2026 年 6 月 27 日 · 6 min read

AI for Science 需要科研基礎設施

AI for Science

這篇文章的起點，是我最近讀到的一份 ARQ 基金會的報告，What we talk about when we talk about AI for science。1它提出的一個區分讓我一直在想，因為它恰好貼近我每天在處理的問題：AI for science 究竟需要什麼樣的科研基礎設施？以下是我順著這條線索一路想下去的結果。

「AI for science」已經變成那種人人都在用、卻很少有人定義清楚的說法。它涵蓋了一些做著完全不同事情的系統，而這種混淆並非無害。當政府決定要資助什麼，含糊就會變成錢花錯地方。所以值得把我們真正在談的東西講清楚。

兩種系統

同一個名字底下，藏著兩種系統。

第一種為自然建模。AlphaFold2預測蛋白質結構，GraphCast3預報天氣，GNoME4提出新材料。這些模型從資料中學會一個物理系統的行為，一旦訓練好，就能讓我們看見或預測過去無法企及的東西。它們執行成本低，行為上像是新的儀器。它們打開了原本關著的門。

第二種不為自然建模。它組織「做研究」這件事本身。這類系統建立在大型語言模型之上，會閱讀文獻、提出假說、規劃實驗、呼叫工具、跨多個步驟蒐集證據。它們不產生新的測量，而是協調取得測量的過程。它們不太像儀器，更像一位不知疲倦、替你跑完整個調查的年輕同事。

這不是同一件事的兩個版本。它們在架構、所需的資料、成本與目的上都不同。把兩者當成一回事，是第一個錯誤。

但兩者本就該在一起。把它們放進同一個迴圈來看。一個研究系統閱讀文獻、提出一個候選材料，呼叫一個基礎模型去模擬這個材料的性質；如果模擬看來有希望，它再提出一個要在真實世界裡做的實驗。基礎模型是精密儀器，研究系統決定何時、如何使用它。兩者單獨都用處不大：一個沒有人去提問的自然模型，或是一個沒有儀器、沒有實驗室、只能憑空推理的不知疲倦的調查者。

瓶頸是資料，而且是分層的

限制這兩者的都是資料，但不是同一種資料，這正是有意思的地方。

基礎模型需要龐大、專門的資料集：天文台、國家實驗室、長期測量計畫的產出。這類資料昂貴而分散，所以難處主要在協調與標準。困難，但是熟悉的困難。

組織研究的那類系統，缺的是另一種更難捉摸的東西。它們是在已發表的科學記錄上訓練的，而已發表的記錄只有結果，沒有通往結果的那條路。那些判斷、那些走不通的死路、決定要相信還是丟掉一個數字、對於一個看來乾淨、其實有問題的結果那種覺得不對勁的直覺：這些都沒有被寫下來。那是在實驗台邊學到、靠著與人並肩工作傳下去的那部分科學，不是進到論文裡的那部分。

這就是為什麼一個更大的模型，光靠自己不會變成科學家。最近的證據既令人清醒又令人鼓舞。目前最強的模型在發現任務上比許多人預期的更有能力，在某些任務上甚至追平或勝過專門為該任務打造的系統。5但它們在真實的科學工作上有著系統性的盲點，而把它們做得更大，回報越來越少。它們進步靠的不是規模，而是被連上科學家本來就在用的工具與檢核，以及靠著去搜尋正確的方向，而不是去回憶一個事實。

所以這個主張誠實的版本是這樣：AI for science 不是一個更聰明的模型，而是一個有能力的模型，接上儀器、接上驗證工具、接上「科學究竟是怎麼被實作出來的」那份被記錄下來的判斷。前兩者我們知道怎麼造，第三者我們才剛剛開始蒐集。

實驗室就是那台裝置

那第三樣東西，是最難擷取的一種知識。它是默會的，活在習慣與雙手裡，多過活在文件裡。它是多模態而雜亂的：儀器讀數、半失敗的實驗、影像與光譜、一個最後證明是雜訊的訊號的那種質地。它也難以協調，分散在各種儀器、實驗室與機構之間，記錄成本高，而且幾乎沒有人去記，因為從來沒有人因為仔細記錄一次失敗而升遷。

但有一個地方，這種知識一直在被生產出來，作為日常工作的副產品。那就是實驗室。一個運轉著自驅動實驗與先進多模態表徵的科研基礎設施，會同時生成兩種缺失的資料：基礎模型需要的那種龐大專門資料集，以及研究系統需要的那種雜亂的、過程層面的記錄。儀器與實驗，正是讓默會知識被記錄下來的途徑。如果我們想要懂得「科學是怎麼做的」的 AI，我們就得去建造那些做科學、並擷取其中所發生之事的地方。

這把通常的次序顛倒了過來。我們傾向把科研基礎設施想成將會受益於 AI 的東西，是這些新工具的消費者。其實正好相反。連通往更強 AI 的那些路線圖，如今都把實驗資料與真實世界互動列為對進一步進展的硬限制。一份來自前沿實驗室的報告把話講得很白：AI 並不是一門紙上談兵的科學。6實驗室不在 AI for science 的下游，它在它的關鍵路徑上。

