人類科學家絞盡腦汁花幾個月時間先至驗證到一個假說，AI 系統轉個頭已經並行跑完幾千個程式碼變數——呢種速度上嘅極端落差，正正就係今年 Google I/O 最引人注目嘅焦點。近期 Google Research 發表咗一個叫做「Computational Discovery」嘅原型系統，佢嘅核心能力係可以同時產生同評分數以千計嘅程式碼變體。呢個技術唔單止係跑得快咁簡單，佢直頭將科學探索嘅時間維度大幅壓縮，令到原本需要漫長手動測試嘅新穎建模方法，變成彈指間就可以窺探嘅可能性。

傳統科研嘅最大瓶頸，往往唔係人類嘅創造力，而係驗證創造力嘅時間成本。研究員提出一個假說，編寫對應嘅模型，跑數據，再根據結果調整參數，呢個循環動輒以月甚至年計算。呢個新原型系統打破咗呢個線性嘅試錯過程，將科研變成矩陣式嘅並行探索。系統一口氣生成大量嘅程式碼變體，並即時為佢哋打分，等科學家可以一眼睇晒唔同假說同建模方式嘅潛在結果。呢個代表住科研方法論嘅根本轉變：由以往嘅「逐一驗證」變成而家嘅「全景掃描」。當算力唔再係限制，科學家就可以將精力集中喺更宏觀嘅問題定義之上。

當 AI 負責咗最耗時嘅編碼同初步篩選，科學家嘅角色必然會發生質變。佢哋唔使再身兼程式編寫員同數據分析師，而係進化成為「探索指揮官」。研究員嘅核心價值將會轉移到點樣精準設定問題空間、定義評分準則，以及解讀 AI 篩選出嚟嘅最優解。呢種分工令到人類可以專注喺更高層次嘅科學直覺同創新思維度，而將機械性嘅運算交俾機器。對於嗰啲需要處理海量變數嘅學科嚟講，例如藥物研發入面嘅分子動力學模擬，又或者氣候模型入面微參數嘅調校，呢個技術無疑係及時雨。傳統做法往往要專家憑經驗慢慢微調，而家則可以透過系統大規模探索參數空間，搵出人類直覺難以觸及嘅最優解。

不過，我哋唔可以對呢種「暴力美學」盲目樂觀。當系統一口氣吐出幾千個結果時，假陽性嘅風險亦都會急劇上升。喺統計學上，如果你跑一千次實驗，總會有幾次純粹因為巧合而跑出靚數據。如果 AI 嘅評分機制存在偏見或者盲點，科學家好容易被誤導，追逐一啲數學上高分但物理上毫無意義嘅「偽規律」。另外，呢個過程依然存在黑盒問題——當演算法評定某個程式碼變體係最優嘅時候，研究員能否完全理解背後嘅推導邏輯？如果唔能夠解釋，呢啲「發現」喺嚴格嘅科學界入面嘅認受性就會大打折扣。科學唔單止需要知道「係咩」，更需要知道「點解」。過度依賴算力嘅結果，可能會令到我哋收穫一大堆知其然而不知其所以然嘅經驗公式，削弱咗理論底層嘅建構。

重點摘要

• Google 嘅 Computational Discovery 原型系統透過並行生成同評分大量程式碼變體，將科研由線性試錯轉為矩陣式探索，大幅縮短驗證假說嘅時間。* 科學家嘅角色將由親自編碼測試，轉變為定義問題空間同解讀結果嘅「指揮官」，專注於更高層次嘅科學直覺。* 暴力並行運算帶嚟假陽性風險急升同演算法黑盒問題，係呢項技術必須正視嘅科學驗證挑戰。* 對於需要處理海量變數嘅領域（如藥物研發、氣候建模），呢個技術有望突破人類直覺嘅局限，搵出非直觀嘅最優解。

總括而言，Computational Discovery 唔係要取代科學家，而係賦予佢哋一對可以睇穿高維度數據空間嘅眼睛。如果未來科研界能夠建立嚴謹嘅獨立驗證機制去配合呢種並行運算，並解決評分演算法嘅透明度問題，咁我哋好有可能正見證住緊一場新嘅科學革命嘅起點——一個由 AI 算力驅動、人類智慧導航嘅大發現時代。反之，如果我哋只沉醉於算力帶嚟嘅速度快感而忽略咗科學求真嘅本質，咁呢座由數據堆砌嘅巴別塔，終究會有倒塌嘅一日。