最近幾個月，全球科技與醫藥界都在關注一件事，Google DeepMind 延伸出的 Isomorphic Labs，已經朝人體臨床試驗邁進，目標是讓 AI 設計的新藥真正進入醫療現場。這不再只是聊天機器人或生成圖片的競賽，而是 AI 開始參與人類最困難的任務之一，發現新的知識與新的藥物。

這也是為什麼，2024 年諾貝爾化學獎頒給 Demis Hassabis、John Jumper 與 David Baker 時，全球科學界震動如此巨大。因為這次得獎，不只是某項技術進步，而是代表 AI 已經從輔助工具，開始進入科學探索本身。

更特別的是，Demis Hassabis 並非傳統科學家出身。他從西洋棋、電玩設計、神經科學一路走到 AI 與生命科學。這條路看似跳躍，其實隱藏著同一種思維模式。那就是把複雜世界變成可以推演、可以預測、可以計算的系統。

過去幾十年，人類使用科技，大多是在提升效率。電腦讓計算更快、網路讓資訊傳播更快、手機讓溝通更方便。但 AlphaGo 與 AlphaFold 的出現，意義已經完全不同。

2016 年，AlphaGo 擊敗李世乭時，真正令人震撼的，不只是勝負，而是 AI 展現出一種不像人類的創造性。很多棋手後來承認，AlphaGo 某些下法甚至改變了人類對圍棋的理解。

到了 AlphaFold，這種能力開始進入科學世界。蛋白質結構預測困擾生物學界超過半世紀。傳統研究往往需要耗費多年時間與龐大資源。AlphaFold 卻大幅壓縮這個過程，甚至已能預測幾乎所有已知蛋白質結構。

這代表 AI 不再只是整理資料，而是開始替人類「猜答案」。而且這種猜測，還越來越準。從某個角度看，人類第一次把「發現未知」這件事，部分交給了機器。

很多人現在仍把 AI 視為科技產品競爭，其實真正的大戰，早已轉向科學與產業基礎。未來最強大的國家，不一定只是軍事最強、人口最多，而是誰能最快利用 AI 發現新藥、新材料、新能源技術。

這也是為什麼，美國科技巨頭如今瘋狂投入 AI。OpenAI 想建立新的資訊入口，NVIDIA 提供算力基礎，DeepMind 則更像研究母體。它追求的，不只是產品，而是一套能持續產生突破的方法。

這件事其實非常可怕，因為一旦 AI 開始擁有大規模知識探索能力，人類文明的推進速度可能突然暴增。過去藥物研發可能需要十年以上，未來也許數年就能完成。過去材料研究需要反覆試錯，如今 AI 可以先模擬無數可能性。

這將帶來龐大財富，也可能重新洗牌全球產業。台積電重要，因為它提供算力晶片。但未來真正更昂貴的，也許是「發現能力」。誰能最快找到答案，誰就掌握下一代文明主導權。

這也讓今天的教育制度開始顯得尷尬，很多學校仍然習慣訓練學生背誦標準答案，但 AI 最擅長的，就是快速找到答案。於是未來最重要的能力，可能變成提出問題。哪些問題值得研究、哪些方向具有價值、哪些科技界線不能跨越，這些事情，未必能完全交給 AI。

Demis Hassabis 的成長歷程，其實很值得思考。他不是單一路線的專家，而是跨越遊戲、心理、大腦與 AI 的融合者。未來最有競爭力的人才，很可能也是這種型態。

懂科技，但也懂人文。懂工程，但也理解社會，能夠把不同領域串起來。反過來說，只會考試、只會背答案的人，未來恐怕最容易被 AI 取代。

台灣其實同時擁有優勢與隱憂，我們有全球頂尖半導體能力，也有完整醫療體系。但長期教育文化偏向標準化與升學導向，對真正的大膽探索並不友善。偏偏 AI 時代最需要的，就是探索未知。

最值得注意的是，AI 革命正在從「取代工作」走向「取代部分研究能力」，這兩者完全不是同一個層次。如果連新知識都能由 AI 大量生成，人類未來的角色到底是什麼？

也許，人類依然負責方向與價值判斷。也許，人類會變成 AI 的協作者。也許，人類文明將第一次遇到比自己更擅長推進科學的存在。這並不是科幻電影，而是已經開始發生的現實。

從棋盤到生命科學，AI一路做的，其實都是同一件事。讓世界變得可以被理解、被推演、被計算。而今天最大的問題，已經不是 AI 能不能超越人類。而是當 AI 開始比人類更擅長發現未知之後，人類還能不能保有文明方向的決定權。