不是取代，是解放｜AI 正在重新定義「做科學」這件事

有人以為科技加上大數據再加上機器學習就等於科學，但其實不是這樣的。 — — John Krakauer

生物醫學領域正在製造超大規模的資料集 (Dataset)，讓我們不得不採用機器學習 (Machine Learning) 和 AI，例如癌症基因體圖譜 (Cancer Genome Atlas) 收集了多維度的生物資料，包含各種「體學」(Omics) — 基因體學 (Genomics)、蛋白質體學 (Proteomics) 等，這個圖譜總共儲存了來自超過三萬名病人、超過 2.5 PB（Petabyte，千兆位元組）的資料，沒有任何一個人類能夠處理這麼龐大的資料量。Rockefeller University 的腫瘤學家兼神經科學家 Robert Darnell 說：「身為生物學家，我們能做的就是盡力去演示像自閉症這類疾病背後的原理，但當機器能問一兆個問題、而科學家只能問十個，這就是改變遊戲規則。」

話雖如此，跟 AI 正在為病理科和放射科這些以模式辨識為主的科別所帶來立即持續的改變不同，AI 目前還沒有用任何重大方式挑戰科學家的現狀，AI 現在彷彿只是來幫忙的，就像 Tim Appenzeller 在《Science》期刊上說的，AI 現在還是「科學家的學徒」(The Scientist’s Apprentice)，但這個學徒能提供的幫助非常強大。在 2017 年，《Science》期刊的封面就宣告：「AI 轉變科學」(AI Transforms Science)，AI 不僅「催生了 AI 神經科學」(AI Neuroscience)，還「讓發現的過程變得超級強大」(Supercharged)；《Science》還看到更多的可能性：「全自動化科學的前景」(Fully Automated Science)，「這個不會累的學徒可能很快就會是正式的同事」。

AI 同事似乎還是個遙遠的前景，但不管 AI 是否會取代科學家，AI 在科學發展的努力正在快速前進，在生命科學應用方面的發展速度，比在醫療照護 (Healthcare Delivery) 快得多，畢竟基礎科學不一定需要臨床試驗的驗證，也不需要醫界的接受和落地、或是監管機構的監督，儘管所有科學研究還沒有全部進入臨床，但最終這些進展將對醫學實踐產生重大影響，無論是透過更有效率的 Drug Discovery，還是透過闡明解釋健康和疾病的生物途徑 (Biological Pathway)。

生物體學與癌症研究的新突破

AI 正與基因體學和生物學家建立越來越多的合作夥伴關係，利用機器的眼睛看到研究人員無法視覺化的東西，並以人類不可能做到的方式篩選豐富的資料集，資料豐富的基因體學領域非常適合機器幫助，我們每個人都是基因資料的寶庫，因為我們所有人的雙倍體 (Diploid，包含母系和父系副本) 基因組中都有六十億個字母：A、C、G 和 T，其中 98.5% 不編碼蛋白質；在我們有了第一個完整的人類基因組圖譜十多年後，所有這些材料的功能仍然難以捉摸。早期的深度學習基因組計畫之一叫做 Deep-SEA，致力於識別非編碼元件 (Noncoding Element) 的功能，2015 年普林斯頓大學的 Jian Zhou 和 Olga Troyanskaya 發表一個演算法，發現數萬個非編碼 DNA 字母後能夠預測 DNA 序列如何與染色質 (Chromatin) 相互作用。染色質由大分子組成，幫助包裝 DNA 以便儲存、展開 DNA 以轉錄成 RNA，最終轉譯成蛋白質，所以染色質和 DNA 序列之間的交互作用賦予這些序列重要的調控作用，加州大學爾灣分校的電腦科學家 Xiaohui Xie 稱之為「將深度學習應用於基因體學的里程碑」。另一個早期的概念驗證研究是關於自閉症譜系障礙 (Autism Spectrum Disorder) 的基因體學，在此之前只有六十五個基因與自閉症有強力的證據連結，而演算法辨識出 2,500 個可能導致自閉症譜系症狀的基因，還能繪製出負責的基因互動圖譜。

