以代理為核心的 AI 科學運算，在周二踏出具體一步。OpenAI 發佈一份實地報告，指研究團隊利用 AI 程式代理（AI Coding Agents），將原本需時數月的科研軟件開發與重構工作，壓縮到短短數日內完成。
報告詳細記錄了在基因組學及更廣泛計算生物學領域的實際部署案例——當中有工作原本預計需時 18 個月，結果在約一星期內完成。
OpenAI 把這視為證據：所謂「代理型 AI（agentic AI）」不再只是未來承諾，而是已在科研前線實際落地、改寫發現節奏的現有能力。
代理型 AI 科學運算：OpenAI 報告實際發現了甚麼？
報告的核心，是代理型 AI 在科學運算中的具體表現。從事基因組分析流程（genomics pipelines）的科學家，利用 AI 程式代理，以過去幾乎難以想像的速度，為歷史悠久的科研軟件做「翻新」和現代化改造。
報告中一個案例提到，一個軟件現代化項目原本預期需時 18 個月工程人力。引入 AI 程式代理後，同一批工作在一星期內完成。
約九成的時間壓縮，並非只是「打字更快」或「寫程式更快」的結果。
真正改變的是整個工作模式。這些 AI 代理不只是幫你自動補完程式碼：
- 它們會先閱讀既有龐大程式碼庫
- 辨識哪些部分已過時或設計落後
- 提出重寫方案
- 自行撰寫與測試新版本
- 再根據測試結果反覆修正
整個流程中只需非常有限的人手介入。科學家不再逐步下指令，而是設定明確目標與約束，讓代理自行規劃與執行。
這正是代理（agent）與一般「程式助理」的分水嶺。
所謂 copilot，只是提示你下一行怎樣寫；代理型系統則會：
- 規劃多步驟任務
- 在同一工作階段跨檔案、跨模組執行
- 監控自己產出的結果
- 一旦結果偏離預期範圍，自行回溯調整
OpenAI 今次的實地報告，是目前公開資料中，少有能清楚展示這種工作模式，在科研機構內實際運作細節的案例。
為何基因組學成為 AI 程式代理的「首發試驗場」？
基因組學成為代理型 AI 的天然試驗場，背後有結構性原因：整個領域高度倚賴堆積多年的舊有軟件，當中不少是以 Fortran、C 等語言編寫，由科學家自己動手撰寫，重視「計算正確」遠多於「易於維護」。
這種「技術負債」多年累積，要翻新一條基因組學分析流程，通常需要同時懂生物學、又精於軟件架構設計的工程師。
這類人才極度稀缺，而且成本高昂。
AI 程式代理繞過了這個人手瓶頸。這類代理可以：
- 閱讀多種編程語言撰寫的說明與文件
- 理解嵌在舊程式碼中的科研註解與假設
- 生成語言和框架更現代的等效實現
而無需投入多年時間培養對應領域的專門工程師。
於是，真正的「瓶頸」由「找到對的人」變成「定義對的目標與要求」。相較之下，後者是一個容易得多的問題。
延伸閱讀：法國成「硬體錘子」勒索重災區 半年內 52 宗加密貨幣暴力搶劫案
報告亦觸及 AI 對「發現速度」的影響，不只限於軟件現代化本身。
一旦代理生成的程式碼更快、更乾淨，整個數據處理流程得以在更大型數據集上運行，科研結果自然更快產出。對基因組學而言，速度優勢轉化為：
- 更早識別潛在關鍵基因變異
- 加快藥物靶點驗證週期
- 縮短由假說到實驗驗證的完整閉環時間
這種「提速」效應本身還會疊加與複利化。
Sam Altman 的審慎態度，與這波加速如何並存？
報告發表同日，OpenAI 行政總裁 Sam Altman 在 TechCrunch 表示，公司可能需要「調整 AI 發展步伐，讓世界有時間為此做好準備」。這種張力值得正面點出。
一方面，公司拿出實地數據證明：AI 程式代理已能把 18 個月的科研項目壓縮成一星期；另一方面，又警告世界可能未必準備好迎接下一步。
兩者並不矛盾。
這其實是對同一現象，從兩個角度切入：
- 實地報告展現的是「技術能力」
- Altman 的說法反映的是「社會與制度後果」
兩者都同時成立。真正仍未有定論的，是誰最終掌握「節奏控制權」——是實驗室與開發公司、監管機構，還是已經在真實基因組學流程中運行這些代理的研究人員？
從研究好奇心 走向科研基礎設施
更廣泛的圖景是：AI 程式代理在科學運算中的角色，正在由「實驗性工具」走向「正式基礎設施」。
值得留意的一點：OpenAI 今次發表的是「實地報告」（field report），而非學術論文。
差別在於：
- 學術論文描述的是在嚴格控制條件下，「理論上」可達到的效果
- 實地報告則是記錄「真實科學家，用真實工具，處理真實問題」時實際發生了甚麼，以及量化結果
一般而言，科學運算在採用新工具方面，往往比消費級軟件世界慢半拍。
但 OpenAI 報告中這個「18 個月壓縮到 1 星期」的例子，顯示這個落差正在以遠超多數科研機構預期的速度收窄。到目前仍未檢視自家舊系統、亦未規劃「代理輔助現代化」方案的實驗室和大學，已在客觀上落後於已經採用這類工具的同儕。
而基因組學的情況，亦並不限於生物學範疇。
計算化學、氣候建模、天體物理、材料科學等領域，同樣依賴年代久遠的程式碼庫，維護人員稀少而昂貴。令基因組學成為先行者的那些動力，其實同樣存在於每一個高度依賴計算資源的科學學科。
OpenAI 在基因組學一個領域中所記錄的變化，很可能可以在十多個其他領域複製。