科學家「做更好的事」，這將是推動科學研究突破的關鍵。對台灣科研領域而言，如何借鑒這些經驗，在確保 AI 可靠性與人類主導性之間取得平衡，將是加速科研創新的重要課題。