AI 治病不是靠口號，前 OpenAI 高層指生物資料與研究設施才是關鍵

針對「AI 將治癒癌症」這類廣泛流傳的說法，一位前 OpenAI 高層提出了直接的質疑：這更像是口號而非具有啟發性的願景，因為真正的瓶頸並不在模型能力，而在生物資料的品質與實體研究設施的產能。

這個論點觸及了 AI 應用於生命科學的核心限制。在語言、程式碼與影像等領域，AI 的進展受惠於龐大且容易取得的資料——網路上累積的文本與圖像提供了近乎無限的訓練素材。但生物學的情況截然不同：可靠的實驗資料必須透過實體實驗產生，而每一次實驗都需要時間、試劑、設備與人力，成本無法透過運算能力的增加來降低。

資料品質的問題同樣嚴重。生物實驗的結果受到大量難以控制的變數影響——細胞株的來源與代數、培養條件、試劑批次、操作者差異——這使得不同實驗室的結果經常難以重現。當訓練資料本身充滿噪聲與系統性偏誤，模型學到的規律便可能不具備泛化能力。這也是許多在既有資料上表現優異的模型，在新的實驗條件下失效的原因。

實體研究設施的產能則是另一道限制。即便模型能提出高品質的假設——例如某個分子可能對特定靶點有效——驗證這個假設仍需要合成該分子、進行細胞試驗、動物試驗，最終才進入臨床。整條路徑的時間以年計，而其中絕大多數步驟無法被運算取代。當假設產生的速度遠超過驗證能力，瓶頸就從「想不出來」變成「試不完」。

這個分析指向了一個具體的解方方向：與其單純追求更強的模型，不如同步投資於高通量的自動化實驗設施。自動化實驗室能大幅提高驗證的吞吐量，同時因為流程標準化而顯著改善資料的一致性——這既解決了產能問題，也改善了資料品質。近年多個結合 AI 與自動化實驗的「自駕實驗室」計畫，正是循此思路推進。

從投資與政策的角度，這個觀點也提供了資源配置的參考。當前 AI 與生技交會領域的資金，相當比例流向演算法與模型開發；而若瓶頸確實在資料與設施端，那麼投資的重心可能需要調整。這對公部門的研究基礎設施投資尤其具有參考價值。

對產業的實際意義則在於期待管理。過度樂觀的敘事若未能兌現，可能引發資金與政策支持的反轉，反而傷害真正有進展的方向。務實地界定 AI 能做什麼、不能做什麼，是讓這個領域持續獲得支持的前提。

後續觀察重點包括：自動化實驗設施的建置規模與產出、AI 提出的假設在實驗驗證上的成功率，以及生物資料標準化的推進進度。