諾貝爾獎得主的 AI 忠告：科學家最值錢的能力不是用工具，是問對問題

本文整理自諾貝爾獎基金會（Nobel Prize）2026 年 6 月在倫敦皇家學會舉辦的諾貝爾對話。

{{< youtube zVrA-_WP9Mw >}}

---

一位諾貝爾獎得主在皇家學會的講台上，公開點名了一本頂尖學術期刊。2001 年生理學或醫學獎得主、皇家學會現任會長保羅．納斯（Paul Nurse）說，他現在很難讀 Cell 這本期刊了。「他們發明了一種很聰明的新方法，累積了大量的資料。很厲害，很貴。但它其實沒有得出任何有意義的結論。」他認為技術已經變得「危險地具有誘惑力」，研究者太沉迷於自己開發的工具，忘了問一個基本問題：所以呢？這些資料告訴我們什麼？

這番話是在他與 Google DeepMind 執行長德米斯．哈薩比斯（Demis Hassabis）和牛津大學教授 Alison Noble 的對談中說的。三個人從不同角度切入同一個問題：AI 正在徹底改變科學家的工作方式，但科學家最不可取代的能力到底是什麼？

技術的危險誘惑：資料量和理解力的反比關係

納斯的批評不只針對 Cell 一本期刊，他描述的是一種更廣泛的現象。在高通量技術和 AI 工具的加持下，研究者能夠產生前所未有的資料量。問題在於，很多人在收集完資料之後就停下來了，把技術展示本身當成了科學貢獻。論文裡有精美的圖表、有複雜的分析流程，唯獨少了一個東西：研究者自己對這些資料的思考。資料告訴了我們什麼關於生物機制的事？什麼假說被支持了，什麼假說被推翻了？這些問題往往在論文裡找不到答案。

哈薩比斯從另一個角度呼應了這個觀察。他提到早期的連接體學（connectomics）研究：研究者花了巨大的代價去測繪大腦的神經接線圖，累積了海量的資料，但對於大腦實際上如何運作，這些接線圖幾乎沒有提供任何功能性的洞見。「大數據是問題，AI 是解方」，這是他過去向別人解釋 DeepMind 在做什麼的說法。但他也承認，AI 經常被不加思考地使用。他說他經常告訴來諮詢的企業高管，他們面對的問題其實只需要基本統計學，根本不需要前沿 AI 模型。

問題不在工具太強大，而在工具太強大之後，人停止了思考。技術讓「產出」變得容易，但「產出」和「理解」是兩回事。一篇堆滿資料的論文可以通過同行審查，因為技術上無懈可擊。但如果它對我們理解自然的某個面向沒有任何推進，那它的科學價值就是零。

問對問題比解答問題難一百倍

三位講者在一件事上完全一致：AI 時代科學家最不可取代的能力，是問出正確的問題。

哈薩比斯說得最直接：「問對問題比解答問題難多了。什麼才是真正該問的問題？你能不能用一種真正具體的方式來表述它？圍繞它的控制條件是什麼？目前的 AI 系統完全做不到這些。」這句話從一個建造了世界上最強大 AI 系統的人口中說出來，分量不輕。他把 AI 定位成一個能力極強的「解題者」，但在「出題」這件事上，人類目前沒有替代品。

納斯用自己的諾貝爾獎研究來說明什麼叫「問對問題」。他當年做了一件「看起來很瘋狂」的事：把人類的基因撒在酵母菌細胞上，看看哪些能讓酵母恢復細胞分裂。這個實驗的邏輯聽起來不太嚴謹，幾乎像碰運氣。但正是這種不循常規的直覺，讓他發現了控制細胞週期的關鍵基因。這種直覺，他稱之為「科學品味」（scientific taste）：知道什麼工具適合什麼問題，知道什麼時候該冒險嘗試一個看似不合理的實驗，知道資料到底在告訴你什麼。這是最稀有的科學能力，也是大數據和 AI 都無法供應的。

