抗藥性微生物的帳單正在變大。OpenAI 於 2026 年 9 月 10 日發布的案例指出，2021 年約有五百萬人死亡與細菌抗藥性相關，而這個數字到 2050 年可能再翻一倍。更棘手的是供給端：生物工程師 César de la Fuente 在文中直言，人類已經五十年沒有出現新的抗生素類別。
這篇文章談的不是又一個模型排行榜，而是一個很具體的工程問題：當候選分子的搜尋空間大到人力掃不完，研究者要怎麼把 AI 放進流程裡，而不只是拿它寫摘要。
把 DNA 當成資訊系統，而不是試管裡的東西
de la Fuente 實驗室的做法，是把生物學視為一套資訊系統。他形容 DNA 的核苷酸、蛋白質與胜肽的胺基酸「像是一套字母表」，而思考生物學為資訊，讓團隊得以發展出解讀生命組織原則的方法。
實作上，實驗室的深度學習模型被訓練來辨識生物序列中的模式，進而在龐大的基因體與蛋白質資料集中搜尋可能的抗菌分子。根據 OpenAI 的案例說明，這個做法可以把候選分子的初步搜尋從數年縮短到數小時。
這裡的關鍵不是「AI 找到新藥」，而是 AI 把一個 needle-in-a-haystack 的問題，變成一份人類可以接著做實驗的候選清單。
Codex 與 ChatGPT 在實驗室裡實際做什麼
除了自家模型，這個實驗室也用 ChatGPT 和 Codex 來發想假設、撰寫與修改程式、處理資料集、分析結果，以及串接跨學科的想法。
值得注意的是團隊組成：成員來自生物、化學、電腦科學與工程。有些人程式能力強但生物化學較弱，有些人相反。Codex 與 ChatGPT 在這裡的角色是補位——讓生物學家能寫程式，讓程式設計師能處理生物問題。
de la Fuente 也把 ChatGPT 當成腦力激盪的對象。他說實驗室的 ChatGPT workspace 收到來自各種不同思考方式的人所輸入的內容，成員把好想法和壞想法都丟進去，使它成為某種協作式的回音板。他同時提醒，任何輸出都必須再次核對準確性。
如果你的團隊也在做跨領域的探索工作，這種「共享工作區當作共同記憶」的用法，比單人訂閱更接近真正的協作模式。類似地，當 AI 開始接手過去需要專家人力堆疊的環節，團隊要重新想的是能力邊界，而不只是工具清單；這一點在我們先前談 FDE 如何從代做轉向能力建構 時也出現過。
候選分子不等於藥物：流程還很長
OpenAI 的案例把後續關卡寫得很清楚。確認候選分子能殺死目標微生物只是第一步，接著要確定有效劑量、測試對人體細胞的影響；化學家可能還要優化它的效力、安全性或穩定性。
再往後，團隊要評估毒性劑量、微生物產生抗藥性的難易度、分子在人體中的移動方式，以及可靠的量產方法。通過這些關卡的候選者，還要面對法規審查與臨床試驗，才可能成為核准上市的抗菌藥物。
這也是 de la Fuente 強調 AI 與實驗室生物學必須一起推進的原因。他說，ground-truth 實驗對驗證 AI 預測是必要的。
對產品開發者的實際啟示
這個案例值得借鏡的地方，不是「AI 可以取代科學家」，而是三件比較可複製的事。
第一，AI 的價值取決於它被放進哪個環節。這裡它負責的是前期篩選與排序，把候選集縮到人類可以驗證的規模，而不是取代驗證本身。
第二，跨領域團隊的瓶頸常常是語言，不是智力。當生物學家能自己寫程式、程式設計師能讀懂生物問題，中間的翻譯成本就下降了。
第三，共享工作區會累積成一種團隊資產。de la Fuente 描述的那種「好壞想法都丟進去」的用法，本質上是在建立可重複使用的上下文，而不是每次從零開始問。
至於這套方法能不能真的產出新的抗生素類別，OpenAI 的案例並沒有給出答案——它描述的是搜尋階段的加速，以及研究者對 ground-truth 驗證的堅持。對正在評估 AI 工具的人來說，這或許才是最實用的判準：先問它幫你把哪一段流程變短，再問那一段變短之後，誰要負責確認結果是對的。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。