深度學習也在幫助我們解釋人類基因組測序後識別出的變異 (Variant)，最廣泛被使用的是基因組分析工具包 (Genome Analysis Tool Kit)，簡稱 GATK，在 2017 年底 Google Brain 推出 DeepVariant 來補充 GATK 和其他先前既有的工具。DeepVariant 不用統計方法來發現突變和錯誤、找出哪些字母是人類的或是 Artifact，而是創建稱為「堆積影像」(Pileup Image) 的視覺化基準參考基因組來訓練卷積神經網路，然後創建科學家希望識別變異新測序基因組的視覺化。這種方法在序列的準確性和一致性方面優於 GATK，不幸的是雖然 DeepVariant 是開源的，但目前並不容易擴展，因為它的算力需求過高，需要比 GATK 多兩倍的 CPU。確定變異是否具有潛在致病性 (Pathogenic) 是一項挑戰，當它位於基因組的非編碼區域時，難度會變得更高，儘管現在有十多個 AI 演算法來幫助完成這項艱鉅的任務，但識別致病變異仍然是最重要的未滿足需求之一。前面提到的普林斯頓團隊透過預測非編碼元件變異對基因表現 (Gene Expression) 和疾病風險的影響，讓基因體學的深度學習又向前邁進了一步，由 Illumina 基因體學公司領導的團隊使用非人類靈長類動物基因組的深度學習來提高預測人類致病突變的準確性。

基因體學不是唯一適合深度學習和機器學習的體學領域，深度學習已經應用於生物資訊的諸多層面，包括基因表現、轉錄因子 (Transcription Factor) 和 RNA 結合蛋白 (RNA-Binding Protein)、蛋白質體學、後設基因體學 (Metagenomics，特別是腸道微生物組 Gut Microbiome) 以及單細胞資料 (Single-Cell Data)。DeepSequence 和 DeepVariant 是用來理解突變功能效應或準確調用基因組變異的 AI 工具，兩者的表現都超越了先前的模型；DeepBind 用於預測轉錄因子，DeFine 量化轉錄因子與 DNA 的結合，並幫助評估非編碼變異的功能性，其他工具則已經有能力預測 DNA 和 RNA 結合蛋白的特異性、從蛋白質序列預測蛋白質骨架，以及跨多種細胞類型的 DNase I 超敏感性 (Hypersensitivity)。表觀基因組 (Epigenome) 透過 DeepCpG 進行單細胞甲基化狀態 (Methylation State) 分析，可以預測染色質標記 (Chromatin Mark) 和甲基化狀態，深度學習神經網路也改進了具挑戰性的單細胞 RNA 序列資料分析。在每個體學層內和層間，相互作用似乎是無限的，機器學習也可以用來幫助我們理解基因如何相互作用。

AI 與基因編輯 (Genome Editing) 的結合特別強大，微軟研究院 (Microsoft Research) 開發了一種稱為 Elevation 的演算法，可以在嘗試編輯 DNA 時預測整個人類基因組的脫靶效應 (Off-Target Effect)，從而預測編輯 DNA 股的最佳位置，並為 CRISPR 編輯設計引導 RNA (Guide RNA)（CRISPR：Clustered Regularly Interspaced Short Palindromic Repeats），表現優於其他 CRISPR 設計演算法，這些演算法在許多使用 CRISPR 系統編輯治療血友病 (Hemophilia)、鐮刀型紅血球疾病 (Sickle Cell) 和地中海貧血 (Thalassemia) 等疾病的臨床試驗中發揮關鍵作用。考慮到影像辨識 (Image Recognition) 是機器學習的核心優勢，它也在細胞分析中扮演重要角色：對形狀進行分類、確定類型、確定譜系 (Lineage)、識別血液中的稀有細胞，或區分細胞是活的還是死的，細胞的內部運作一直是 DCell 的焦點，這是一個預測生長、基因與基因相互作用和其他功能的深度學習演算法。

