「代理型 AI」在科學運算領域的落地應用再向前踏出實質一步。OpenAI 週二公布一份實地報告，披露研究人員利用 AI 程式代理，將原本需時數月的科研軟件開發工作壓縮至數日完成。
報告詳述在基因組學及更廣泛計算生物學上的真實部署案例：部分以往動輒需時 18 個月的項目，如今約一星期內便可收工。
OpenAI 將此視為證據，說明「代理型 AI」已經在重塑科研發現流程，不再只是未來憧憬，而是當下科研機構正在使用的現有能力。
報告實際揭示了甚麼？
報告聚焦「代理型 AI 科學運算」，結論頗具體。負責基因數據流程（genomics pipelines）的科研團隊，利用 AI 程式代理，以過去幾乎難以想像的速度，為陳舊科研軟件做「現代化」改造。
當中一個個案，原預計需 18 個月工程時間的軟件重構項目，在 AI 程式代理協助下，約一星期便完成。
這個接近九成的時間壓縮，並非單純「打字更快」帶來的效率提升，而是整個工作模式被重塑。
這些 AI 代理不是只幫忙自動補完幾行程式碼，而是會先閱讀既有代碼庫、識別陳舊部分、提出重寫方案、執行測試，再按結果反覆修正；整個流程中，人類介入極少。科研人員主要是訂立目標，而不是逐步下達每一個具體指令。
這正是 AI「代理」（agent）與傳統「程式助手」的分水嶺。
一個 copilot 類工具，只會建議下一行程式碼；一個 agent 則會規劃多步驟任務，在一個 session 內自動執行、監察輸出，並在結果偏離預期時自行調整。
OpenAI 這份實地報告，是目前少數相對清晰、來自科研機構一線的公開案例，展示這類系統在真實環境中的實際運作。
為何基因組學成為 AI 程式代理的首個「試煉場」？
基因組學之所以成為代理型 AI 的天然試驗場，與其結構性特徵有關。這個領域大量倚賴陳年軟件，其中不少是數十年前，由科學家以 Fortran、C 等語言編寫，設計取向偏向「計算正確」而非「易於維護」。
技術債多年累積。要為一條基因分析流程做現代化改造，傳統上需要同時懂生物學、又熟悉軟件架構的工程師。
這種跨界人才，一來稀缺，二來昂貴。
AI 程式代理某程度繞過了這個「人才瓶頸」。它們可以閱讀多種程式語言的文件，理解舊代碼中的科學註解，並自動產生現代等價實作，而毋須經過多年專門訓練。
瓶頸因而由「找對工程師」變成「定義清楚目標」——後者明顯容易得多。
延伸閱讀：法國半年間發生 52 宗「板手搶幣」案，加密實體暴力犯罪急升
OpenAI 報告亦提到，AI 程式代理帶來的，並不止是遺留系統現代化，還包括更廣義上的「科研提速」。
當代理可以在更乾淨、更高效的流水線上，處理更龐大數據集，整體分析結果自然更快出爐。對基因組學而言，這意味著更早識別基因變異、更快驗證藥物標靶，由假說到實驗驗證的時間大幅縮短。
速度優勢會隨時間「複利」放大。
Sam Altman 的審慎，如何對照這種加速？
值得玩味的是，OpenAI 這份報告公布同日，其行政總裁 Sam Altman 接受 TechCrunch 訪問時表示，公司可能需要「放慢 AI 發展步伐，讓世界有時間準備」。
一邊發佈證據，顯示自家 AI 程式代理可把 18 個月的科研項目壓縮至一星期；另一邊又暗示世界可能尚未準備好面對下一步發展。兩者並不相互矛盾，而是同一現象的兩個角度。
報告講的是「能力」，Altman 的說法講的是「後果」。
兩者都對，但尚未回答的關鍵問題是：究竟「定速權」掌握在誰手上——實驗室、監管機構，還是已經在實際基因流程中運行這些代理的科研人員？
由研究好奇，走向科研「基建」
更廣泛的趨勢是：在科學運算領域，AI 程式代理已不再只是「試驗中」，而是開始「正式上線」。
OpenAI 這份是「實地報告」，而非傳統學術論文，這個區別相當重要。
論文講的是在受控條件下「可以做到甚麼」；實地報告講的是，真正的科學家用真工具處理真問題時，「實際發生了甚麼」，以及量化後的結果。
科學運算一向比消費級軟件更慢採用新工具。
報告中「18 個月縮至一星期」的實例，意味這道差距正在以遠超大部分科研機構預期的速度收窄。那些仍未檢視自家遺留代碼庫、為引入代理輔助現代化作準備的實驗室和大學，如今已實際落後於已行動的同業。
基因組學的案例，同樣不限於生物學。
計算化學、氣候建模、天體物理、材料科學等領域，同樣建立在老舊代碼之上，維護人手同樣稀缺。促成基因組學率先採用代理型 AI 的動力，其實在所有「重度運算」學科中都存在。
OpenAI 在一個領域記錄到的現象，很大機會可在十多個其他領域重演。