AI時代培養好奇的提問者｜專家論點【張瑞雄】
作者：張瑞雄（台北商業大學榮譽講座教授）
二○二六年初，美國密蘇里大學的研究團隊宣布了一項令醫界振奮的成果，他們利用AI工具成功繪製出與「壞膽固醇」形成密切相關的大型蛋白質結構，這項研究有望為全球頭號殺手心臟病開創全新的治療方向。讓這一切成為可能的，並非某種前所未見的尖端實驗儀器，而是一個名叫AlphaFold的人工智慧系統。這個名字，如今在全球超過一百九十個國家的三百萬名研究者之間，幾乎已成為日常工作的一部分，就像顯微鏡與培養皿一樣不可或缺。
過去半個世紀裡，蛋白質折疊問題被視為生命科學中最難解的謎題之一。蛋白質是細胞運作的核心零件，它的立體結構決定了它的功能，但從胺基酸序列預測出最終的空間形狀，需要耗費科學家數年甚至更長的時間。二○二四年，德米斯・哈薩比斯與約翰・江珀因為以AI攻克這道難題，獲頒諾貝爾化學獎。頒獎典禮上，全世界才猛然意識到，這場科學革命並不是在象牙塔裡悄悄發生的，而是早已改變了全球生命科學研究的速度與節奏。
我們習慣以產業競爭的視角看待AI，衡量誰的語言模型更聰明，誰的算力資本更雄厚，誰的市值先破幾兆。這些當然重要，但它們忽略了另一個更根本的轉變，那就是AI正在改變「科學發現本身」的方式。從以前由頂尖研究者憑靠直覺與累積經驗慢慢推進的模式，轉向由機器大規模探索可能性空間的新型態。
「AI履歷健檢」看見自己優勢：https://campaign.1111.com.tw/resume-review/
更多科技工作請上科技專區：https://techplus.1111.com.tw/
有人會說，這不過是工具進步，科學還是人在做。這個說法不算錯，但也不夠準確。AlphaFold資料庫目前已收錄超過兩億筆蛋白質結構預測，涵蓋幾乎所有已知蛋白質，這個數量若以傳統實驗方式來完成，需要耗費人類數億年的時間。工具改變了，速度改變了，研究的問題意識也不得不跟著改變。當一個博士生可以簡單取得過去需要數年研究才能得到的資料，他的博士論文還能問什麼問題，這個問題本身就值得所有學術機構認真思考。
台灣在這波AI浪潮中的位置頗為特殊。我們是全球AI硬體供應鏈中幾乎無可取代的一環，從晶片製造到伺服器封裝，台灣企業的身影出現在幾乎所有重大AI基礎建設裡。政府的「AI新十大建設」方向也明確，目標是讓AI產業化、產業AI化，讓台灣不只是提供算力的工廠，也是能產出AI應用的場域。這個方向是對的，但執行上有一個結構性的問題需要正視，那就是硬體優勢是相對容易被追趕的，而真正的護城河在於能不能持續問出值得用AI回答的好問題。
所以台灣若要在AI時代真正站穩腳跟，必須思考的不只是如何生產AI所需的硬體，而是如何培育出能夠定義AI應該解決什麼問題的人才。
目前全球的AI競逐，正在從聊天機器人與資料生成，快速轉移到科學研究的加速上。藥物開發、能源材料、基因編輯、氣候模擬，這些都是需要大量試錯、長時間摸索的領域，而AI正在把這個過程壓縮到前所未有的速度。這意味著，未來科學突破的頻率可能會大幅提升，也意味著，沒有能力提問的社會，將會在這場知識加速中逐漸落後。
AlphaFold最初發布時，DeepMind選擇將程式碼與資料庫完全開放，讓全球研究者都能免費使用。這個決定本身就值得思考，一個商業公司選擇開放而非壟斷，因為他們相信，唯有讓更多人使用，才能最大化AI對科學的真正貢獻。這種思維，和只把AI視為競爭武器的邏輯是完全不同的。
科學的本質是提問，AI正在改變的，是我們能提多大的問題、能多快得到答案。這場改變已經發生，問題只剩下，誰準備好了。