歐洲的機會

這是歐洲該感興趣的地方。

歐洲沒有在前沿語言模型的競賽裡領先。那場競賽獎勵的是龐大的算力與資本，勝負在別處已定。但這篇文章指向的那一層，也就是科學的物理實作，獎勵的是另一組長處，而那些長處恰好握在歐洲手上。歐洲輸掉了語言模型的競賽，但 AI 的物理那一側才是更大的獎賞，而且是它仍然能贏的一場。這不是安慰。那是把模型轉化為發現的一層，它靠的是儀器、領域的深度、實驗資料，以及願意協作。

要做到需要什麼。三個產業得一起合作，而且要合作得穩固。科學儀器的製造者，歐洲在這方面有真正的深度；驅動與編排這些儀器的軟體；以及使用它們、產生資料的實驗室與科研基礎設施。難的不是其中任何一個，而是讓它們作為一個整體運作，使得一個實驗可以被規劃、執行、測量、並從中學習，而不必每次都重建這些連接。

那個把它們連起來的層，此刻正在被定義，而且不在歐洲。目前兩份認真的、已發表的提案，一份是關於一個自動化代理如何與儀器溝通，7一份是關於如何以可移植的方式描述一座實驗室，8分別來自中國與西班牙。這裡有一個機會，也有一個同等的風險：標準在沒有我們的情況下被寫定。

去建造它，並不意味著從零開始。歐洲已經有可以連接的共享材料資料計畫：NOMAD、9OPTIMADE 標準、10以及就在這個月啟動的 Materials Commons for Europe11，這是一個把十四個歐洲國家的國家級材料資料樞紐連結起來的聯邦式基礎設施，從德國、法國到比利時、丹麥都在其中。荷蘭不在其列。這個缺席，正是公共資金在這裡該走的第一步：建造一個荷蘭的樞紐，把這個國家的實驗室與它們產生的實驗資料接進這個共享庫，而不是把荷蘭留在外面。這也是值得資助的那種工作，因為這些共享庫裝的多半是計算與結構資料，缺的是只有真實儀器才能產生的實驗記錄。值得建造的那一層，是讓實驗資料能流入既有共享庫的那一層，好讓在一間實驗室做出的一次測量，變成整個系統都能用的知識。把新的接上既有的，而不是再蓋一座孤島，這就是「增添能力」與「增添碎片化」之間的差別。

歐洲的弱點從來不是它的實驗室或公司的素質，而是它們彼此不合作。把這道縫隙補起來，就是任務，而這是私人的錢不會去做的。公司會造模型、攫取價值；它們不會去維持整個研究體系所需的、共享而開放的基礎設施，也不會去資助那些不討喜的工作：記錄過程與失敗。公共資金可以。它可以訂立標準、把共享的資料與工作流系統當作基礎設施來資助（而不是當作零散的專案），把它們連到已經存在的東西上，並建立起那份樸素的認知：這些資料值得被留下來。

就目前而言，AI for science 是增強，不是自動化。當一個有能力的模型，接上儀器、接上「科學究竟是怎麼做的」那份默會而多模態的記錄，它才會變得強大。生產那份記錄，是實驗室與科研基礎設施的工作；讓它共享、開放、互相連通，是公共資金的工作。歐洲有實驗室，也有儀器。它仍然能建造的，是那層把它們連起來的組織，好讓這些實驗室與儀器，成為下一種做科學的方式被發明出來的地方。

參考文獻

  1. B. Özcan, What we talk about when we talk about AI for science, ARQ Foundation, 2026. arq.foundation
  2. J. Jumper et al., "Highly accurate protein structure prediction with AlphaFold," Nature 596 (2021). doi:10.1038/s41586-021-03819-2
  3. R. Lam et al., "Learning skillful medium-range global weather forecasting" (GraphCast), Science 382 (2023). doi:10.1126/science.adi2336
  4. A. Merchant et al., "Scaling deep learning for materials discovery" (GNoME), Nature 624 (2023). doi:10.1038/s41586-023-06735-9
  5. Z. Song et al., "Evaluating Large Language Models in Scientific Discovery," arXiv:2512.15567 (2025). arxiv.org/abs/2512.15567
  6. T. Genewein et al., "From AGI to ASI," Google DeepMind, arXiv:2606.12683 (2026). arxiv.org/abs/2606.12683
  7. L. Zhu et al., "LAP: An Agent-to-Instrument Protocol for Autonomous Science," arXiv:2606.03755 (2026). arxiv.org/abs/2606.03755
  8. S. Pablo-García et al., "A foundational representation for an orchestrated lab," Device (Cell Press), 2026. doi:10.1016/j.device.2026.101202
  9. NOMAD，FAIR 材料資料基礎設施。nomad-lab.eu
  10. OPTIMADE，材料資料庫互操作的 API 標準。optimade.org
  11. Materials Commons for Europe，「地平線歐洲」創新行動（HORIZON-CL4-INDUSTRY-2025-01-MATERIALS-45），2026 年 6 月啟動。materialscommons.eu
← 回到網誌