Noble 從她在超音波醫學影像的經驗補充：她的博士後研究員因為 AI 程式碼工具的幫助，寫程式的速度快了很多，省下來的時間確實花在更有創意的問題思考上。這是 AI 改善科學的理想劇本。但前提是研究者本身具備「想問什麼」的能力。如果一個人原本就不知道該問什麼問題，更快的工具只會讓他更快地產生更多沒有意義的結果。

做實驗無聊透頂：讓機器人去移液

在討論 AI 對實驗室的影響時，納斯說了一句讓全場笑出來的話：「在濕實驗室做研究無聊透頂。真的非常無聊。我們大部分時間都在把微量液體從一根管子移到另一根管子。」

這不是自謙，是事實。分子生物學和生物化學的日常工作，很大一部分是高度重複的手動操作。培養細胞、萃取蛋白質、跑電泳膠、做 PCR，這些程序需要精確但不需要創意。納斯認為這些工作應該交給機器人，他在弗朗西斯．克里克研究所（Francis Crick Institute）已經在建立整合型技術核心設施，朝這個方向發展。把人類從移液器前面解放出來，讓他們把時間花在真正需要人腦的事情上：提出假說、設計實驗、解讀結果。

AI 在這方面已經開始展現效果。納斯說，他的實驗室現在用機器學習分析生物影像，過去需要好幾天的工作，現在幾分鐘就能完成。AlphaFold 則改變了假說產生的方式，你可以馬上查看一個蛋白質的結構，看看哪些區域可能跟其他分子互動，從而快速產生新的實驗想法。這些都是「無聊但有用」的應用，納斯對大型語言模型做文獻調查的評價也類似：「你得到的東西挺無趣的，老實說。但它讓你有一個起點。」

他認為 AI 在科學中的下一步，是把這些零散的工具串成一個完整的循環：AI 協助提出假說、設計實驗、收集資料、分析結果、再產生新假說。目前的挑戰是，生物學資料不像蛋白質資料庫那樣有統一格式。不同實驗室、不同技術、不同年代收集的資料，格式和品質參差不齊，「像是深淺不一的水井散落在不同地方」。把這些異質資料整合起來，需要的不只是更好的演算法，還需要整個領域在資料標準上達成共識。

一個博士生等於一整個實驗室

哈薩比斯做了一個大膽的預測：幾年之內，一個博士生借助 AI 工具，能完成過去需要整個實驗室才能做的研究量。這不只是效率的提升，更是門檻的降低。

他特別強調開源模型的角色。Google 的 Gemma 4 現在可以在一台筆電上運行，而且它的能力大約是一年前前沿模型的水準。這意味著你不需要在矽谷、不需要在劍橋、不需要有數十億美元的運算資源，就能做出頂尖水準的 AI 輔助研究。中國的開源模型也是一樣。對於全球那些有才華但缺乏資源的年輕科學家來說，這是一個根本性的改變。

跨領域研究也因此變得更容易。過去一個生物學家想借用物理學的工具或方法，可能需要花數年時間重新學習。現在透過 AI 工具，你可以相對快速地在一個不熟悉的領域達到「夠用」的程度。哈薩比斯認為這是學術界最被低估的機會：不是去跟科技巨頭競爭訓練前沿模型（那需要數百億美元，全球大約五家美國公司和三家中國公司在做），而是利用 AI 工具做那些只有學術獨立性和跨領域視野才能做的研究。他直接說，如果有學術界的人覺得自己被排除在 AI 革命之外，那是「缺乏創造力的想像力」。

Noble 也呼應了這個觀點，但加了一個重要的前提：AI 工具的可行性取決於研究問題所需要的精確度。有些科學問題需要最前沿的模型和最大規模的運算，這些確實只有少數機構負擔得起。但很多問題不需要。聯邦式分析（federated analysis）、小型模型、共享運算等策略，都可以讓資源有限的研究機構參與 AI 驅動的科學。

