AI 一小時做完實驗？Google Co-Scientist 真正跨過的，是「動手」這一關

━━━━━━━━━━━━

AI for Science 最常被吐槽的一句話是：它可以一次提出一百個假說，最後還是得有人進實驗室，慢慢把答案做出來。

Google 的最新預印本，第一次把這個問題往前推了一大步。

研究團隊把 Gemini 驅動的 Co-Scientist，從原本擅長的假說生成，延伸成三段流程：提出構想、執行實驗、根據紀錄寫成論文。在其中一個材料案例裡，系統甚至把合成配方轉成機器指令，直接控制半自動化學氣相沉積設備。

最吸睛的結果是：MoS₂、MoSe₂、WS₂ 三種單層材料，在第一次成長嘗試中成功，整段實驗時間約一小時。

不過，這句話少一個限定，就會從突破變成誤導。

這段約一小時的結果有明確適用範圍：特定材料、客製 CVD 設備、既定成長任務。人類仍要裝載前驅物與基板，研究團隊也要負責驗證。論文目前還是預印本，跨實驗室能不能重現，尚未知道。

「一小時」只是最醒目的數字。更大的變化在於，AI 開始碰到研究流程中最難接上的那一段：從文字推理走到可執行的實驗。

━━━━━━━━━━━━

🧠 01｜新版 Co-Scientist，多了哪兩段？

早期 Co-Scientist 的重點，是讓多個 Gemini agents 生成、辯論、排序並改寫研究假說。

新版把流程往後延伸：

① Ideation｜構思：多個 agent 找文獻、提出假說、互相批評，再排出值得測試的方向。

② Experimentation｜實驗：把研究計畫轉成程式、參數或機器指令，執行後依結果迭代。

③ Paper Writing｜寫作：讀取真正的實驗輸出與執行紀錄，生成手稿並檢查方法、結果與引用。

這三段串起來，才有機會形成「提出假說—做實驗—讀結果—改下一輪」的閉環。

但閉環不等於全自動。

論文刻意把不同領域放在一張自主程度光譜上：材料實驗有人操作設備，生物學有人反覆修正任務並做濕實驗，電腦科學因為所有步驟都能程式化與打分，才真正做到從研究指令到實驗完成的全自主。

━━━━━━━━━━━━

⚗️ 02｜「約一小時」到底發生了什麼？

材料科學團隊測試了兩種模式。

完整搜尋模式會花較多推理資源，產生並排名多組配方，再由專家挑選；快速模式則讓 Gemini 3 Deep Think 在幾分鐘內，依照實驗室設備、溫度與氣體條件調整成長配方，並把配方直接轉成控制 CVD 設備的機器碼。

在快速模式下，MoS₂、MoSe₂、WS₂ 都在第一次成長嘗試中出現單層晶體，總實驗時間約一小時。論文所述「至少五次」的 replication runs 僅適用於 MoSe₂ 與 WS₂；MoS₂ 不能一併寫成已完成至少五次重複。

這裡有三個不能被標題吃掉的限制：

🔸 人類仍要把前驅物與基板放進設備；

🔸 快速模式長出的晶域較小、形狀較不規則，速度有品質代價；

🔸 成果來自研究團隊的客製設備，換一座實驗室能不能直接複製，還沒有答案。

另一個 MXene 案例也更接近「AI 配方、人類執行」。Co-Scientist 提出較安全的前驅物路徑，專家優化後實際合成出具有關鍵相似特徵的層狀結構；作者明確提醒，原子結構仍需更多實驗確認。

所以最精確的說法是：AI 已經能參與控制某些可程式化的成長步驟，但距離自主判斷所有物理異常、維護設備與確認新材料身分，還差很遠。

━━━━━━━━━━━━

🧫 03｜四個驗證領域，不能放在同一個「全自主」標籤裡

這篇論文最值得讀的地方，是它沒有用單一案例代表所有科學。

材料科學：AI 產生配方，部分流程可直接控制硬體；人類仍裝載、操作、表徵與確認。

生物學：Co-Scientist 從稀疏影像，預測工程化大腸桿菌在不同誘導濃度下的群聚表型；領域專家在不同回合修正問題，濕實驗也由人執行。

電腦科學：系統只收到研究指令，便自主設計出 Agent_H、寫程式、測試並迭代。因為環境可以被程式控制，這才是四個案例中自主程度最高的一段。

論文寫作：系統讀取執行紀錄產生研究手稿，再由 30 位領域專家完成 450 次盲評。

把四項結果全部寫成「AI 科學家自己做完研究」，會掩蓋真正重要的結論：自主程度同時取決於模型、實驗能否程式化、結果能否客觀評分，以及風險能否被安全約束。

━━━━━━━━━━━━

🩺 04｜Agent_H「打贏前沿模型」，也有一個大括號

Co-Scientist 在電腦科學案例中，自主設計了一套醫療問答 agent 架構 Agent_H。

在兩個未參與開發的 HealthBench 測試中，Agent_H 的「長度調整後分數」居首；可是看原始分數，HealthBench Professional 的第一名是 Claude Opus 5，HealthBench Hard 在另一位自動評審下則是 GPT-5。

