你的下一位醫生與科學家，可能都是AI！人工智慧如何掀起一場寧靜的生醫革命？

摘要：一場寧靜的革命正在發生。當我們還在驚嘆 AI 能聊天、繪圖時，它早已深入實驗室與醫院，開始扮演科學家與醫生的角色。從自主提出抗癌藥物方案、設計對抗最新病毒的抗體，到在模擬診斷中超越人類醫師，人工智慧正從根本上改變我們對抗疾病、理解生命的方式。本文將帶您一窺這場正在進行中的生醫革命。

一、AI 成為真正的研究夥伴：從工具到協作者的質變

一個顯著的趨勢是：AI 已不再是科學家手中的計算器，而是並肩作戰的研究夥伴。AI 代理人正以「科學家聯盟」的形式出現，它們能扮演研究主持人 (PI)、審稿人、實驗員等多重角色，大幅縮短從假設到驗證的研究週期。

• DeepMind 的「共同科學家」(Co-Scientist)：這個基於 Gemini 2.0 的多代理人系統，不僅能生成、辯論並優化研究方法，更在實際應用中展現驚人潛力。它成功為急性骨髓性白血病 (AML) 提出了具備臨床前證據的藥物再利用方案，並為肝纖維化找到了全新的表觀遺傳學標靶——這些成果皆已在體外實驗中得到初步驗證。
• 史丹佛大學的「虛擬實驗室」(Virtual Lab)：此平台整合了多種蛋白質結構工具 (如 AlphaFold)，由一個 AI 研究主持人帶領一群專業 AI 代理人，透過「線上會議」來規劃實驗流程。它們已成功設計出 92 種奈米抗體，其中包括能與最新 SARS-CoV-2 變種病毒結合的候選藥物。

AI 生醫領域關鍵進展總覽

圖1：AI 生醫領域關鍵進展總覽

圖片來源：本文作者自行整理繪製

二、生物學的「基礎模型」時代：通用性與規模化的力量

如同大型語言模型 (LLM) 統一了自然語言處理領域，AI 在生醫領域也開始出現具備強大通用性的「基礎模型」。這些模型不再局限於單一任務，而是能理解跨物종、跨分子的底層生物學原理。

• 通用原子模型 (UMA & ATOMICA)：Meta 的 UMA 是一個通用的原子間交互作用模型，能以極高效率模擬材料、分子與吸附劑的物理化學性質，其背後是史上最大的材料資料庫。與此同時，ATOMICA 則是一個通用的生物分子介面模型，能學習蛋白質、核酸、藥物小分子等幾乎所有生物分子間的交互作用模式，並成功預測了超過 2,600 個前所未知的藥物結合位點。
• 生物學也遵循規模法則 (Scaling Laws)：無論是 DNA (基因體學) 還是 蛋白質，其 AI 模型的性能都與數據量、模型大小和計算資源投入呈現可預測的冪次法則關係。這意味著，只要持續投入資源，AI 在理解生命奧秘方面的能力將會不斷突破。

三、從預測到創造：AI 成為「生成式」的分子設計師

生成式 AI 的浪潮也席捲了材料科學與化學領域。AI 不再只是從現有數據中篩選候選者，而是能直接「憑空創造」出具有特定性質的新分子與新材料。

• 材料生成模型 (MatterGen)：此擴散模型能根據使用者指定的化學、對稱性或物理性質（如高硬度、高磁性），直接生成全新的無機晶體結構。它生成的材料不僅穩定性和新穎性是傳統方法的數倍，甚至已有一個被成功合成出來的案例，其實測性質與 AI 的預測值僅有約 20% 的誤差。
• 化學合成規劃：最新的化學 AI 不再是單純的「分子生成器」，而是能像人類化學家一樣，進行具備策略性的「逆合成路線規劃」。它們能評估不同反應路徑的優劣，甚至考慮到保護基的選擇、成環順序等複雜策略，展現出高度的化學直覺。
• 自動化化學家 (Robot Chemists)：結合了 AI 規劃與機器人自動化實驗平台後，「機器人化學家」已經誕生。這些系統能以比人類快 10 倍的速度，每天執行超過 1,000 次實驗，並在 24 小時內自主找出最佳的量子點合成配方。