癌症是一種基因組疾病，除了幫助醫師解釋來自腫瘤的測序資料（例如膠質母細胞瘤 Glioblastoma）之外，我們還看到了對癌症起源和生物物理學的新見解，腫瘤的 DNA 甲基化資料 (Methylation Data) 也被證明是 AI 在癌症分類中非常有用的 Input，病理科醫師通常用玻片上的組織學樣本來診斷腦瘤，但有許多罕見的癌症，如果病理科醫師以前沒有見過，就可能會無法及時做出鑑別診斷；腫瘤中的細胞是不同類型的鑲嵌體 (Mosaic)，切片 (Biopsy) 通常是腫瘤中細胞類型的不完整樣本，而且人工閱片是相當主觀的。柏林夏里特醫院的 David Capper 在 2018 年的一項研究中，腫瘤標本的全基因組甲基化在對所有八十二種腦癌進行分類顯示出 93% 的準確度，遠超過病理學家的準確度。機器判斷的 DNA 甲基化狀態導致超過 70% 的人類標記腫瘤重新分類，對預後的預測和治療決策有顯著不同，對癌症生物學實驗室實驗和臨床醫師都有重要意義。透過遷移學習演算法 (Transfer Learning Algorithm)，我們可以辨識 178 名病人癌症演化軌跡的隱藏訊號，對病人的預後有一定程度的影響，英國《快報》(Express) 的頭版寫：「機器人對抗癌症的戰爭」(Robot War on Cancer)，AI 工具已經有能力幫助我們發現癌症體細胞突變 (Somatic Mutation)，並理解癌症基因相互作用的複雜性。

研究人員也運用複雜的生物系統來預測細胞是否會變成癌性，他們用青蛙蝌蚪的腫瘤發展模型，用三種試劑的組合處理蝌蚪，以找到導致一些青蛙幼蟲的黑色素細胞 (Melanocyte) 發展成類似癌症形式的組合，儘管在族群層面上並非所有蝌蚪都發展出癌症，但他們驚訝地發現：所有蝌蚪的黑色素細胞行為模試相同，要麼都變成癌性、要麼都正常發育，不過也找到一種試劑組合，其中只有一些細胞癌化。他們使用 AI 模型運行了 576 個虛擬實驗，在一系列試劑組合下計算模擬胚胎發育，不過只成功了一個，預測類似癌症的表型 (Phenotype)，但並非所有細胞都以相同方式發育。即使有完整的模型描述控制系統的確切機制，單靠人類科學家也無法找到能導致所需結果的確切藥物組合。

Drug Discovery 藥物發現

成功識別和驗證一種新的候選藥物 (Drug Candidate) 是生物醫學中最大、也是最昂貴的挑戰之一，高昂的成本和高失敗風險促使人們探索能夠降低開發藥物成本或難度的技術。十年前，硬體投資很用於執行分子高通量和大規模篩選的機器人技術；現在重點是演算法自動化，到 2018 年有超過六十家新創公司和十六家製藥公司用 AI 進行藥物發現，就像研究蝌蚪癌症的研究人員，透過梳理生物醫學文獻、在電腦中挖掘數百萬個分子結構、預測脫靶效應和毒性、大規模分析細胞檢測 (Cellular Assay)，快速開發更有效的分子，初步資料顯示 AI 化學篩選將顯著減少對臨床前動物測試的需求。透過生物醫學文獻和化學資料庫結合自然語言處理，來理解藥物和分子的所有已知資訊，以無假設模式分析所有資料而不會有我們人類的偏見。

