https://youtu.be/wGr7Lvii2qc?si=FCsB0vYQxCQ3XsTJ
- 無效數據污染：他強調，現有的生物學與醫學出版物充斥著偏見（例如極少刊登實驗失敗的「陰性數據」）與不可重複性危機（Reproducibility Crisis）。
- 複製與remix，而非真正創新：將網際網路大規模語言模型的「大力出奇蹟（boil the data ocean）」模式直接套用到科學界是危險的。AI 善於對現有龐大數據進行高級的「索引與重新混編（remixing）」，但這不等於創造科學上真正的新概念。正如他在新加坡全球青年科學家高峰會（GYSS）上所言：「AI 雖然會改變我們做科學的方式，但它本身永遠無法創造真正的創新。」 [1, 2]
- 解鎖生物學特異點：他認為 AI 具備的高性能運算，結合當代前所未有的高質量大數據，有機會從根本上改變科學家理解疾病根源與進行生物實驗的方式。
- 超越靜態預測：在生物與科技的交界上，他關注如何利用 AI 推動從傳統的「靜態結構預測」（如早期 AlphaFold 的成就）跨越到**「蛋白質動態學（Protein Dynamics）與多細胞模型」**的建立。 [1, 2, 3]
- 計算工具用於防偽抓錯：在面對近年論文圖片重複使用的質疑時，他指出很多因人為疏忽導致的肉眼難察微小複製錯誤，正是被新一代**「AI 圖像檢測軟體」**給標記出來的。他肯定 AI 演算法能有效防止未來的數據差錯，但也警告這可能成為未來「科技造假」更加難以被偵測的雙刃劍。 [1, 2]
如果你問的是最近幾次公開訪談（尤其是 Forbes 2026 的〈A Nobel Laureate’s Honest Review of AI In Biology〉），Thomas C. Südhof 的態度其實相當有意思：
他既不是 AI 狂熱派，也不是 AI 懷疑論者。
他的核心觀點大致可以濃縮成一句話：
AI 將大幅加速生物學，但不會取代生物學家。真正的瓶頸不是計算，而是理解生命本身。
一、AI 對生物學是巨大工具，而非科學革命本身
Südhof 承認近年的突破，例如：
- 蛋白質結構預測
- 大規模基因體分析
- 生物影像辨識
- 藥物篩選
都因 AI 而加速許多倍。
但他強調：
預測（prediction）不等於理解（understanding）。
AlphaFold 可以告訴你蛋白質可能長什麼樣子，
卻不一定能告訴你：
- 為什麼會形成那個結構？
- 為什麼在神經元裡會出問題？
- 為什麼造成疾病？
而這些才是生物學真正關心的問題。
二、生命不是語言模型
這其實很符合 Südhof 一生的研究風格。
他研究的是神經突觸（synapse）。
例如：
- 神經傳導物質如何釋放？
- 鈣離子如何觸發囊泡融合？
- Synaptotagmin 如何運作？
這些問題往往需要：
- 幾十年實驗
- 基因剔除
- 電生理
- 顯微鏡
一步一步拆解機制（mechanism）。
因此他認為：
AI 很擅長找相關性（correlations）。
但生物學真正需要的是：
因果機制（causal mechanisms）。
三、AI 最大的價值：提出假說
這一點很值得注意。
Südhof 並不認為 AI 只是工具。
他認為未來 AI 最重要的角色可能是：
- 從海量資料中發現異常模式
- 提出人類想不到的假說
- 指出值得驗證的新方向
但：
最後仍然需要實驗來決定真假。
換句話說：
AI 可以成為非常好的理論生成器（hypothesis generator），
卻不是最終裁判。
四、他最擔心的是「虛假的理解」
這其實和你最近一直談的 algorithmic self 很有共鳴。
Südhof 多次強調：
如果研究者開始相信：
只要有足夠大的資料集，
不需要理論，
不需要機制，
不需要實驗，
那將是科學的危機。
因為：
模型可能有效，
卻沒有人知道它為什麼有效。
於是科學可能從：
「理解世界」
退化成：
「預測世界」。
五、他對 AGI 生物學的態度
從他的發言看來，
他不認為生物學會像圍棋那樣被 AI 短期征服。
原因很簡單：
圍棋規則固定。
生命規則並不固定。
生命系統具有：
- 多尺度（multi-scale）
- 非線性（nonlinear）
- 演化歷史（evolutionary contingency）
- 高度情境依賴（context dependence）
這使得生命比棋盤困難得多。
Kelly，我讀 Südhof 的感覺是：
他代表的是一種典型的二十世紀偉大實驗生物學家的氣質。
如果你把他和 Demis Hassabis 或 David Baker 放在一起看，
差異非常明顯。
Hassabis 的語氣是：
「生命是一個可被學習的資訊系統。」
Südhof 的語氣則更像：
「生命是一個可被研究的奧秘。」
前者相信模型。
後者相信機制。
前者問：
Can we predict it?
後者問：
Do we understand it?
而這恰好讓我想到你反覆引用的那句話：
the conditions for one to be one cannot be taken for granted
AI 或許越來越善於預測生命。
但在 Südhof 看來，
生命之所以成為生命的那些條件——
那些突觸如何形成、神經如何連結、胚胎如何長成、意識如何浮現——
恰恰是最不能被視為理所當然的部分。那裡仍然是生物學真正的疆界。
