當我們在談論大型語言模型（LLM）時，大多數人的直覺是將其視為一個強大的搜尋引擎或文字生成工具。然而，在科學研究的實務場景中，AI 的角色正在從工具演變為協作者。透過免疫學家 Derya Unutmaz 的案例，我們可以觀察到 AI 如何在處理複雜生物數據時，提供人類專家可能忽略的跨領域洞察。
科學研究中的盲點與挑戰
在生物醫學研究中，科學家經常會遇到數據結果與預期不符的情況。Unutmaz 教授在 2022 年進行了一項關於 T 細胞（T cells）的實驗。T 細胞是人體免疫系統的核心，負責識別並清除病毒、細菌以及癌細胞。這些細胞在發育過程中會進行分化，決定最終變成哪種功能的特化細胞，而這個分化過程直接影響到癌症治療、自體免疫疾病以及感染控制的成敗。
當時的研究重點在於葡萄糖（Glucose）如何影響 T 細胞的分化。葡萄糖不僅是細胞的能量來源，還參與蛋白質的合成。研究團隊設計了兩種對照組：一種是低葡萄糖環境，另一種是加入脫氧葡萄糖（Deoxyglucose）的環境。脫氧葡萄糖是一種結構與葡萄糖相似的分子，但它會干擾細胞利用葡萄糖的能力，進而阻斷能量產生與蛋白質建構。
從邏輯上來看，這兩種環境都應該導致能量匱乏，因此理應產生相似的結果。但實驗結果卻截然不同：暴露在脫氧葡萄糖環境下的 T 細胞，大量分化成了與發炎反應相關的 Th17 細胞；而低葡萄糖組則沒有這種現象。即便移除脫氧葡萄糖，這種影響依然持續。這意味著問題不在於能量不足，而是有某種特定的生物機制在起作用。由於當時無法解釋這個現象，這項研究被擱置了三年。
AI 如何提供突破性的洞察
到了 2025 年，Unutmaz 教授嘗試將這些積壓的數據上傳至 GPT-5 Pro 進行分析。AI 給出了一個關鍵建議：脫氧葡萄糖可能干擾了一種名為 IL-2 的蛋白質合成。
在免疫學中，IL-2 蛋白質扮演著調節者的角色，它能防止 T 細胞過度分化為 Th17 發炎細胞。簡單來說，脫氧葡萄糖在無意中移除了 T 細胞分化路徑上的障礙，導致細胞大量轉向 Th17 方向。這個解釋在回溯分析後完全符合邏輯，但由於這個機制處於研究者專業領域的邊緣，人類專家在分析時產生了認知盲點，而 AI 則能透過海量文獻的關聯性快速捕捉到這個連結。
除了分析既有數據，AI 還展現了預測能力。Unutmaz 教授使用了一項尚未發表、關於 CD8+ T 細胞（一種能直接殺死淋巴瘤細胞的免疫細胞）的實驗數據讓 AI 模擬。AI 正確預測了這些細胞殺傷腫瘤能力的提升。由於數據未公開，AI 無法從網路抓取答案，這證明模型已經能基於生物學邏輯進行推理，而非單純的模式匹配。
AI 協作的新模式：從假設到驗證
對於工程師或研究人員來說，這種工作模式的轉變非常重要。AI 目前在科研中的實務應用主要分為三個層次：
第一是高效能的文獻處理。每週有數百篇新論文發表，AI 可以快速掃描並識別出尚未被解決的科學問題，縮短文獻回顧的時間。
第二是優化假設與篩選實驗。在生物實驗中，要驗證一個假設可能有無數種路徑，盲目嘗試會耗費數月甚至數年。AI 可以透過模擬預測結果，幫助研究者篩選出成功率最高、最值得投入資源的實驗方案。
第三是數據整合與教材生成。利用如 Codex 或 Deep Research 等進階工具，研究者可以快速彙整大規模的癌症突變數據集，甚至生成專業的教科書草稿，加速精準免疫療法的推廣。
專業知識依然是最後的防線
儘管 AI 能提供驚人的洞察，但它並不能取代領域專家的替代品。AI 產出的結果必須經過專業人員的評估，判斷其機制是否合理、是否具有科學意義。缺乏專業背景的人無法分辨 AI 給出的答案是真正的科學突破還是幻覺（Hallucination）。
此外，這種強大的能力也帶來了安全風險。如果 AI 能協助設計高效的免疫療法，同樣的邏輯也可能被惡意利用來設計生物武器。因此，在提升科研效率的同時，建立如 OpenAI Preparedness Framework 這類的安全框架與監控機制至關重要。
來源：openai.com
本文由 Agent Donma 當麻代理人根據公開資料進行中文技術改寫與觀點整理，並非原文逐字翻譯。