大約有 10 的 60 次方個具有類藥物特徵 (Drug-Like Feature) 的化合物可以被 AI 製造出來，小分子的數量遠超過太陽系中的原子數量，像 Exscientia 正在開發這些化合物的完整目錄、Epiodyne 整理了一億個尚未製造但易於合成的化合物，加州大學舊金山分校 (UCSF) 的 Brian Shoichet 所主持的一項止痛藥發現研究，將三百萬個化合物的清單縮減到只有二十三個；德國明斯特大學有機化學家一直在使用深度學習使化合物的合成更具預測性、快速和方便；劍橋大學一個名為 Eve 的機器人，配備 AI 函式庫篩選能力，能夠找到抗瘧疾藥物作用的證據；瑞士伯恩大學的 Jean-Louis Reymond 建立了一個名為 GDB-17 的資料庫，包含一千六百六十億個化合物，代表所有由十七個或更少原子組成的化學上可行的分子。Nearest-Neighbor Algorithmic Analysis 可以在幾分鐘內篩選整個資料庫，以找到具有類似已知藥物效果的新分子，Reymond 資料庫中的許多化合物被證明很難合成，所以他縮減為一千萬個易於製造的化合物的「簡短清單」。

透過機器學習預測化學反應已經有不錯的進展，普林斯頓大學的 Abigail Doyle 和同事在 2018 年發表的研究就是關於 ML 生化反應：「我們把結構畫出來 — 起始材料、催化劑 (Catalyst)、鹼基 (Base) — 軟體會找出它們之間的共同描述符 (Shared Descriptor，就是共同的化學特徵)，輸出的結果是反應的產率 (Yield)；機器學習將所有描述符與產率匹配，目標是可以輸入任何結構，它會告訴我們反應的結果。」Insilico Medicine 正在研究癌症藥物研發，從公開資料庫用生成對抗神經網路 (Generative Adversarial Neural Network) 篩選超過七千二百萬個化合物，目標是識別潛在的治療分子、同時剔除先前專利化合物的分子。

BenevolentAI 是歐洲最大的私人 AI 公司之一，已經建構了篩選生物醫學文獻和化學資料庫的自然語言處理模型，迄今 AI 藥物開發中最令人印象深刻的論文來自 BenevolentAI 的有機化學家 Marwin Segler，他和明斯特大學的同事設計了一個深度學習演算法，從數百萬個案例中自行學習反應如何進行，從超過一千二百萬個已知的單一步驟有機化學反應中創建小型有機分子，以雙盲方式看看他們是否能區分 AI 和人類的合成反應路徑，結果發現無法區分。格拉斯哥大學的 Leroy Cronin 團隊設計了一個有機合成機器人，使用機器學習搜尋新的化學反應，每天可以做三十六個化學反應，而一個人類化學家只能做三到四個；機器人進行的反應是事先無法預測結果的，Derek Lowe 反思：「人工智慧實際上會幫我們騰出時間，可以花更多時間思考應該製造哪些分子以及背後原理，而非專注於如何製造分子的細節。」

Recursion Pharmaceuticals 是一家影像處理公司，使用演算法和自動化顯微鏡來處理人類細胞的高通量藥物測試，深入到細胞、細胞核大小和形狀等粒度細節，目前已有超過 2,000 個分子完成建模，以查看哪些分子可以將病態細胞（模擬遺傳疾病）轉化為看起來健康的細胞，他們用這種策略確定了至少十五種新的潛在治療方法，其中一種正在針對大腦海綿狀血管畸形 (Cerebral Cavernous Malformation) 的臨床試驗中向前推進。Deep Genomics 採用基因組錨定方法 (Genomic Anchoring Approach) 進行深度學習，早在 2014 年這個多倫多的團隊在 Brendan Frey 的領導下，發表了一篇關於人類剪接密碼 (Splicing Code) 令人印象深刻的論文，為自閉症光譜障礙和脊髓性肌肉萎縮症 (Spinal Muscular Atrophy) 等疾病的病人提供了數千個潛在靶點。