Agent_H 每題大約要呼叫模型 40 至 80 次，對照組則是一次呼叫。這表示分數提升至少部分來自更多推理與多輪稽核，成本不能省略。

更重要的是醫師盲評。

三位醫師比較 Agent_H 與 Gemini 3.1 Pro 後，只有「降低潛在傷害」達統計顯著，其餘八個面向沒有顯著差異；自動評審與臨床評審的絕對偏好一致性也不高。

它證明 agent 架構可以改善某些輸出品質，沒有證明 AI 已能替代醫師，更不是一張臨床使用許可。

━━━━━━━━━━━━

📝 05｜把實驗紀錄綁回手稿，幻覺降很多，但沒有消失

研究團隊讓 Co-Scientist 根據真正的程式執行紀錄寫手稿，並加入結果核對、引用檢查、安全審查等模組。

150 篇手稿經 30 位專家、450 次盲評後，嚴重結果幻覺從基準系統的 90% 降到 4%；嚴重方法學偏差從 100% 降到 24%；高嚴重度衍生／抄用內容也從 60% 降到 16%。

這組數字有兩種讀法。

樂觀的一面，是「把模型綁回原始紀錄」確實有效；冷靜的一面，是每四篇仍約有一篇出現嚴重方法學偏差。

而且這套驗證主要適用於有清楚執行日誌與客觀輸出的運算研究。到了真實濕實驗，儀器雜訊、樣品差異與模糊讀值更難自動核對。作者也把這一點列為限制。

AI 科學寫作接下來最值錢的能力，不會只是「寫得像論文」，而是每一個方法和數字都能回到原始紀錄。

━━━━━━━━━━━━

💼 06｜Google 想拿下科學閉環的入口

Google 早已把 Co-Scientist 放進 Gemini for Science：Hypothesis Generation 處理假說，Computational Discovery 處理可程式化實驗，Literature Insights 整理文獻；Science Skills 再連接外部生命科學工具。

這次研究又往下接到硬體控制與論文稽核。

如果這條路成立，平台最深的價值會落在研究團隊每天反覆使用的流程：問題怎麼被拆、哪個工具被調用、哪些實驗失敗、參數怎麼改、最後哪個證據改變決策。聊天席位只是入口。

真正的護城河會落在四個地方：

① 能否安全連接不同實驗設備；

② 實驗紀錄是否完整、可追溯；

③ 同一套流程能否跨設備、跨實驗室重現；

④ 客戶是否願意把珍貴的內部資料與操作流程留在平台上。

━━━━━━━━━━━━

🇹🇼 07｜台灣真正的機會：把可驗證場景做出來

台灣有材料、半導體、生醫、醫院與儀器整合能力，確實很適合測試這類 lab-in-the-loop 系統。

不過，截至查核日，Google 與論文的一級來源沒有具名任何台灣上市櫃／興櫃公司參與本案，也沒有可辨識的設備訂單或合作收入。

因此，不能因為公司做伺服器、實驗設備或生醫服務，就直接標成受益股。

台灣更該追的是三個訊號：

🔎 是否出現由研究機構或公司公告的具名導入；

🔎 同一套實驗配方能不能跨實驗室、跨設備重現；

🔎 AI 指令、設備安全、資料留存與責任歸屬能不能通過治理審查。

這三項一旦成熟，價值才會從漂亮 demo 走向可採購的基礎設施。

━━━━━━━━━━━━

🔬 08｜一個實驗室閉環，究竟要賣給誰？

把 Co-Scientist 想成「一個更會回答問題的模型」，很容易把商業重點看小。研究現場真正花錢的地方，是一個問題從提出到被相信，中間每一次交棒都不能掉球：PI 要確認問題值得做；研究員要把條件寫成設備能讀的語言；儀器要留下原始訊號；團隊要知道哪一次失敗是材料、操作還是模型建議造成；最後，結果進入報告前還要被另一個人追問。