全球 AI 態度的鴻溝

Noble 以皇家學會外事秘書的身分，觀察到全球各地對 AI 在科學中角色的看法有很大差異。在歐洲，「負責任的 AI」幾乎是所有科學 AI 討論的底層預設。任何關於 AI 應用的對話，都從倫理、安全、風險開始。

但在印度和中國，氣氛不一樣。那裡的科學界對 AI 的潛力更加興奮，更少以風險為框架來討論。Noble 特別提到她在印度 AI 高峰會的經歷：當地科學界最大的關注點之一，是大型語言模型主要用西方世界的資料訓練，對非西方語言的支援很差。這不只是技術問題，而是公平性問題。如果全球科學的 AI 基礎設施是建立在以英文為主的資料上，那非英語世界的科學社群就永遠是二等公民。

她認為各國的國家科學院是跨越這些分歧的好場所，因為科學應該跨越地理界線。但現實是，資料分享和存取的結構性障礙依然巨大。哈薩比斯在討論 AI 風險時也點出了一個弔詭的時刻：地緣政治正處於低谷，偏偏是最需要國際合作來建立 AI 認證標準的時候。他對此沒有解方，只有感慨。

學術獎勵制度需要改變

Noble 和納斯都談到了學術文化的結構性問題。年輕科學家面臨巨大的壓力：要快速發表、要搶在預印本（preprint）之前把論文送出去、要在履歷上累積足夠的發表數量。這種壓力不是新的，但 AI 讓它變得更尖銳。當工具讓「產出」變得更容易的時候，對「產量」的期待也會水漲船高。

Noble 指出，搶先發表的文化直接懲罰了那些願意花時間仔細驗證 AI 方法的研究者。你慢下來搞懂一個模型為什麼有效，結果別人先發了論文用那個模型。在目前的獎勵制度下，搞懂的人吃虧。

納斯對此的回應帶有他一貫的直率。他不認為學術文化特別糟糕，「科學家跟其他人一樣壞，沒有特別壞」。但他同意質量比數量重要這件事「太明顯了」，卻還是需要反覆強調。他呼籲資深科學家站出來明確告訴學生：「幾篇出色的論文，比一大堆發表量重要得多。」這聽起來是常識，但在一個用 h-index 和發表數量來衡量學術成就的系統裡，常識需要被大聲說出來才有用。

真正缺的不是算力，是創造力

哈薩比斯在這場對話的尾聲給了學術界一個很具體的策略建議：不要試圖跟科技巨頭比算力，那是註定失敗的。全球大約八家公司在做前沿模型訓練，投入以百億美元計。學術界應該做的是利用開源模型去做那些大公司不會做的事：黑箱分析、可解釋性研究、基準測試、能力邊界的壓力測試、以及只有學術獨立性才能提供的批判視角。

他也提到了一個結構性的現實：在 AI 時代，能源等於智慧。晶片和資料中心需要大量電力，而英國的能源是全世界最貴的之一。這讓英國在擴張 AI 基礎設施上面臨先天劣勢。但他認為更深層的問題不是硬體或能源，而是想像力。找到自己獨特的利基，利用跨領域工作和學術獨立性創造科技巨頭無法複製的價值，這才是學術界在 AI 時代的生存之道。

整場對話聽下來，三位講者給出的訊息其實高度一致：AI 會改變科學家做事的方式，但不會改變科學的本質。科學的核心驅動力是對未知的好奇，是想要搞懂一個過去搞不懂的東西。工具變了，但這個衝動沒有變。哈薩比斯用圍棋做類比：AlphaGo 之後，職業棋士的處境確實變了，但西洋棋反而比以前更受歡迎了，因為觀眾在意的是人類的表現本身，不管機器是不是更強。科學也是一樣。AI 會讓科學家更有效率，會讓一個人做到過去一個團隊才能做的事。但真正讓科學有價值的那個東西，是人問出一個好問題時腦袋裡發生的事情。那個，至少目前，沒有任何 AI 能取代。