抗菌藥物探索常被簡化成「把問題交給 AI，等待新藥答案」。OpenAI 公開一個研究案例，展示團隊如何搭配 ChatGPT 與 Codex，從基因組、蛋白質資料與研究假設中尋找可能具抗菌活性的候選分子。這是科研工作流案例，不代表 AI 已發現可直接使用的抗菌藥物。

真正需要比較的是：研究想法尚未定義清楚時，該先用 ChatGPT 整理問題，還是讓 Codex 建立資料與程式流程？差異落在工作產物、可驗證程度與後續責任，而非單純的模型排名。

一、OpenAI案例把抗菌分子探索拆成哪些工作

OpenAI 公開的案例顯示，研究團隊把 ChatGPT 與 Codex 放在假設發想、跨領域溝通、資料整理、程式撰寫、前處理與結果分析等環節，並讓深度學習模型從大量生物序列中排序值得實驗檢驗的候選物。

從基因組與蛋白質資料中尋找候選分子

César de la Fuente 的研究團隊長期從生物與已滅絕生物的基因組、蛋白質與胜肽序列尋找可能的抗菌分子。這類工作首先要把生物學問題轉成可計算的資料表示，再利用模型辨識序列中的模式，篩出相對值得投入實驗資源的候選物。

這個流程的難點不只在模型預測。研究者必須處理資料來源、序列格式、樣本品質、候選排序規則與結果解讀。OpenAI 案例提到，團隊使用 ChatGPT 與 Codex 協助寫程式、整理資料、分析結果，也用來跨越生物、化學、工程與電腦科學之間的術語差異。

AI縮短的是早期搜尋，不是完整新藥開發

AI 的價值主要發生在早期搜尋與排序。候選分子被模型標記為可能有活性，只代表它值得進入下一輪實驗，並不代表它已經具備藥物效力、安全性或臨床使用條件。OpenAI 文章也明確指出，研究團隊仍要檢驗對目標微生物的活性、對人體細胞的影響、毒性、抗藥性、體內動態與製造方式，後續還有法規審查與臨床試驗。

從研究設計來看，AI 把「在大量可能性中找出可追蹤線索」這一段做得更快，卻沒有移除實驗設計與人工判讀。若研究者把候選清單直接寫成「新抗菌藥」，就把機轉線索誤當成醫療結論。

“Ground-truth experiments are essential to validate AI predictions.” — César de la Fuente，OpenAI 公開案例

二、ChatGPT較適合處理問題定義與跨領域推理

ChatGPT 適合協助研究者釐清問題、整理假設、解釋術語、比較方法與提出可檢查的研究路徑；它的主要產物是較清楚的問題定義與推理框架，仍需要研究者逐項查證。

術語釐清、文獻整理與研究腦力激盪

抗菌分子探索會同時碰到基因組學、蛋白質工程、微生物學、化學與統計分析。不同領域對同一個詞的使用方式可能不同，資料的限制也不相同。研究者可以先請 ChatGPT 將術語拆成中文定義、輸入資料、常見假設與需要排除的混淆，再回到原始論文確認。

在尚未決定分析策略時，ChatGPT 也適合做假設清單。例如，候選胜肽的正電荷、疏水性、序列長度與結構特徵，可能影響它與細菌膜的交互作用，但每一個特徵都只能形成待驗證的方向。對話模型可以協助列出可比較的變項，不能替研究者決定哪個變項已經證明具有因果關係。

協助不同專業背景的研究者溝通

OpenAI 案例指出，研究團隊成員的專長分布在生物、化學、電腦科學與工程等領域。ChatGPT 能協助把某個領域的說法轉成另一個領域可理解的語言，也能協助團隊在討論前先建立共同詞彙表。

三、Codex較適合把研究想法變成可執行流程

Codex 適合處理資料下載、格式整理、前處理、分析程式撰寫與反覆執行等工作；它的價值在於把研究步驟留下可檢查的程式、輸入與輸出，讓結果較容易重跑與追蹤。

下載、整理與前處理大型基因組資料

Codex 可以協助建立這段資料管線，並依照研究者指定的欄位、檔案格式與檢查條件寫出程式。程式代理的重點不在於「自動完成後就不用看」，而在於每一步能被讀取、修改、執行與重現。資料版本、參數、錯誤訊息與輸出檔案仍要由研究者保留。

撰寫、修改與執行分析程式

然而，可執行不等於科學上正確。程式即使順利跑完，也可能使用錯誤欄位、忽略缺失值、把訓練資料混入測試資料，或用不符合實驗設計的指標排序候選物。因此研究者要先定義輸入、輸出與驗證標準，再檢查程式是否真的實作了這些條件。

基因組資料經過品質檢查、序列前處理、程式分析、候選排序並留下參數與輸出紀錄的流程圖
Codex的價值在於把明確研究任務留下可重跑、可檢查的程式與紀錄。

四、ChatGPT與Codex的分工差異要看工作產物

ChatGPT 主要協助把問題說清楚、把跨領域知識連起來；Codex 主要協助把明確任務轉成程式與可重跑流程。兩者可以接力使用，判斷依據應是下一步需要「推理框架」還是「可檢查的執行結果」。

