從輔助到自主：科學研究的 AI Agent 典範轉移

科學研究的 AI 典範正在經歷一場深刻的轉移。過去我們談論「AI for Science」，是將 AI 視為強大的分析或預測工具，輔助人類研究員。如今，我們正邁向「Agentic Science」——一個由 AI 代理人（agents）主動提出假說、設計實驗、甚至自主探索發現的新時代。這不僅是工具的升級，更是對科學流程本身的重構。其核心挑戰不再是單一模型的智慧，而是如何建立一個可驗證、可協作、可追責的 AI 驅動科學工作流，這將決定我們能否信任並規模化 AI 帶來的發現。

AI 如何從科學工具演進為科學代理人？

過去幾年，「AI for Science」的成功案例大多集中在解決特定、邊界清晰的科學問題。最經典的例子莫過於 DeepMind 的 AlphaFold 2，它在 2021 年以驚人的準確度解決了長達 50 年的蛋白質結構預測難題。AlphaFold 是一個極其強大的「工具」，它接收一個輸入（胺基酸序列），產出一個高度精確的輸出（蛋白質 3D 結構），但它本身不會主動去問「下一個該研究什麼蛋白質」。

「Agentic Science」或稱「代理人科學」則標誌著一種根本性的轉變。在這裡，AI 不再只是被動的執行者，而是成為研究流程中的主動參與者。一個科學代理人（scientific agent）體系能夠整合多種工具——例如大型語言模型（如 GPT-4）負責推理與規劃、化學資料庫用於查詢、模擬軟體用於計算——來完成一個更宏大的目標。它能像人類研究員一樣，進行文獻回顧、提出一個有潛力的假說、設計驗證該假說的實驗步驟，甚至在模擬環境或自動化實驗室中執行這些步驟，最後再根據結果修正假說。

例如，ChemCrow 這個專案就展示了一個由 LLM 驅動的化學代理人，如何自主規劃並執行有機合成、藥物發現等複雜任務。這類代理人不僅能處理單一任務，更能串聯多個環節，展現出更接近人類研究員的「探索」能力。

自主科學發現的藍圖與挑戰何在？

近期一篇由史丹佛大學等機構研究者發表的綜述論文 《Autonomous Scientific Discovery with AI Agents》，為這個新興領域描繪了清晰的藍圖與挑戰。論文指出，我們已經看到了一些驚人的早期成果。例如，Google DeepMind 的 A-Lab (Autonomous Laboratory for Materials Discovery) 透過自主規劃、執行實驗與分析數據，在短時間內發現了超過 220 萬種新的穩定晶體結構，大幅加速了材料科學的探索進程。

然而，當 AI 從輔助工具走向自主發現，一系列嚴峻的治理與方法論挑戰也隨之而來。該論文明確點出了幾個核心難題：

AI 發現的可重複性如何確保？

一個 AI 代理人做出的發現，其完整的決策鏈、使用的工具版本、查詢的數據快照，是否都能被精確記錄與重現？如果結果無法被第三方獨立驗證，它就不能被納入科學知識體系，這對科學的嚴謹性是極大的挑戰。

如何驗證 AI 發現的新穎性？

AI 的「發現」究竟是真正前所未有的新知識，還是僅僅是對龐大訓練數據中隱藏關聯的巧妙重組？我們需要建立嚴格的機制來評估其貢獻的獨創性，確保其不是「舊瓶裝新酒」。

AI 思考過程的透明度與歸因如何處理？

我們如何審計 AI 的「思考」過程？當一個發現是由數十個工具與模型協作完成時，其智識貢獻應如何歸因？這不僅關乎學術倫理，也影響未來研究的發展方向。

為了衡量這個領域的終極進展，論文甚至提出了「諾貝爾圖靈測試」（Nobel-Turing Test）的構想：一個 AI 系統能否做出一個值得諾貝爾獎的科學發現，且其過程能通過科學界的嚴格審查？這無疑是為自主科學發現設下了一個極高的標準。

為什麼建立可驗證的工作流比模型本身更重要？

當我們談論科學代理人時，很容易陷入一種迷思，認為關鍵在於打造一個更聰明、知識更淵博的通用模型。但我認為，這忽略了科學的本質。科學不僅僅是「得出正確答案」，更是一套建立在懷疑、驗證與共識之上的社會性流程。一個無法被審查、無法被質疑的發現，無論多麼驚人，都更接近於神諭，而非科學。

因此，Agentic Science 的核心瓶頸，與其說是模型的智慧，不如說是工作流的信任。我們需要的不是一個萬能的「AI 科學家」，而是一套可信任、可審計、可協作的 AI 研究基礎設施。

這意味著，未來的研究重點必須放在建立標準化的代理人架構上。這樣的架構需要能詳實記錄每一步操作：從最初的文獻檢索、假說形成，到每一次的 API 呼叫、參數設定與數據分析。這就像為 AI 的研究工作配備一個無法被篡改的實驗記錄本。這不僅是為了滿足科學的可重複性要求，更是為了實現人機協作與 AI 之間的協作。正如「生成式代理人」（Generative Agents）研究中所展示的，代理人之間的互動與記憶共享是湧現複雜行為的關鍵。

長遠來看，我們可以想像一個由全球無數個專業科學代理人組成的協作網絡。一個專精於蛋白質結構的代理人，可以將其最新發現以標準化格式發布，供一個專精於藥物設計的代理人取用與驗證。這種「全球協作研究代理人」（Global Cooperative Research Agents）的願景，將科學發現的規模與速度推向全新層次，但其基石，必須是那個我們今天就需要開始建立的——可驗證、可追責的科學工作流。

延伸閱讀

• Autonomous Scientific Discovery with AI Agents: A Survey
• An autonomous laboratory for the accelerated synthesis of novel materials

我是江中喬，專注於 AI Agent Architecture、Memory Governance 與 Cognitive Diversity，持續研究如何打造能夠長期協作、可信任且可治理的 AI 系統。