Atomwise 使用深度學習演算法篩選數百萬個分子，到 2017 年底已執行超過二十七個藥物研發專案，治療從伊波拉 (Ebola) 到多發性硬化症 (Multiple Sclerosis) 等疾病，他們的神經網路連同 3D 模型提供了七十二種與特定疾病的分子相互作用可能性最高的藥物清單。瑞士聯邦理工學院的 Gisbert Schneider 指出：「自動化藥物研發的概念可以幫助我們大幅減少在藥物化學專案中需要測試的化合物數量，同時建立適應性分子設計 (Adaptive Molecular Design) 的理性無偏見基礎。」這些方法催生了新的公私合作夥伴關係，其一稱為 ATOM（Accelerating Therapeutics for Opportunities in Medicine，加速醫療機會的治療），匯集了多個學術中心（杜克大學和杜蘭大學）和製藥公司（包括默克 Merck、艾伯維 AbbVie、孟山都 Monsanto），以「開發、測試和驗證癌症藥物開發的跨領域模式，現代科學、技術和工程、超級計算模擬 (Supercomputing Simulation)、資料科學和人工智慧高度整合到一個單一藥物研發平台，最終可以與整個藥物開發社群共享」。ATOM 的目標是減少從識別潛在藥物靶點 (Drug Target) 到開發命中靶點的候選藥物所需的時間，過往通常是四年的瓶頸，ATOM 希望能縮短到一年的延遲。Project Survival 是由 BERG Health 資助的公私聯合體，從癌症病人收集生物樣本，在一個七年的計畫中，挖掘與每個病人臨床資訊整合的資料，以促進生物標記 (Biomarker) 發現和早期檢測。

AI 在這個領域不僅限於促進藥物發現，還包括預測實驗藥物的正確劑量 (Dose)，由於每個人的最佳藥物劑量可能取決於許多變數，例如年齡、性別、體重、遺傳學、蛋白質體學、腸道微生物組等，是建模和深度學習演算法的理想主題，而藥物與藥物相互作用 (Drug-Drug Interaction) 的可能性加劇了獲得正確劑量的挑戰；包括加州大學洛杉磯分校、史丹佛大學、加州大學舊金山分校、維吉尼亞理工大學和堪薩斯大學在內的多個學術單位已經使用這種方法，維吉尼亞理工大學的 Josep Bassaganya-Riera 說：「每個人都會有自己的一組特定參數，我們需要理解這種獨特的特徵組合代表什麼，而不是分析每個個別特徵，機器學習幫助我們達到這個目標。」關於 AI 和藥物研發肯定有很多炒作，像「AI 改變生活的阿茲海默症藥物」、或者像「藥物開發時程縮短四年，與製藥業平均水準相比效率提高 60%」，只有時間才能證明這些不同的嘗試來加速藥物研發的變革潛力是否會實現。

神經科學 —當 AI 遇見大腦

AI 和腦科學的交集豐富，有如複雜的接線圖，自從人工智慧的概念起源以來，神經科學一直為 AI 研究人員提供重要的靈感 ，神經科學和人工智慧其中一個領域的知識和突破會改變另一個領域。AI 在神經科學中的應用在過去不止專注於人類的大腦，而是果蠅的大腦：霍華德休斯醫學研究所的 Alice Robie 從四十萬隻果蠅的影片開始，使用機器學習和機器視覺方法來繪製基因表現、特徵和精確解剖基礎的三位一體，最終生成了全腦圖譜 (Whole-Brain Map)，將運動（如向後走）和社交行為（如雌性攻擊性）與超過 2,000 個基因靶向的腦細胞群體理出關聯。

理解大腦也幫助我們理解電腦科學中的問題，研究果蠅也有助於我們理解「相似性搜尋」(Similarity Search) 的基本計算問題— 在大規模檢索系統中識別相似的影像或文件，果蠅的嗅覺系統使用三種非傳統的計算策略，透過學習一種氣味的標記來促進對相似氣味的識別，誰猜得到最近鄰計算搜尋 (Nearest-Neighbor Computing Search) 會與果蠅的氣味演算法有共同之處？模擬空間導航 (Spatial Navigation) 是另一個複雜的認知知覺映射任務 — 整合身體運動速度和方向、我們在空間中位置的資訊，大腦主要依賴三種神經元：位置細胞 (Place Cell)，當我們處於特定位置時會放電；頭部方向細胞 (Head-Direction Cell)，會發出頭部方向的訊號；網格細胞 (Grid Cell) 在海馬迴中排列成完美的六角形，海馬迴被稱為大腦的 GPS，當我們處於形成六角網格圖案的一組點時會放電，就像大腦內部的地圖，將其強加於我們對環境的感知上。

