你是不是也遇過這種畫面。
AI 產出一整串「可能性」。像開了水龍頭。停不下來。
主管看著你。投資人看著你。你自己也看著你。😑
問題是。沒有一個東西真的被「驗證」。
就卡在那個最土、最慢、最花錢的步驟。
做實驗。跑流程。等結果。
AI 讓「想」變便宜，真正貴的是「證明」
Artificial Discovery 指的是把 AI 的推論能力接到自動化實驗與真實世界回饋迴路，讓「提出假設→測試→迭代→得到可驗證新知」變得可規模化。當大型語言模型讓思考成本下降，稀缺資源會轉成實體執行、測試速度、與迭代效率。
- 你在買的不是 AI：你在買「更快的驗證迴路」
- 瓶頸換地方：從思考變成執行、測試、重跑、排程
- 差別點：不是 AGI、不是 AI Agent 寫 code 而已，是實驗會回嘴、流程會轉彎
- 殘酷現實：假設可以一天生一萬個，濕實驗驗一個要幾週
講到「驗證」：我就會想到那種最常見的地獄。
你把 protocol 寫在方法學段落。或 PDF。或某個人的腦袋裡。
接著你要把它變成機器能跑的東西。
你開始搬資料。CSV。Excel。再匯回去。
欄位對不上。再一次。
真的。就這樣浪費一週。
為什麼 AI 這幾年會突然爆衝，實驗世界卻像停在 2012
大型語言模型的躍進來自四個要素一起到位：大量原始資料、可預測的 scaling law、足夠算力、加上 RLHF 這種人類回饋閉環。把這套搬到實驗科學，缺的通常不是「聰明」，缺的是可標準化的實驗輸入、可重複的回饋迴路、與能被投資人相信的吞吐量對發現曲線。
原始資料：網頁、書、維基百科。電子跑很快。成本低。
濕實驗資料：要試劑。要時間。要人。還要運氣。
差別在這。
你想把「加 10 倍資源就多 10 倍成果」講成定律。
在 wet lab 很難講出口。
插一個現場感：很多實驗室自動化其實是「沒有 if 的程式」。
機器照稿跑完。
你隔天才知道爆了。
然後你再開一個新的 batch。
像在玩回合制 RPG。
你以為你在做科學。
你其實在做等待。
實驗室的 ENIAC 時刻：一堆線、一堆 GUI、一堆不互通的規格
現代實驗室常見的痛點是儀器被各自的 PC 與廠商軟體綁死，protocol 難以移植，資料格式常靠人手轉換。要跨儀器做條件分支（例如 OD 低於某值就餵養，否則取樣）往往變成多套系統重寫與人工同步，導致自動化停留在「固定腳本」而非「可自我調整的迴圈」。
你看到的不是高科技：你看到的是 1997 的幽靈。
有些儀器還真的要 Windows XP。
微軟自己都不想管了那種。😶
每台儀器一個 GUI。五個 driver。三個 license dongle。
你要改一個 protocol。
你不是在改「實驗」。你在改「整個堆疊」。
然後大家還會說「自動化很難啦」。
翻白眼。
人類其實很會：ASCII、UTF-8、G-code、STL 這種無聊共識才是王炸
歷史反覆證明，當整個產業同意一套機器可讀的輸入或輸出標準（例如 ASCII/UTF-8、CNC 的 G-code、3D 列印的 STL），互通性會讓成本下降、工具生態爆炸成長。生物領域的輸出格式（如 FASTA/FASTQ、PDB/mmCIF、流式細胞儀的 .fcs）相對成熟，但實驗「輸入側」仍缺乏類似 G-code 的通用協定。
標準這東西：很無聊。很人類。也很殘忍。
它會把「靠鎖客戶」的那套，直接打爛。
廠商最愛講一句。
「互通會讓我們變成烤麵包機。」
不會啦。
互通只會讓你變成「廚房」裡的某個強力設備。
然後廚房會變餐廳。
餐廳會變一條街。
錢會流進來。
你還可以靠準確度、吞吐量、維修、校正、UX 去賺。
不靠檔案格式勒索。拜託。
在台灣的畫面也很真：你去南港、生技園區、竹科附近繞一圈。
儀器採購常常是「標案思維」。規格表對得上就過。
互通性？
通常是「以後再說」。
然後以後就永遠不來。
這種文化超硬。
「時間 vs 金錢」算帳矩陣：你想省哪一種成本，自己選
Artificial Discovery 的核心不是浪漫，是算帳。你要把時間成本、現金成本、失敗風險攤開來看，才知道自己在玩哪一局。省時間通常要砸錢。省錢通常要吞時間。還有一種更陰的，省了兩個，風險爆炸。
- 低預算／低自動化：錢省下來了，時間被吃掉，實驗回合制跑到你懷疑人生；新人最常掉進去。
- 高預算／堆硬體但沒標準：錢砸很多，時間沒有真的省，因為整合、維護、重寫腳本像無底洞；看起來最先進，實際最卡。
- 中高預算／先做標準與OS層：前期花時間做協定、driver、資料管線，後面每個新實驗都像複製貼上；最像「投資」。
- 高預算／閉環自動化（感測+分支+重跑機制）：時間省最多，錢也燒最多，適合有明確目標的團隊；燒不起就別硬裝。
