如果有一日，諾貝爾獎頒畀一個唔係人嘅「科學家」，你會點睇？呢個問題聽落似科幻小說嘅橋段，但喺 2026 年嘅當下，離現實嘅距離可能比你我以為嘅近得多。科學發現嘅模式正喺靜悄悄地轉變——唔再係單靠人類靈光一閃，而係人類同算法並肩作戰，甚至有時候算法行得更快更遠。
引言：由「輔助工具」到「研究夥伴」
近年嚟，AI 喺科學研究入面嘅角色已經由單純嘅數據分析工具，進化成真正嘅「研究夥伴」。最明顯嘅例子莫過於被稱為「Co-Scientist」嘅 AI 系統。有科學家將呢個系統形容為「科學家嘅噴射背包」，話佢大大增強咗識別有前景機制嘅能力，並認為我哋正處於一場科學革命嘅邊緣，呢場革命將會顯著縮短達到突破所需嘅迭代週期。呢番說話唔係誇張嘅市場宣傳——佢反映咗一個更深層嘅結構性轉變：AI 唔再只係幫手計數，而係開始參與假說生成、實驗設計、甚至理論推導嘅核心過程。
與此同時，NASA 噴射推進實驗室（JPL）嘅工程師喺转子技術上取得突破，正好示範咗 AI 輔助工程設計可以點樣將傳統上需要反覆試錯嘅過程壓縮到前所未有嘅速度。呢兩件事放埋一齊睇，就會發現一個共同嘅主題：AI 正喺度縮短「由想法到驗證」嘅迴路，而呢個迴路正正係科學進步嘅引擎。
分析：AI 點樣改寫科學發現嘅底層邏輯
要理解呢場「靜默革命」，我哋需要拆解科學發現嘅基本流程。傳統上，科學研究遵循一個線性嘅循環：觀察現象 → 提出假說 → 設計實驗 → 收集數據 → 分析結果 → 修正假說。呢個循環嘅每一次迭代可能需要數月甚至數年。AI 嘅介入唔單止加速咗每個環節，更重要嘅係改變咗環節之間嘅關係。
假說空間嘅指數級擴展
人類科學家嘅想像力受制於認知負荷同既有知識框架。一個研究員可能可以喺腦海中同時考慮五到十個競爭性假說，但 AI 系統可以喺同一時間評估數以千計嘅可能性組合。呢種能力令到「假說空間」嘅探索效率出現質嘅飛躍。Co-Scientist 呢類系統之所以被比喻為「噴射背包」，正正因為佢可以喺人類科學家未有想到嘅方向上，快速篩選出值得跟進嘅機制。
不過，呢度有一個重要嘅制約：AI 生成嘅假說質素取決於訓練數據嘅覆蓋面同質量。如果訓練數據本身存在偏見——例如某個領域嘅文獻過度集中喺某啲學派——咁 AI 提出嘅「創新」假說可能只不過係既有偏見嘅變奏。呢個問題喺生物醫學同材料科學等高度依賴文獻驅動嘅領域尤其突出。
模擬先於實驗：由「濕實驗」到「乾實驗」嘅位移
NASA JPL 喺转子技術上嘅突破揭示咗另一個趨勢：越來越多嘅研發工作喺真正落手做物理實驗之前，已經喺計算模擬入面完成咗大部分嘅篩選。AI 驅動嘅模擬可以喺虛擬空間入面測試數以萬計嘅設計變體，搵出最有可能成功嘅配置，然後先至用昂貴嘅物理原型去驗證。呢種「模擬先行」嘅策略大幅降低咗試錯成本，同時亦令到資源有限嘅研究機構可以參與以前只有大企業先至負擔得起嘅開發競賽。
但值得留意嘅係，模擬嘅準確性永遠受制於模型對物理現實嘅逼近程度。一個完美嘅模擬可能喺理論上無懈可擊，但現實世界嘅材料缺陷、製造公差、環境干擾等因素往往令到「模擬冠軍」喺實際測試中失手。AI 系統需要學識嘅，唔單止係點樣喺理想條件下搵出最優解，仲要係點樣喺不確定性下做出 robust 嘅判斷。
跨學科合成嘅新可能
AI 最令人興奮嘅能力之一，係跨學科嘅知識合成。一個訓練咗物理學、化學、生物學同工程學文獻嘅系統，可以喺人類專家嘅學科壁壘之間發現隱藏嘅聯繫。例如，一個喺流體力學入面成熟嘅數學框架，可能恰好可以解釋某個生物學現象，但呢種跨領域嘅洞察好少會由單一學科嘅研究員提出。AI 嘅「無知」反而成為優勢——佢唔受學科訓練嘅路徑依賴所限制。
然而，跨學科合成亦帶來驗證嘅挑戰。當一個 AI 系統提出一個結合量子物理同細胞生物學嘅假說時，邊個有資格去評審？傳統嘅同行評審制度建基於學科專精，面對越來越多嘅 AI 生成跨領域假說，學術界需要發展新嘅評估機制。
迭代週期壓縮嘅連鎖效應
當研究迭代週期由數月壓縮到數日甚至數小時，整個科研生態都會受到影響。正面嚟睇，呢意味住應對氣候變化、流行病、能源危機等迫切問題嘅技術突破可以更快到達。但另一方面，加速嘅迭代可能令到研究質素嘅把關變得更加困難。如果每個禮拜都有數百個 AI 生成嘅「突破性假說」湧入學術期刊嘅投稿系統，同行評審嘅負荷將會超出承受範圍。學術界需要思考嘅唔係「AI 能否加速科學」，而係「我哋嘅制度能否跟上 AI 嘅速度」。
重點摘要
- Co-Scientist 等 AI 系統正被科學家形容為「噴射背包」，顯著提升識別有前景研究機制嘅效率，標誌住科學發現模式嘅結構性轉變。- NASA JPL 喺转子技術上嘅突破示範咗 AI 輔助模擬可以大幅壓縮工程研發嘅試錯週期，由「濕實驗」轉向「乾實驗先行」。- 假說空間嘅指數級擴展令 AI 能夠同時評估大量競爭性假說，但訓練數據嘅偏見可能限制咗真正創新嘅範圍。- 跨學科合成能力係 AI 嘅獨特優勢，但同時挑戰住傳統同行評審制度嘅學科邊界。- 迭代週期壓縮帶嚟嘅唔只係速度提升，仲有對學術質量控制體系嘅根本性壓力。
結語
作為一個 AI 觀察者，我認為呢場「靜默革命」最深刻嘅影響唔係速度本身，而係佢對「科學家」呢個身份嘅重新定義。當 AI 能夠生成假說、設計實驗、甚至預測結果，人類科學家嘅核心價值將會由「知識嘅擁有者」轉向「判斷嘅把關者」——決定邊啲 AI 生成嘅方向值得投入有限嘅實驗資源、邊啲需要用人類嘅直覺去修正。如果學術界能夠及時建立適配 AI 加速時代嘅評審同驗證機制，咁呢場革命好有可能將人類嘅科學前沿推到前所未有嘅廣度同深度。但如果制度滯後於技術，我哋可能會面對一個「假說泛濫但驗證真空」嘅困境。呢個先係真正需要擔憂嘅問題。
總括而言，以上就係本文嘅分析。隨住相關議題持續發展，社會各界都需要保持關注，確保技術與倫理之間取得平衡。