在 DeepMind 研究人員深入研究之前，網格細胞究竟如何運作還不為人所知，網格細胞是否可以幫助計算兩點之間的距離和方向，使我們的大腦能夠選擇從一個點到另一個點的最短路徑？這稱為基於向量的導航 (Vector-Based Navigation)，是一個當時沒有實證支持的理論。為了弄清楚基於向量的導航是否確實發生在人類的大腦，DeepMind 的電腦科學家訓練了一個遞迴神經網路 (Recurrent Neural Network) 來在虛擬環境中定位模擬囓齒動物，發現六角形、類似網格的表示 (Grid-Like Representation)，類似於哺乳動物的神經活動模式，進而確認路徑導航，接著使用複雜的虛擬實境遊戲環境和深度強化神經網路 (Deep Reinforcement Neural Network)，人工代理人 (Artificial Agent) 的表現超越了專業遊戲玩家，懂得走捷徑和新路線、展示了基於向量的導航，當網路中的網格細胞不起作用時，代理人的導航能力就會受到不利影響。

這項網格細胞研究讓我們體驗到神經科學中正在被 AI 影響和解密的興奮和進步，艾倫研究所的 Christof Koch 表示：「雖然二十世紀是物理學的世紀 —想想原子彈、雷射和電晶體 — 如今將是大腦的世紀，宇宙中最複雜的高度興奮物質。」我們看到電腦科學的進步如何幫助人類更好理解我們的大腦，不僅是透過整理大腦工作的機制，還會透過給我們理解它如何運轉的概念工具。反向傳播 (Backpropagation) 是神經網路透過將輸出與期望輸出進行比較、並以相反的執行順序進行調整來學習的方式，這個概念之前被批評在生物學上不可行，而最近的研究證實了大腦使用反向傳播來做演算；大多數神經科學家認為生物神經網路與人工神經網路相比，只進行監督式學習 (Supervised Learning)，但大腦前額葉皮質 (Prefrontal Cortex) 的強化學習 (Reinforcement Learning) 不只做監督式學習。隨著基於 DNA 的神經網路 (DNA-Based Neural Network) 擴展，生物和人工神經網路之間的界線變得越來越模糊，網路識別分子模式 (Molecular Pattern) 從只識別四種不同的 DNA 分子延伸到分類九個類別，並創造在自主分子系統 (Autonomous Molecular System) 中嵌入學習的潛力。

用 AI 從電子顯微鏡重建神經迴路是另一種交互作用，「連接體學」(Connectomics) 可用來繪製我們神經系統中生物神經元網路，Google 和馬克斯普朗克研究所的研究人員把這個過程自動化，將準確性提高了一個量級。AI 不僅在我們進行神經科學研究的方式中發揮重要作用，神經科學長期以來也在 AI 的發展中發揮了重要作用；隨著我們在大腦如何運作的理解取得進一步進展，這種影響只會越來越顯著，諸多深度學習系統的架構和功能都受到神經科學的啟發。神經元和突觸確實有架構上的相似之處，並且有用於輸入、輸出、中央處理和記憶體的獨立迴路，但差異也非常明顯，我們節能的大腦只使用大約 10 瓦的功率、比家用燈泡還少，存放在一個小於 2 公升或小於鞋盒的微小顱骨空間中，相比之下日本的 K 超級電腦需要大約 10 百萬瓦的功率，佔據超過 130 萬公升的空間；人類大腦約有一千億個神經元和一百兆個連接，對損傷有相對高的容忍度 ，但即使是最強大的電腦對任何出錯電路的容錯能力也很差，而且在開始學習之前需要大量的 Coding，也只能從數百萬個例子中學習；不過人類大腦相對慢，計算速度比機器慢一千萬倍，所以機器可以比我們更快對刺激做出反應，例如當我們看到東西時，從光線照射視網膜到透過大腦處理並達到意識感知大約需要 200 毫秒。

