AI 正把科學研究帶到一個轉折點上。Google 旗下的公益部門 Google.org 在 10 月 14 日公布「Google.org Impact Challenge: AI for Science」的徵選結果，從來自 30 個國家、涵蓋氣候、健康與基礎科學的申請案中，選出 17 個機構，合計提供 3,600 萬美元資金。Google.org 全球負責人暨副總裁 Maggie Johnson 在公告中把這件事定位為一個「深刻的轉折點」：AI 開始從理解人類疾病的複雜機制，一路延伸到預測環境變遷，讓過去需要更長時間才能推進的問題，出現更快的解法。
這批團隊拿到的不只是錢。獲選機構可以選擇加入為期六個月的 Google.org 加速器（Accelerator），取得 Google 的工程支援、技術導師與雲端基礎設施。這個安排點出了當前 AI 科學研究的一個現實：真正的瓶頸往往不是想法不夠好，而是算力、資料工程與模型部署的能力不足。資金讓研究能繼續，工程資源才讓研究有機會從原型走向可規模化的解法。
氣候韌性與環境科學：從風暴預警到核融合
在氣候與環境領域，最貼近日常生活的是 AfriClimate AI Limited 的工作。這個團隊正在解碼非洲致命風暴系統的大氣前兆，目標是把山洪預警時間從目前不到 3 小時，延長到 6 小時以上。多出來的幾個小時，對疏散、道路封閉與防災資源調度都是直接可用的決策空間，而不只是氣象數字的改善。
Inria Chile 研究中心選擇的是另一條路：建立海洋的多模態世界基礎模型。所謂基礎模型（foundation model），是指先用大量跨模態資料預訓練、之後能泛化到多種下游任務的大型模型；用在海洋上，等於替地球的海洋生態系統打造一個「數位孿生」（digital twin），也就是以資料與模擬構成的虛擬副本，讓研究人員能在其中反覆測試假設，而不必每次都出海觀測。
材料與能源領域同樣密集。麻省理工學院訓練 AI 代理（agent）自主解讀實驗顯微影像，讓材料探索不必全靠人工判讀，加速自動化發現流程。馬克斯普朗克電漿物理研究所與荷蘭恩荷芬理工大學合作，以物理資訊 AI（physics-informed AI）模擬核融合反應爐內部的混沌狀態，試圖縮小模擬與現實之間的落差；德州大學奧斯汀分校則開發神經網路模型，加速緊湊型核融合反應爐的設計。加州大學聖地牙哥分校走得更整合，它要打造的是一套代理式 AI（agentic AI）流程——能自行規劃步驟、串接工具並做出決策的 AI 系統——從地球觀測資料中找出可解釋的氣候物理規律、建立下一代氣候模型，並進一步決定新的海洋觀測應該在哪裡進行。劍橋大學把物理基礎模型與顯微鏡技術結合，用來預測鈉離子電池陰極的劣化，加快耐久電池的開發；華盛頓大學則用自然語言設計蛋白質，指向塑膠降解等永續應用。
健康與生命科學：從不可成藥標靶到族群公平
健康領域的 9 個團隊，處理的多是長期卡關的問題。AITHYRA 研究院與洛桑聯邦理工學院合作，一方面揭開病毒如何操控細胞，一方面建立由 AI 設計的蛋白質庫，針對「不可成藥」（undruggable）蛋白尋找療法。這類蛋白缺乏適合藥物結合的結構特徵，長期是藥物開發的死角，因此需要新的分子設計途徑而非改良既有藥物。
Allen Institute 專注於設計能精準送達特定腦細胞的 DNA 序列，選擇的標的是對神經退化疾病更為脆弱的腦細胞類型，並承諾公開所有模型、序列與結果。澳洲國立大學主導一項國際合作，想終結化療的嘗試錯誤模式，推動更公平的精準腫瘤學。新加坡國立大學在族群規模上描繪基因變異如何調控 RNA 剪接，以此預測疾病影響；RNA 剪接是細胞把基因轉錄出的前驅訊息 RNA 剪去內含子、接上外顯子的過程，一旦調控失衡，就可能產出異常蛋白。紐約大學格羅斯曼醫學院則用 AI 偵測多種類型的 DNA 損傷，追查過去無法解釋的突變成因。
另有幾個團隊把重點放在模型的可理解性與族群的完整性。加州大學柏克萊分校要從醫療 AI 模型中抽出可解釋的假設，把黑箱預測轉化為臨床可用的生物標記。開普敦大學開發平台，繪製非洲族群藥物代謝基因的變異圖譜，協助臨床選藥並提升用藥安全；這項工作的意義在於，過去的藥物基因體研究多集中在歐洲族群，非洲族群的資料長期不足，直接用其他族群的結論選藥，可能導致療效落差或不良反應。匹茲堡大學以新的幾何 AI 模型比較不同物種的心臟再生能力，找出關鍵基因開關，加速心臟新療法開發；多倫多大學則用 AI 基礎模型描繪胜肽類藥物的設計空間，讓治療藥物設計可以由電腦輔助進行。
這批計畫透露的技術方向
把 17 個團隊放在一起看，會發現幾個反覆出現的方法論。第一是基礎模型的擴散：研究者不再針對單一任務訓練模型，而是先建立能泛化的大型模型，再應用到海洋、蛋白質、胜肽或氣候等領域。第二是代理式 AI 的出現：AI 開始被期待自行規劃流程、判讀影像、決定下一步要收集什麼資料，而不只是被動回應查詢。第三是物理資訊與可解釋性的並重：核融合與氣候這類領域對物理正確性要求極高，模型必須把已知定律納入訓練；醫療領域則要求預測能對應到可驗證的生物標記，否則難以進入臨床。第四是開放與公平，例如承諾公開模型與序列，或刻意補上非洲族群的基因資料缺口。
這些特徵合起來說明，AI 在科學中的角色正在位移。它不再只是加速資料分析的統計工具，而是開始參與假設生成、實驗設計與觀測決策，成為研究流程中的一個行動者。
影響與限制
3,600 萬美元分給 17 個團隊，平均約 210 萬美元。以 AI 研究的算力與人力成本來看，這筆錢足以支撑一段時間的驗證與規模化，但不足以單獨完成核融合或神經退化疾病這類需要長期投入的目標。六個月的加速器也有明確的時間上限，工程支援能解決的是部署與基礎設施問題，無法保證科學問題一定會被解開。
此外，多數計畫仍處於研究與原型階段。資金與算力之後，還有一連串非技術門檻：臨床研究需要法規審查與病患同意，基因與藥物相關成果牽涉生物安全與資料治理，氣候與海洋模型則需要長期觀測資料才能驗證準確度。公告本身是主辦方視角的成果展示，這些團隊最終能否帶來實際突破，仍要看後續幾年的研究進展與外部追蹤。可以確定的是，當科學專業與 AI 能力被放在同一個工作流程裡，被處理的問題規模與速度，已經和過去不同。
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。