Google 這次把其中幾個交棒點接了起來。它的潛在客戶不只是一位使用聊天機器人的博士生，而是擁有大量儀器、歷史資料與合規負擔的研發組織。這類客戶採購的從來不是一句「模型很聰明」，而是一套能否接進既有 ELN、LIMS、儀器控制與權限管理的流程。若每個實驗步驟都有版本、每次修正都有理由、每次例外都有人可以接管，AI 才可能從助手變成研究營運的一部分。

這也是為何「一小時」值得被記住，卻不該被單獨拿來下結論。它像新廠房第一次把一條產線跑通：證明線路接得起來，不代表明天就可以日夜量產。接下來要驗證的是停機時誰發現、不同設備的公差怎麼處理、模型推薦錯誤時是否能回溯，以及團隊是否願意改變原本的簽核習慣。這些看似不炫目的環節，才決定導入後的成本曲線。

🧭 09｜台灣若要試，最適合從「可輸也可贏」的題目開始

台灣的優勢不是把一個海外 demo 重新命名成供應鏈題材，而是有足夠密集的材料、半導體、醫院與製造場景，能把這種系統放進高壓環境測試。最好的第一題未必是追求一個驚人的新發現，而是找一個已有明確量測、失敗成本可控、參數空間大、而且跨班組交接頻繁的流程。

例如，團隊可以先要求系統在既定安全範圍內提出下一輪實驗，而非直接放行任何危險條件；同時保留人工覆核、原始量測、版本紀錄與拒絕理由。若它能讓「這組條件為何被選中、哪次量測支持它、下一次怎麼改」在幾分鐘內被另一位工程師重新理解，這才是可驗證的生產力。反過來，若每次成功都得靠同一位高手在旁邊翻譯模型，那就只是更漂亮的展示。

對管理層而言，下一季應追的不是模型宣傳，而是四個可查的里程碑：是否有外部研究單位獲得明確權限；是否有不同設備的重現資料；是否公布失敗、例外與人工介入如何處理；以及是否出現把設備、資料治理與實際研究成果一起揭露的案例。這些訊號會比任何單點 benchmark 更早告訴我們，Google 是否把 AI for Science 從實驗室秀，推向一門可被採購的生意。

🧱 10｜別把「自動化」和「可被信任」當成同一件事

在研發現場，最昂貴的失敗不一定是一次實驗沒有長出材料，而是團隊花了幾週才發現：成功其實來自一個沒有被記錄的手動調整，失敗則來自上一版程式改過一個參數卻沒人知道。當 AI 開始參與實驗，這個問題只會更尖銳。它可以替人加快假說和參數搜尋，但若推薦過程、資料來源與人工覆核沒有留下證據，速度會把不可追溯的錯誤放大。

因此，好的導入標準不該是「模型有沒有完全自動做完」，而是每一次建議能否被拒絕、被修改、被重播。研究主管需要看得到模型用過哪些限制條件；設備工程師需要知道哪段指令可被安全執行；品質或法遵人員需要找得到誰在何時核准。這些能力很少出現在 demo 的第一張投影片，卻是企業願意把珍貴研究流程交出去的前提。

如果 Google 能把這一套責任鏈做成通用能力，通用模型的規模、雲端與既有研究工具入口會形成很強的組合。若做不到，垂直軟體、儀器商與實驗資料系統仍能守住最難替換的那一段：把物理世界的資料變成可被品質系統承認的證據。AI for Science 的競爭不會只剩一家勝出，而會在閉環裡重新分配誰擁有資料、控制權與議價權。

🎯 結語｜AI 科學家真正的考試，現在才開始

Google Co-Scientist 已經跨過一道重要門檻：在特定情境裡，它能把答案轉成程式或機器指令，讓實驗真的跑起來。

但它沒有把科學家移出流程。

人類仍在定義問題、裝載樣品、處理物理世界、判讀結果與承擔責任；AI 最強的地方，是把原本斷開的構思、執行、回饋與寫作接得更緊。

所以，約一小時長出三種單層材料值得關注；更值得關注的是，下一次換一台設備、換一座實驗室、換一個研究團隊，結果還能不能重現。

當答案是「可以」，AI for Science 才真正從展示，變成基礎設施。

—

一級來源：Google 團隊 arXiv 預印本 *Accelerating Scientific Research with Gemini in the Real-World*、Google DeepMind Co-Scientist、Google Gemini for Science、Google Labs Science。

本文為 AI 與生技產業資訊整理，不構成醫療或投資建議。預印本尚待同儕評審；研究 benchmark、實驗案例與產品預覽皆不等同臨床核准、商業採用或研發成功率。

社群原文