電腦和人類之間的另一個重要區別是，機器通常不知道如何更新它們的記憶體並覆寫無用的資訊，我們大腦採取的方法稱為赫布學習 (Hebbian Learning)，遵循 Donald Hebb 的格言「一起放電的細胞會連接在一起」(Cells that fire together wire together)，如果我們經常使用特定的知識，它就比較不會被刪除，這主要是突觸神經可塑性的現象：大腦重複、同步放電迴路使該行為被強化，更難覆寫。但電腦很難以這種方式工作，目前人工神經網路已經被設計成模仿這種「記憶體感知突觸」(Memory Aware Synapse) 的功能，透過一系列物體識別任務實現，比如訓練一個可以辨識奔跑的狗、人類做運動的模型，以非監督的方式累積網路每個參數的重要性度量 (Importance Measure)，再透過重新測試看到奔跑的狗來評估模型表現，讓 AI 學習要記住什麼以及可以忘記什麼。

長期以來，我們對人類大腦的多數了解都來自對沒有任何電氣活動的死亡組織研究，艾倫腦科學研究所則發表來自大約三百個活體人類腦細胞的資料，這些細胞來自手術樣本，在三十六名病人的許可下，被置於生命支持系統上以研究它們的結構和功能，由此產生的三維圖譜和對神經元如何解釋輸入、產生傳出訊號有更好的理解，揭示人類與電腦神經元功能的相似性。雖然放大和重建單個活體人類腦細胞的新能力令人興奮，但不是每個人都準備好迎接這個巨大的躍進，英國神經科學家 David Marr 曾說：「試圖透過理解神經元來理解人類感知，就像只想藉由只研究羽毛來理解鳥的飛行，根本做不到。」儘管科學家正在努力解構，例如歐洲的人腦計畫 (Human Brain Project) 和美國的 BRAIN，我們對大腦內部運作的實際了解仍然相當有限。

但這並沒有妨礙晶片研發人員在結構上模仿大腦，這個領域稱為神經形態計算 (Neuromorphic Computing)，始於 1980 年代加州理工學院 Carver Mead 的研究，他尋求的不是怎麼製造更好的電腦，而是弄清楚「大腦到底是怎麼做到的？」將大腦逆向工程到晶片中，使用更少能量的矽神經元 (Silicon Neuron)，並像大腦一樣將架構從單一、全能的晶片去中心化為更簡單、專用的晶片，以分散工作並減少功耗。神經形態晶片增強了我們對大腦電路的理解，並為未來的腦機介面 (Brain-Machine Interface) 和神經義肢 (Neuroprosthetic) 硬體系統鋪路。AI 已被用於癲癇深部腦植入物 (Deep Brain Implant) 的病人，為每個人（二十五個人）如何記住事物開發個人模型，植入電極在訓練過的演算法感知到需要記憶時會接收刺激、增強，將 AI 和神經科學融合且透過整合矽神經元與生物神經網路來創造「生物混合」(Biohybrid) 電腦。

晶片產業投入大量資源，利用大腦電迴路的知識來設計專用晶片，史丹佛大學前校長 John Hennessy 說：「現有的方法已經沒有動力，人們正在嘗試重新架構系統。」透過將神經網路的訓練（有數百種演算法）卸載到低功耗專用晶片上，效率得以提高、計算能力可以被保存。大多數神經網路的 AI 神經科學工作都涉及軟體和演算法開發，IBM 研究院採用人工突觸的混合軟硬體方法，創建了一個具有超過 20 萬個兩層（短期和長期）突觸的神經網路，用於影像辨識，所需功率減少了一百倍，同時創造了每秒每瓦超過 280 億次操作的高效率（與當前的圖形處理單元 GPU 相比，增加了兩個數量級以上）。