工作面向ChatGPT較適合的角色Codex較適合的角色研究者要檢查什麼
問題定義拆解研究問題、釐清術語與假設將已定義任務轉成待執行規格研究問題是否可測量、範圍是否過大
文獻與方法整理比較方法、整理跨領域背景將選定方法寫成分析步驟引用是否真的支持該結論
資料處理說明欄位與處理邏輯下載、清理、轉換與批次處理資料來源、版本、缺失值與重複值
程式分析產生範例、解釋錯誤與分析思路撰寫、修改、執行與測試程式參數、測試案例與輸出是否可重現
結果判讀協助提出解釋與替代假設重新計算、產生報表或圖表統計方法、偏差與實驗地面真值
團隊協作讓不同背景成員共享語言留下程式、紀錄與可交接的流程責任分工與審查節點是否明確
左右並列呈現ChatGPT與Codex在問題定義、跨領域溝通、資料處理、程式執行與研究複核上的不同角色
選工具的關鍵不是比較誰更強，而是看下一步需要推理框架還是可檢查的執行結果。

五、研究者如何選擇起手工具

問題尚未定義清楚時，先用 ChatGPT 整理研究目標、資料需求與驗證假設；資料與分析任務已明確時，先用 Codex 建立可重跑流程。若研究結果要進入實驗決策，兩者都要納入人工複核與紀錄要求。

問題尚未定義時先用ChatGPT

適合從 ChatGPT 開始的情境，包括研究者只有一個方向、跨領域團隊尚未統一術語，或需要比較多種資料與分析方法。起手時可要求它輸出問題定義、候選假設、必要資料、可能偏差與需要查證的文獻，並把每一項內容標成「已知」、「推測」或「待驗證」。

資料與分析任務明確時使用Codex

若研究者已經確認資料庫、檔案格式、分析指標與輸出需求，Codex 可以協助建立資料管線與程式測試。每次執行都應保留輸入版本、程式版本、參數、產出檔案與人工決策，讓其他成員能重跑同一流程並找出差異。

需要可重現結果時建立雙重檢查流程

可以把 ChatGPT 放在「提出與解釋」，把 Codex 放在「執行與紀錄」，再由研究者負責判定與驗證。這樣較容易發現錯誤，也能降低把模型語氣誤認成研究共識的風險。

  1. 先寫下研究問題、目標資料與可接受的證據標準。
  2. 用 ChatGPT 整理術語、假設與替代解釋，逐項核對原始文獻。
  3. 用 Codex 建立資料處理與分析程式，保留版本、參數、測試與輸出。
  4. 在候選物進入實驗前，由具備相關專業的人員複核資料、方法與限制。

“Suitable experimental approaches are required to validate candidates in high throughput and at low cost.” — Pandi et al.，Nature Communications（2023）

六、候選分子與抗菌藥物之間還隔著哪些驗證

候選分子仍需經過體外抗菌活性、人體細胞毒性、抗藥性、動物研究、藥代動力學、製造穩定性、法規審查與臨床試驗等階段；任何一階段的模型預測都不能直接取代下一階段的證據。

計算研究常用「可能具抗菌活性的候選分子」描述早期結果。相關研究確實顯示，深度學習可以從龐大序列資料中篩出候選胜肽，再透過合成與實驗確認部分活性。例如 Wan 等人在 2024 年的研究中，從已滅絕生物的蛋白質組預測大量序列，選出部分胜肽進行合成與病原菌測試，並在小鼠感染模型中觀察部分先導化合物的效果。這是一段完整研究流程的示例，不代表所有模型候選物都能通過後續開發。

另一篇研究以深度學習設計抗菌胜肽，再用無細胞合成與活性、毒性和抗藥性測試篩選，顯示計算設計需要實驗配套，不能延伸成任何候選物已適合人體使用。

對台灣讀者而言，這個界線與日常用藥直接相關。AI 搜尋結果不能轉化為個人的抗生素選擇、停藥、換藥或劑量建議。孕婦、兒童、慢性病患者與長期服藥者，尤其不能依研究候選分子推測用藥安全性。候選分子與現有藥物的併用、交互作用和劑量關係，也不能在沒有臨床證據時寫成已知事實。若涉及感染治療，仍應由合資格醫療專業人員依診斷與處方判斷。

  • ChatGPT適合協助定義問題、整理假設與跨領域溝通，Codex適合把明確任務轉成可執行、可重跑的程式流程。
  • AI 排出的候選分子是早期研究線索，仍要透過活性、毒性、抗藥性、藥代動力學、製造與臨床驗證。
  • 選工具前先寫清楚資料來源、驗證標準與責任分工，才能判斷研究流程是否真的可驗證。

七、研究型AI工具比較的常見問題

判斷標準是研究階段與需要交付的工作產物：需要釐清問題時看推理與資料脈絡，需要執行分析時看程式、版本與結果紀錄，涉及醫療判斷時則必須回到實驗與專業審查。

常見問題

Q1: ChatGPT可以直接找出有效的抗菌藥物嗎？

不能這樣解讀。ChatGPT 可以協助整理文獻、提出候選假設或連結跨領域概念，但有效性、毒性、抗藥性與人體安全性都需要實驗和臨床證據。

Q2: Codex是不是比ChatGPT更適合所有科研工作？

不一定。Codex較適合資料處理與程式執行，ChatGPT較適合問題定義、術語釐清與研究討論。當研究問題尚未成形時，直接執行程式可能只是更快地處理錯誤問題。

Q3: AI篩出的抗菌胜肽可以拿來治療感染嗎？

不可以。研究候選物與核准藥物之間還有多個實驗、毒理、藥代、製造、法規和臨床階段，不能把模型結果轉成個人用藥建議。