AI Agent 是「心智的飛機」：《Nature》點名五大原則，科學家如何負責任地「駕駛」人工智？
圖靈學院編輯部
2026-3-3
當AI成為科學家的「機組人員」——一篇《Nature》評論引發的典範辯論
2026年3月，頂尖學術期刊《Nature》刊出一篇罕見的未來宣言式評論，作者是美國西北大學凱洛格管理學院教授、Northwestern Innovation Institute 創辦人 Dashun Wang（王大順)。他向全球科學界提出一個刺激性的隱喻：AI Agent，是心智的飛機（aeroplanes for the mind）。這個比喻，來自對賈伯斯一句名言的再詮釋。1980年代初，蘋果共同創辦人賈伯斯曾說，電腦是「心智的自行車」——靈感來自一張《科學人》雜誌的圖表，顯示騎腳踏車的人類比任何動物都更省力。王教授認為，AI Agent 更進一步，是心智的飛機：速度遠超自行車，卻也更難操控，一旦失事，後果將遠比摔車嚴重。這個類比，不只是修辭。它折射出一個當下最關鍵的科學治理問題：當AI Agent 開始接管研究工作流程，科學家應如何確保自己仍是負責任的機長，而非把操縱桿拱手相讓？
從「AI科學家」的誘惑說起
過去兩年，「AI 科學家」（AI Scientist）與「自駕式實驗室」（self-driving laboratory）席捲學術圈，從假說生成、實驗設計到論文撰寫，全程自動化的系統陸續問世，令人眩目。王教授 卻在評論中直指：科學不是生產線，也沒有固定的最佳化目標。 科學的本質是詮釋、爭辯與責任，三者都需要人類判斷，缺一不可。他以牛頓的稜鏡實驗為例。一套全自動系統，或許能忠實記錄白光折射成七色光譜的數據，並配出完美模型。但牛頓真正的天才之舉，是逆向操作：他把各色光束重新聚合，重組回白光，從而證明顏色屬於光本身，而非玻璃折射的結果。那個決定——把「看似誤差的異常」視為現象本身，而非需要消除的雜訊——是詮釋的跳躍，不是運算的輸出。自動化系統設計上傾向消除異常、最佳化擬合；科學家，卻恰恰是靠著善用「意外」推動突破的。
王教授也點出更深層的公民責任：在公眾對科學的信心已然脆弱的時代，科學的正當性建立在一份共同的社會契約之上——結論必須開放接受檢驗，作者必須對其證據負責，知識必須以公共利益為前提，誠信生產。完全自動化或許能給出一些答案，卻會腐蝕那些答案本身所賴以為憑的可信度。
SciSciGPT：人機協作的具體實踐
王教授的主張不停留在理念層次。他的團隊開發了 SciSciGPT，一套以「科學之科學」（science of science）領域為試驗場的多智能體原型系統。系統核心是 ResearchManager 智能體，負責協調整體工作流程：將研究者的自然語言查詢拆解為文獻回顧、數據萃取、統計分析等子任務，分派給對應的專業智能體執行——這些智能體能自主撰寫程式碼、執行分析、生成圖表，同時由 EvaluationSpecialist 智能體持續稽核每一步驟的輸出品質。更重要的是，整個過程完整記錄，形成透明的端對端溯源日誌。實際案例中，SciSciGPT 完成了大學合作網絡的視覺化呈現，也驗證了論文圖表能否從原始資料庫重現，完成速度與品質均優於有經驗的研究者搭配一般 AI 工具的成效。
五大原則：讓科學家成為負責任的機長
王教授從這段實踐中，歸納出科學界使用 AI Agent 的五項核心原則：
一、協作優於自動化（Collaboration beats automation）
研究者是「機長」，AI 智能體是「機組人員」。理想的系統應由分析員智能體起草、批評者智能體質疑、規劃者智能體布局後續步驟、協調者智能體統籌同步。介面設計必須強化可操控性與意見分歧空間，讓研究者能審視推理過程、比較替代方案、推翻結論。框架問題、驗證路徑、簽署結論的責任，必須由人類科學家承擔。這套模式的實現，需要領域科學家、AI工程師、設計師與倫理學家的刻意協作，確保智能體放大人類創造力，而非取而代之。
二、速度本身就具有革命性（Speed by itself is transformative）
當失敗成本崩潰，過去太昂貴或太耗時的研究問題，將變得合理可行。王教授以基因體學為例：解碼第一個人類基因組耗費十多年與數十億美元；如今，定序費用已低於一千美元且僅需數小時，整個領域從研究單一基因，躍升為探索整個基因組的廣闊景觀。速度也改變了誰有資格提問——技術與時間門檻的降低，讓小型實驗室、新進研究者甚至個人研究者，也能挑戰過去需要大型團隊才能完成的分析。然而，缺乏反思的快速科學，也可能讓錯誤以同等規模擴大，這正是人機協作不可或缺的理由。
三、智能體應高度專業化（Agents should specialize）