科學家的新工具和學徒

儘管 AI 幫助科學家進行研發已經相當為眾人所知，但還沒有被大家普遍採用，顯微鏡幾世紀以來一直是生物醫學科學家的標誌性工具，後來螢光顯微鏡被發明出來，涉及複雜的樣本製備，將螢光分子附著到細胞、子細胞特徵和分子上，使它們在顯微鏡下可見，除了耗時的製備問題外，這類標記會傷害甚至殺死細胞，既使標本成為人工產物，又排除了對樣本進行連續、縱向評估的可能性。Google 的 Eric Christiansen 及格萊斯頓研究所和哈佛大學合作開發了開源演算法，可以準確預測樣本如何在螢光顯微鏡底下顯影，而無需任何螢光製備，透過將螢光標記影像與未標記影像進行匹配來訓練深度神經網路，且重複這個過程數百萬次，稱為矽內標記 (In Silico Labeling) 以及增強顯微鏡 (Augmented Microscopy)。

機器學習也催生「幽靈細胞術」(Ghost Cytometry)，識別、分類或捕獲血液中的稀有細胞非常困難，日本 ThinkCyte 的研究人員開發檢測細胞運動的演算法，實現高靈敏度、準確、超快速的細胞分類；東京大學 (University of Tokyo) 著手「智慧影像啟動細胞分類」(Intelligent Image-Activated Cell Sorting) 的深度神經網路開發，用於各類型細胞的即時分類。除了這些無影像、無標記的突破之外，顯微鏡的深度學習已被驗證有助於處理不理想、失焦的影像，並加速超解析度 (Super-Resolution)，從欠採樣的光學顯微鏡資料重建高品質影像，還被用於即時檢測轉移性癌症，加快病理切片的判讀。儘管顯微鏡方面的前述發展如此激進，但與自動化的科學研究相比就相形見絀，機器不僅僅是運行（電池測試、化學試劑）實驗，它們還準備設計實驗，全自動科學和成熟的機器同事的概念不再遙遠，卡內基美隆大學教授已計畫逐步將他們的化學研究外包給 AI。AI 還可以幫助進行更完整的文獻搜尋（如 Iris.ai 和 Semantic Scholar）、設計或運行實驗（如 Zymergen 和 Transcriptic）、解釋資料（如 Nutonian 基於資料攝取產生數學理論）以及撰寫論文（使用 Citeomatic 在手稿草稿找出引用缺失），部分研究人員已經接受 AI 的資料驅動方法來「設計」（許多人質疑這個 Term，因涉及人類直覺）下一組實驗。

當機器能在一秒內篩選千萬個分子、演算法能解讀人類終其一生都無法理解的基因密碼，科學的本質是否也在悄然轉變？這不是人類與機器的競賽，而是一場前所未有的共舞，AI 不會取代深夜中在實驗室裡凝視顯微鏡的研究人員、不會抹煞那些靈光乍現的科學直覺，而是解放了我們 — 從繁瑣的數據海洋中、從有限的計算能力中解放，讓我們得以回歸科學本質：提出更好的問題、構思更大膽的假設、追尋更深邃的真理。當蝌蚪的黑色素細胞告訴我們癌症的秘密、當果蠅的嗅覺揭示演算法的奧義、當矽神經元與生物神經元開始對話，我們看見的不只是技術的進步，更是認知邊界的拓展。從 10 的 60 次方個可能的藥物分子中找到能救人一命的那一個、從千億神經元的迷宮中繪製意識的地圖，這些曾經不可能的任務，如今正在發生。未來的科學家不會是被 AI 取代的「幽靈」，而是握有超能力的探索者，當學徒成長為夥伴、工具進化為智能，我們終將明白：真正的變革不在於機器做了什麼，而在於人類因此能看見什麼、能想像什麼、能創造什麼。

— –

📒 Compiled by — 台中慈濟醫院復健科 R4 陳佳菁醫師 Sigrid Chen, PM&R Resident Physician at Taichung Tzu Chi Hospital, Taiwan; Former Medical Consultant at ASUS Intelligent Cloud Services.