隨著AI模型在多模態、推理等層面的能力提升，應用範圍亦超越文書資料處理，在科學、數學領域都繳出實績。美國政府宣佈野心勃勃的「創世紀計畫」，招募頂尖AI公司共同打造國家級科研加速器。AI的科研之路是否又是另一類炒作？前方有何挑戰？
一個月內，美國白宮在11月宣布的「創世紀計畫」（Genesis Mission）已招募到數十間私企響應。從OpenAI、Google、Anthropic等前沿AI模型研發者，到輝達、AMD、AWS、微軟等晶片與雲端業者，都在首批合作者之列。
面對中國在科研人才、論文、專利數等關鍵指標上的強勢進展，美國科研生產力相對停滯。出於能源、國安以及創新力需求，創世紀計畫由能源部與白宮科學和技術政策辦公室（OSTP）主責，結合超級電腦、AI系統、量子技術及聯邦資料集，打造加速科學研發的綜合基礎設施，目標是在十年內倍增美國創新研發的生產力與影響力。
重點領域包括核融合、電網等能源領域，量子運算等科研領域，以及材料科學、先進製造等國安領域。
美國前沿模型領先者Google DeepMind與OpenAI也陸續宣布，在與政府的既有合作基礎上再進一步。
DeepMind表示，將加速在美國能源部下屬17個國家實驗室的AI工具部署。這包括2月推出的「AI co-scientist」，這是基於Gemini發展的科學代理協作工具，可協助科學家整合大量資訊，產生新的假說與研究提案。2026年將拓展到可設計高階演算法的程式代理「AlphaEvolve」、協助理解DNA結構的「AlphaGenome」，以及天氣預測模型系列「WeatherNext」。
OpenAI在9月啟動以AI加速科學研發的新專案「OpenAI for Science」，12月進一步推出評估AI在物理、化學等領域進行科學推理能力的新基準「FrontierScience」，並積極探索新模型GPT 5.2推動科學研究的潛力。
在提交給白宮OSTP的建議文件中，OpenAI指出，公司將2026年視為「AI與科學之年」，「就像AI在2025年加速了軟體研發，它將會開始促成科學的突破性發展……我們相信，AI模型在2026年將具備跨領域分析研究、輔助設計實驗的能力，將研發週期從數天、數週縮短到數小時，讓科研成果更快落實在大眾生活中。」
模型多模態、推理能力突破，生物學朝向工程學靠攏？
2025年間，Google DeepMind與OpenAI的前沿模型在國際數學奧林匹亞（IMO）與國際大學生程式設計競賽（ICPC）取得金牌。在Scale AI年末根據自家SEAL Leaderboard與SEAL Showdown上的表現評選的年終榜上，Gemini 3獲選最佳綜合性能、最佳多模態模型，GPT-5 Pro則奪得最佳推理模型。
在追求訓練資料量以外，強化模型學習、思考能力的研發路線，讓新一代基礎模型不只能高速處理及生成文本，對科學研究的幫助也愈來愈大。這對人類整體福祉的可能影響也愈發受到期待。
例如，Meta創辦人祖克柏（Mark Zuckerberg）與妻子成立的有限公司「陳和祖克柏基金會」（CZI）在11月宣布重組，以Biohub的研究網絡為核心，將資源聚焦在人工智慧與科學研究。預計在2028年前將組織算力提升十倍，以強化AI驅動的生物研究；這包括加速虛擬實驗、分析基因序列以檢測疾病的AI系統等。
在AI加速藥物開發上，2025年間也出現實質進展。獲OpenAI投資的新創「Chai Discovery」在12月宣布完成1.3億美元的B輪融資，估值來到13億美元。
Chai Discovery成立於2024年，目標為打造生物學與藥物研發界的基礎模型。快速迭代的抗體生成模型「Chai-1」及「Chai-2」，號稱能設計出「原子等級精密度」的類藥抗體。
單株抗體進入臨床階段，已有將近40年的歷史。如今在人工智慧的挹注下，藥物研發可能正在進入嶄新時代。過往，抗體藥物的研發往往要從大量的候選抗體中篩選出可以精準辨識特定標靶者，還要考量結合力是否夠強，是一段曠日費時的過程。
Chai-2模型則能根據目標抗原生成全新抗體，甚至已能設計出全長的單株抗體，省去從碎片化的資訊發展成完整藥品的調整時間。就連過往人類科學家難以攻克的難成藥靶點，可能也不再是如此遙不可及之事。這展現了AI系統已有強大的模擬與空間推理能力。
Chai Discovery在新聞稿中表示，Chai-2是「科學發展的轉捩點」。在其中一個案例中，Chai-2僅用了幾個小時就生成傳統實驗室耗費500萬美元破解的抗體設計。隨後，實驗室在2週內便驗證Chai-2的成果。這昭示了生物學未來有機會朝向工程學靠近。
輿論轉向實地應用，「推進科學」能克服負面影響？
整體來說，2025年間，大眾對通用智慧（AGI）、超智慧（ASI）的討論熱度逐漸降溫。一度掀起關注的論文〈AI 2027〉作者也調降預期，認為發展速度可能更慢一些。
這個趨勢在2026年料將延續，更多的關注將聚焦在AI的實際應用與影響。這也呈現在大眾對網路上的「AI垃圾（slop）」、勞動市場衝擊，以及「大腦外包」降低人類創造力等負面影響的關注與討論上。
「促進科學研發」成為理想的正面宣傳。透過AI加速科學、醫藥的發展，進而應對氣候變遷，提升整體人類的生活品質，是一個既道德又具經濟吸引力的敘事，也是對抗負面輿論的一項利器。
然而，即便不相信AI將在十年內終結疾病，許多人無法否定先進模型已經具有實質助益。最明顯的例子可能是獲得諾貝爾化學獎肯定的AlphaFold，其蛋白質資料庫已服務190多個國家的三百多萬名科學家加速研發工作。（延伸閱讀：諾獎化學得主預言：AI設計藥物若可行，20年內多數疾病可治癒）
加州大學洛杉磯分校數學系教授陶哲軒（Terence Tao）日前在社群平台上分享，他認為在近期內，人工智慧在數學領域最有效的應用不是讓最強大的模型解最困難的問題，而是人類數學家利用中等能力的工具，加速繁瑣、耗時但重要的研究任務。
一個例子是讓AI工具協助文獻考察。陶哲軒以追蹤數學家艾狄胥（Paul Erdős）提出的數學問題網站「Erdős Problems」為例，指出在AI協助搜尋、人類檢核的模式下，有數個問題已從「未解決」更新為「已解決」。這樣的AI工具應可減少不同數學家重覆花時間尋找不存在的文獻，或是解法已經存在卻沒有人找到的情況。
除了提升AI模型本身能力，改善人類自己打造的組織架構也可能是釋放AI科研潛力的另一項要務。
美國智庫戰略暨國際研究中心（CSIS）分析，創世紀計畫是對美國機構能力的一大押注。美國的科學研發量能分散在聯邦機構、大學、國家實驗室、私人企業與州政府之間，這使得大規模協調的難度極高。
CSIS指出，創世紀計畫至少面臨三大挑戰：招募擁有發展科學基礎模型與使用先進AI工具的稀缺專業人才；整合散落四處的資料治理能力；以及緩解資源重新配置過程中的摩擦。
最終，創世紀計畫的成敗，可能更掌握在人類是否能將不斷進展的AI模型可靠地融入科研基礎設施中。在地緣政治、能源與科技競逐交織的背景中，AI能否改善而非威脅人類現有生活，將是「促進科學發展」的真正評估目標。
