AI 創意大爆發，但實驗室跟唔上？DeepMind 提出 4 大優先行動

文章由 Don Wallace、Conor Griffin、Sean O'Neill、Thang Luong 同 Owen Larter 撰寫，指出今日科學過程入面最難嘅部分，已經唔係諗橋，而係執行實驗去確認或否定佢哋。好似 DeepMind 嘅 Co-Scientist 系統呢類 AI 工具，可以喺幾分鐘內就生成針對癌症治療、肝纖維化等領域嘅假設，但每一個假設仍然需要幾星期甚至幾個月嘅生物測試，例如喺細胞系或者類器官上面做實驗。

點解呢個問題咁重要？

呢個瓶頸帶嚟實質嘅後果。以藥物開發為例，AI 可以好快提出成千上萬個新分子候選，但臨床驗證依然係又慢又貴，而且容量有限。DeepMind 嘅高層 Pushmeet Kohli 之前已經講過，雖然 AlphaFold 將蛋白質結構預測由幾年縮短到幾秒，但臨床藥物驗證仍然係未解決嘅瓶頸。類似嘅情況亦出現喺材料科學同氣候解決方案等領域，AI 生成嘅諗頭同可用嘅物理測試基礎設施之間嘅差距不斷擴大。

DeepMind 呼籲政策制定者同資助機構要做到嘅四件事

DeepMind 嘅文章列出四大具體優先事項，試圖收窄呢個差距：

1. 確保科學家廣泛使用 AI 代理。
應該將 AI 代理嘅使用視為戰略優先事項，就好似以前要確保科學家可以使用超級電腦一樣。唔同機構嘅研究人員——唔單止係資金充足嘅實驗室——都需要工具去生成同測試假設。

2. 開放國家實驗室基礎設施畀 AI 驅動嘅科學。
擴大同開放物理實驗室設施，例如國家實驗室同共享嘅高通量測試中心，令大量由 AI 生成嘅假設可以喺現實世界中系統性驗證。

3. 建立新嘅資助模式，支持高通量驗證。
傳統嘅撥款結構太慢、規模太細，應付唔到 AI 所需要嘅測試規模。資助機構應該建立明確支持快速、大規模實驗驗證流程嘅機制。

4. 改革同儕審查同評估機制，迎接 AI 代理時代。
審查者自己都應該可以使用 AI 代理，同時需要新嘅框架，例如「人機互動卡」（Human-AI Interaction Cards），以確保 AI 輔助科學嘅透明度、可重複性同信任度。

更廣嘅背景：一個已知嘅挑戰

今次唔係 DeepMind 第一次就驗證問題發出警告。2024年11月嘅一份政策文件已經將「數碼到現實世界嘅差距」確定為主要挑戰，研究員 Pushmeet Kohli 亦公開指出驗證基礎設施係 AI 加速科學嘅兩大瓶頸之一，另一個係可及性（accessibility）。2026年7月嘅呢篇文章，係到目前為止就呢個問題最集中嘅政策聲明。

關於日期嘅重要說明

呢個發現嘅主要來源係 DeepMind 自己喺公共政策頁面發表嘅文章，發布日期係2026年7月。有部分早期報道錯誤咁引用為2025年7月嘅文章；但喺搜尋結果入面，並冇搵到有關呢個主題嘅2025年7月文章。不過呢個警告嘅內容同四大優先事項，喺所有報道來源中都係一致嘅。