摘要： OpenAI 於 2026 年 9 月 10 日公開 César de la Fuente 實驗室的案例，說明 Codex 和 ChatGPT 如何協助跨領域團隊搜尋抗菌候選分子。實驗室用深度學習模型掃描生物序列，OpenAI 稱可把初步候選搜尋從數年縮短到數小時。文章強調候選分子仍須經過濕實驗、毒性測試、製造可行性、法規審查與臨床試驗。
抗藥性微生物留下的帳單一年比一年重。根據 OpenAI 在 2026 年 9 月 10 日公開的案例，2021 年有大約五百萬人的死亡與細菌抗藥性有關；到了 2050 年，這個數字有可能再翻一倍。供給端的情況同樣棘手：生物工程師 César de la Fuente 在文中直說，人類已經五十年沒有看到新的抗生素類別出現。
本文要處理的並不是另一場模型排行榜競賽，而是一個相當具體的工程難題：當候選分子的搜尋空間大到沒有任何人力團隊掃得完，研究者該如何把 AI 安插進流程之中，而不是只讓它代筆寫摘要。
把 DNA 看成一套資訊系統，而不是試管裡的樣本
de la Fuente 實驗室採取的路線，是把生物學當成一套資訊系統來處理。他以「一套字母表」比喻 DNA 的核苷酸以及蛋白質與胜肽的胺基酸；也正是把生物學理解為資訊，團隊才發展出解讀生命組織原則的方法。
落到實作層面，實驗室訓練深度學習模型去認出生物序列當中的模式，再讓這些模型在規模龐大的基因體與蛋白質資料集裡搜尋可能具備抗菌能力的分子。依照 OpenAI 的案例說明，這套做法能把候選分子的初步搜尋從數年壓到數小時。
真正的關鍵並不在「AI 找到了新藥」，而在於 AI 把一個 needle-in-a-haystack 問題，轉換成一份人類可以接手做實驗的候選清單。
實驗室裡的 Codex 與 ChatGPT 負責什麼
除了自家模型之外，這個實驗室也會借助 ChatGPT 與 Codex 來發想假設、撰寫與修改程式、處理資料集、分析結果，並且把不同學科的想法串接起來。
團隊的組成值得一提：成員來自生物、化學、電腦科學與工程等不同背景。有些人寫程式很在行、生物化學懂得較少，也有人恰好相反。Codex 與 ChatGPT 在此扮演補位者的角色——讓生物學家有能力寫程式，也讓程式設計師有辦法處理生物問題。
de la Fuente 同樣把 ChatGPT 當作腦力激盪的對象。他指出，實驗室的 ChatGPT workspace 裡有許多思考方式各不相同的人所輸入的內容，成員不論好想法或壞想法都會往裡丟，使它變成某種協作式的回音板。他同時提醒，任何輸出都必須再核對一次準確性。
假如你的團隊同樣在做跨領域的探索工作，這種「把共享工作區當成共同記憶」的用法，會比單人訂閱更接近協作真正的樣子。同樣的道理也出現在另一個場景：當 AI 開始接手過去得靠專家人力層層堆疊的環節，團隊真正要重新界定的是能力邊界，而不只是再開一張工具清單；這一點在我們先前談 FDE 如何從代做轉向能力建構 時也討論過。
候選分子離藥物還有一大段路
OpenAI 的案例把後續關卡交代得很清楚。證實候選分子能夠殺死目標微生物，只是整條路的第一步；接下來還要確定有效劑量、測試它對人體細胞的影響，化學家可能也得針對效力、安全性或穩定性再做優化。
再往後，團隊必須評估毒性劑量、微生物產生抗藥性的難易度、分子在人體中移動的方式，以及是否有可靠的大量生產方法。通過這一連串關卡的候選者，還得面對法規審查與臨床試驗，最後才有機會成為核准上市的抗菌藥物。
這也是 de la Fuente 強調 AI 與實驗室生物學必須一起推進的原因。在他看來，ground-truth 實驗是驗證 AI 預測的必要條件。
產品開發者能從這個案例帶走什麼
這個案例值得借鏡的地方，並不是「AI 可以取代科學家」，而是三件相對容易複製的事。
第一，AI 的價值高低，取決於它被擺在流程中的哪個環節。在這裡，它負責的是前期篩選與排序，把候選集合縮到人類有能力驗證的規模，而不是取代驗證工作本身。
第二，跨領域團隊的瓶頸往往是語言，而不是智力。一旦生物學家能自己動手寫程式、程式設計師能讀懂生物問題，中間的翻譯成本就會下降。
第三，共享工作區會慢慢累積成團隊的一項資產。de la Fuente 描述的那種「好壞想法都往裡丟」的用法，本質上是在累積可重複使用的上下文，而不是每次提問都從零開始。
至於這套方法最終能不能真的產出新的抗生素類別，OpenAI 的案例並沒有給出答案——它描述的是搜尋階段的加速，以及研究者對 ground-truth 驗證的堅持。對正在評估 AI 工具的人來說，這或許才是最實用的判準：先問它替你把哪一段流程縮短了，再問那一段變短之後，由誰負責確認結果是對的。