各領域有各自的知識基礎：文本、數據集、工具與標準。化學領域的 AI 智能體，需要連結反應動力學模型、預測實驗失敗的資料庫；生醫領域需要臨床指引、試驗數據與多模態病患資料；數學則需要形式化證明庫。AI 研究智能體在各領域的面貌將大相逕庭，但應遵守相同的基本規則：結果可追溯、方法可驗證、責任歸屬清晰。建立這些規則，需要學術學會、資助機構、期刊、公共研究基礎設施與 AI 開發商協同制定共同框架，例如統一的智能體決策記錄標準，讓一個實驗室的分析，可被另一個實驗室稽核或重現。王教授 的研究同時揭示一個警訊：AI 的好處雖跨越所有學科，但 AI 教育卻嚴重集中在電腦科學、數學與工程領域，醫學、心理學、經濟學等同樣受益匪淺的學科，提供的相關訓練卻少得多，形成系統性的結構失衡。
四、信任必須被工程化（Trust must be engineered）
腳踏車失事，後果通常局限於一人；飛機失事，代價往往是機上所有人，甚至地面的無辜者。AI Agent 的失誤，可能誤導整個學術領域、重新分配研究資金、侵蝕公眾對科學的信任。大型語言模型（LLM）有一個關鍵優勢：它們能寫作，因此能以純文字記錄自身的每一個決策。在 SciSciGPT 中，每一個步驟、每一行程式碼、每一個決定都由 LLM 自動記錄——即便是 王教授 最優秀的學生做實驗，他也無法重建每一個決策步驟；但有了 AI Agent，這件事成為可能。然而，記錄過多也是問題：部分研究者抱怨，核查 AI 輸出的時間比親自完成工作還長。解方不是記錄更多，而是記錄更好——設計能將原始溯源資料轉化為理解的系統，以結構化的方式呈現「為什麼做這個決定」，而非僅記錄「做了什麼」，並以分層摘要讓關鍵偏差與決策一目了然。AI Agent 也為科學最深層的挑戰 “可重現性” 提供了強力回應：研究顯示，不同人類研究團隊分析同一份數據集，往往得出不同結論；AI Agent 讓我們能系統性地研究這些分歧，也讓結論的驗證變得輕而易舉。
五、AI 將催生全新型態的科學家（AI will create a new kind of scientist）
2016年，AlphaGo 的「第 37 手」震驚圍棋界——那是一步極不尋常的棋，令頂尖棋評瞠目結舌。但幾年內，頂尖棋手已將 AI 策略融入自身的棋藝repertoire。科學界正面臨相似的挑戰：AI Agent 可能提出在理論建構、異常偵測或假說設計上初看陌生的想法，問題在於科學家是否受過訓練，能分辨哪些是雜訊、哪些是值得學習的啟示。然而，這也帶來風險。對科學家個人而言，是技能侵蝕的風險，就像 GPS 導航讓我們不再記得路線；對科學整體而言，是同質化的風險——若大量研究者依賴相同的智能體組合，科學輸出將趨於收斂，集體思想多樣性將下降。研究已顯示，AI 可能提升個人表現，卻同時降低集體多樣性。因此，刻意設計思維多元化，培育使用不同框架的多種模型、鼓勵異議的制度規範，將成為下一代科學基礎設施的核心命題。
科學結構的再想像
王教授最後以建築與電力的類比收尾，指出真正的突破往往不是把新技術套入舊框架，而是讓新技術催生全新的組織邏輯。鋼鐵與鋼筋混凝土問世之初，建築師只用它們模仿磚石外觀；真正的革命，是當他們意識到牆不再需要承重，建築才能被玻璃幕牆包裹，誕生聯合國秘書處大廈等現代主義經典。電力也是如此：工廠起初只是以電動馬達取代蒸汽機，毫無生產力提升；直到廠房佈局根據電力「哪裡都能輸送動力」的特性重新設計，生產力才真正飛躍。
AI Agent 的潛力，或許同樣需要我們重新想像科學本身的結構，而非只是把它套進現有的研究模式，讓現有的科學跑得更快。王大順教授在評論結尾指出，那張當年啟發賈伯斯的圖表，把騎腳踏車的人類置於最底部，是所有移動者中最有效率的。但在圖表的另一端，飛機高居其上：昂貴、耗能，卻也大膽無畏，開創了曾經難以想像的疆域。我們需要兩種隱喻同時在場：腳踏車提醒我們為效率與超越而設計；飛機則警示我們，規模需要信任的體系。
結語：我們將成為什麼樣的科學家？
王大順教授的評論最終聚焦於一個深刻的文明問題：當 AI 有能力參與科學發現，真正重要的問題不是機器單獨能做什麼，而是我們如何設計它們，讓科學持續具有問責性與可重現性。歷史上的所有重大發現，都由人類完成。進入 AI 時代，這個事實或許會改變，但改變的方向，取決於科學家是否願意成為負責任的機長，而不是把操縱桿交給自動駕駛，然後在艙內睡著。每一架飛機，都需要一位清醒的機長在座艙裡。AI 的時代，不是「機長失業」的時代，而是對機長素質要求更高的時代。
資料來源： Dashun Wang, "Five principles for scientists using AI agents," Nature 651, 32–34 (2026). DOI: 10.1038/d41586-026-00665-y