我自己的偏見：堆機器不如先堆「能搬走的軟體層」。
機器會舊。
driver 跟 protocol 語言如果活下來，你才有複利。
你以為缺的是 AI，實際缺的是「濕實驗的 scaling law」
多數濕實驗領域缺少像摩爾定律那樣可預測的吞吐量與成果關係，因此資本不容易相信「加倍投入就會加倍發現」。盲目把實驗數量放大會遇到噪音、變異、物流複雜度與重跑成本，真正可行的路線通常是用 DOE、Bayesian optimization、active learning 等方法讓每一次實驗資訊量最大化，再配合平行化與小型化提升效率。
現實一點：濕實驗不是 cloud。
跑壞一次就燒掉一次試劑。
也沒有「免費重跑」。
你以為模型怪怪的可以再推一次。
實驗怪怪的你要再買一次。再排一次。再等一次。
還可能再怪一次。
超煩。
講到這裡，我反而想幫 DOE 平反：設計實驗（Design of Experiments）不是老派品管工具。
它是「用最少次數換最大資訊」的套路。
以前在製造業、農業試驗很常見。
現在 AI + 自動化一搭上去。
它很可能回來當主角。
那種感覺很像數論等了幾千年才被拿去做密碼學。
很扯。
工具落地（不要再只講願景）：想讓 protocol 真的可跑、可追、可回溯，最基本要有版本控制與工作流管理。
- 版本控制：Git（把 protocol 當 code，才會有「誰改了什麼」）
- 工作流與排程：Airflow / Prefect 這類（把實驗當任務圖，不要靠人腦排）
- 資料與追溯：ELN/LIMS 概念要接起來（不然你只是在自動化產生垃圾）
- DOE：JMP、Minitab 這種傳統工具，或用 Python 生 DOE 設計（看團隊習慣）
講到 Git 我就想吐槽。
很多團隊連「protocol 有版本」都做不到。
你要閉環？你先別開玩笑。
別把實驗室硬學 CPU，那會做出漂亮又脆的流水線
把實驗室比喻成 CPU 容易誤導，因為 CPU 的強項是固定硬體執行可預期指令序列，而 discovery 需要在執行中依感測結果改寫計畫、重配置流程圖。Artificial Discovery 的關鍵不是把實驗做成更快的 assembly line，而是把「重配線、分支、重跑與安全邊界」做成便宜、快速、可自動化的預設能力。
CPU 贏在不重接線：指令換一換就好。
實驗要贏：重接線要變便宜。安全。快。自動。
CPU 贏在拒絕重配線。Artificial Discovery 會贏在把重配線做成日常。
兩道牆：先補「回饋迴路」，再找「通用實驗原子」
推進 Artificial Discovery 常見的兩個突破方向是：把即時回饋與條件分支加進現有儀器與流程，讓系統能在實驗中修正；同時探索更高平行度、資訊量更高的新平台（如微流體、微滴反應、lab-on-a-chip、多模態 assay），尋找可重複組合的通用實驗原子（例如 perturb→measure→decide→repeat），並用公開指標追蹤「每單位實驗的有效發現產出」。
牆一：把 feedback 做進去。感測。分支。錯誤處理。自動重跑。
牆二：找到那個可重複組合的原子步驟。像 NAND 那樣。只是這次是濕的。
而且要能算。
「多做 10 倍，發現也跟著長」那種曲線。
投資人才會進來。
不然永遠是 demo。
題外話：台灣這邊其實有機會卡位在「OS 層」跟「標準/驗證」那塊。
我們很會做整合。
也很會做供應鏈。
缺的是「大家願意一起同意一套規格」。
這句聽起來像廢話。
現實就是最難的那種廢話。
我比較在意的真相：人類不是我們的智力，我們是我們少數的發現
在人類歷史上，智慧與內容產出極多，但真正改變世界的突破性發現相對稀少。當 AI 讓「產生想法與文本」變得廉價，稀缺性會集中到能否建立可重複、可迭代、可驗證的 discovery 系統，包括標準化的實驗語言、可移植的驅動層、與能自我修正的閉環實驗流程。
你看。
人類幾十億個腦袋。
幾千年。
最後你回頭數。
真正讓世界轉向的 discovery 其實不多。
這點很不舒服。
也很真。
AI 把智力變成便宜貨。剩下的貴，是把世界逼出一句「對，真的就是這樣」。
然後你會問：這聽起來很宏大，跟我有什麼關係？
如果你在做生醫、材料、化工、農業、甚至做製造流程最佳化。
你每天都在碰同一個瓶頸。
「想」很快。
「試」很慢。
你能不能把「試」變快。
或至少變聰明。
你就贏很多。
預判一下反對意見：一定有人會說「標準會扼殺創新」「每個實驗都不一樣哪有通用語言」。
我懂。
也不是完全錯。
你要是把標準做成教條，當然會窒息。
但你不做標準，大家就會一直在重寫同一種搬水腳本。
那種創新更可憐。
你覺得呢。
你站哪邊？