四、連接實驗室與診間：AI 在臨床應用的突破

除了基礎研究，AI 在臨床端的應用也取得了長足進步，特別是在需要複雜多模態資訊整合與人機互動的場景。

• AI 診斷對話模型 (AMIE)：Google 開發的 AMIE 是一個專為臨床診斷設計的多模態對話模型。在模擬的臨床諮詢中，它不僅在診斷準確性上超越了初級照護醫師 (PCPs)，在病史詢問、同理心和醫療紀錄撰寫等方面的表現也獲得了醫師與模擬病患的更高評價。
• 多模態醫療基礎模型 (MedGemma)：同樣來自 Google 的 MedGemma 整合了文字與多種醫學影像（放射學、病理學等），在多模態問答、X 光影像判讀與醫療代理人任務上，均取得了顯著的性能提升。

五、解碼大腦：AI 在神經科學的全新疆界

AI 與神經科學的結合，正在為我們理解大腦運作、甚至與之互動，開啟前所未有的可能性。

• 從腦波到文字 (Brain-to-Text)：Meta 的 Brain2Qwerty 系統，能透過非侵入式的腦電圖 (EEG) 或腦磁圖 (MEG) 來解碼受試者正在打字的內容，其錯誤率已顯著低於過去的同類研究。
• AI 模型與人腦的對齊：研究發現，AI 視覺模型的內部表徵，會隨著訓練過程逐步與人類大腦的視覺皮層產生對應關係。早期訓練對應初級視覺區，而更長時間、更貼近人類經驗的訓練，則能讓模型與更高階的腦區（如前額葉）對齊，這為我們理解 AI 的「心智」提供了新的線索。

六、現實的考驗：科學泛化能力的挑戰

儘管 AI 取得了眾多突破，但真正的科學發現需要面對「未知」的能力，而這正是當前 AI 的一大挑戰。例如 AlphaFold 3 的開源重現研究就顯示，儘管這些模型在處理與訓練數據相似的分子複合物時表現優異，但一旦遇到全新的化學結構或結合模式，其準確性便會大幅下降。這凸顯了 AI 在科學領域要實現真正的「泛化能力」，仍有很長的路要走。

延伸閱讀：關鍵論文與資料來源 (APA 7th 格式)

AI 科學協作

Boiko, D. A., MacKnight, R., Gomes, G., & Funke, T. (2025). AI Co-scientist for generating new hypotheses in complex biological systems. Google DeepMind. https://storage.googleapis.com/coscientist_paper/ai_coscientist.pdf

Galloway, W. R., et al. (2024). An autonomous laboratory for the accelerated discovery of novel materials. Nature, 632, 547–554. https://www.google.com/search?q=https://doi.org/10.1038/s41586-024-08173-7

生成式材料與化學

Jain, A., et al. (2025). Generative design of inorganic crystals by a diffusion model. Nature, 638, 360-366. https://doi.org/10.1038/s41586-025-08628-5

Schwaller, P., et al. (2025). Strategy-aware multi-step organic synthesis with a large language model. Nature Chemistry, 17, 812–820. https://www.google.com/search?q=https://doi.org/10.1038/s41557-025-01815-x

臨床 AI 應用

Singhal, K., et al. (2025). Towards expert-level medical question answering with large language models. Nature, 640, 201-209. https://www.google.com/search?q=https://doi.org/10.1038/s41586-025-08866-7

Zhai, X., et al. (2025). MedGemma: A multi-modal foundation model for medical applications (arXiv:2508.12104). arXiv. https://arxiv.org/abs/2508.12104

生物學基礎模型

Nijkamp, E., et al. (2024). Scaling laws for genomic sequence modeling. Science, 386(6726), 1361-1367. https://doi.org/10.1126/science.ado9336

Thum, C., et al. (2025). ProGen3: A 46B-parameter mixture-of-experts for protein modeling at scale [Preprint]. bioRxiv. https://www.google.com/search?q=https://doi.org/10.1101/2025.04.15.649055

神經科學與腦機介面

Défossez, A., et al. (2025). Brain2Qwerty: A transformative model for brain-to-text decoding (arXiv:2502.17480). arXiv. https://arxiv.org/abs/2502.17480

Golan, T., et al. (2025). The emergence of brain-like representations in a self-supervised foundation model of vision (arXiv:2508.18226). arXiv. https://arxiv.org/abs/2508.18226

封面圖片來源：本文作者以AI生成

參考資料來源：

Benaich, N., Gillman, Z., Tovcimak, R., & Norman, N. (2025, October 9). State of AI Report 2025. Air Street Capital. https://stateof.ai/