事件
2026 年 6 月，英國劍橋大學宣布用人工智慧設計的廣效冠狀病毒疫苗完成首期臨床試驗。這不是簡單的『AI 加速』故事——傳統疫苗設計流程從假設、建模、合成、測試，通常需要 3-5 年。AI 將這個週期壓縮了，但關鍵不在時間，而在於問題定義的改變。
### 舊邏輯 vs 新邏輯
舊邏輯（人工設計）： - 科學家根據已知的病毒株（如 SARS-CoV-2、MERS）逐一設計疫苗 - 每個疫苗針對一個或兩個特定病毒變異株 - 「廣效性」被視為奢侈品——如果真能做到，通常意味著效能打折 - 設計過程依賴直覺、文獻綜述、實驗反覆試錯
新邏輯（AI 輔助設計）： - AI 掃描數千萬個蛋白質序列組合、預測其免疫反應模式 - AI 不是逐株優化，而是尋找跨株共有的免疫特徵 - 廣效性從『不太可能』變成『可計算的優化目標』 - 設計過程變成：定義目標 → AI 探索解空間 → 篩選候選 → 驗證
這背後的心智轉變是：從「我們能用手邊的工具做什麼」，轉向「有了新工具，我們可以重新定義什麼是可能」。
### 為什麼這個區別很關鍵
加速 ≠ 重構。假設傳統流程需要 1000 個人·小時，AI 把它壓到 100 人·小時——這就是加速，但問題空間沒變。真正的重構發生在：
1. 新的目標函數成為可解的：廣效性曾經被當作『可能性太低、不值得投資』的目標。現在 AI 能掃描足夠大的組合空間，廣效性變成一個跟專異性一樣有競爭力的設計方向。
2. 人的角色改變：科學家從『提出假設、逐一驗證』變成『定義約束、篩選和解釋結果』。認知負荷從創意想像變成邏輯驗證。
3. 反覆時間從『年』變成『週』：快速反覆意味著可以同時探索多個候選路線，失敗的代價下降，冒險的意願上升。
### 類比與歷史重複
- **攝影術與繪畫**：攝影不是讓畫家『更快地記錄現實』，而是解放了繪畫去探索主觀性、抽象、色彩理論——問題定義本身變了。
- **電子表格與財務建模**：Lotus 1-2-3 和 Excel 不只加速計算，而是讓『假設分析』（如果銷售漲 10%，獲利會怎樣？）變成日常工具，而不是統計部門的專利。
- **計算機與物理學**：計算機的出現讓『數值模擬』成為新的科學方法，不再依賴解析解——這改變了物理學能研究什麼問題。
### 為什麼廣效疫苗原本『不可能』
冠狀病毒家族很狡猾。SARS、MERS、新冠都屬於冠狀病毒，但它們的刺突蛋白（spike protein）差異大。傳統邏輯是： - 如果妳針對 A 株設計，對 B 株效能就會下降 - 要同時對付多株，就要做『馬賽克疫苗』，但這樣做複雜度指數上升 - 製造商和監管部門都傾向『單一病原體、單一疫苗』的模式
AI 的突破在於：它不是『人腦想不到的聰慧設計』，而是它能在極高維空間裡尋找共性。人腦最多能同時追蹤 5-7 個變數，AI 能追蹤數千個蛋白質序列維度，找到『即使 A 和 B 在序列上差很遠，但它們的免疫標靶有這 7 個共同點』的洞察。
### 實務衝擊
1. 疫苗廠商的護城河重構：過去靠『最快推出針對新變異株的疫苗』的廠商，現在面臨『AI 設計流程被開源 / 民主化』的風險。
2. 監管部門的焦慮：如果疫苗是 AI 設計的，責任在誰？設計師？AI 廠商？製造廠？一旦出現不良反應，法律框架會如何認定『AI 設計的產品』的製造商責任？
3. 研究節奏加快：如果疫苗開發從『3-5 年』變『6-12 個月』，那麼臨床試驗、審批速度也要相應加快，否則就成了『瓶頸轉移』。
### 更深層的含義
Marshall McLuhan 說「媒介即訊息」——新工具改變的不只是傳遞速度，而是能被『想』和『做』的東西本身。AI 作為設計的『媒介』，改變的是生物學研究能設定什麼目標。曾經『完全不切實際』的廣效性，現在變成『需要資金、時間、人才，但在理論上可行』的目標。