研究設計：AI vs 人類團隊
這項發表於2026年2月17日的研究，採用了一個巧妙的對比設計：研究人員讓生成式AI工具和人類科學家團隊面對同樣的挑戰——利用超過1,000名孕婦的數據預測早產風險。
人類一方是參加過DREAM（Dialog for Reverse Engineering Assessments and Methods）挑戰賽的專業計算生物學團隊，他們花費了數月時間，運用專業知識和編程能力來建立預測模型。AI一方則被給予相同的數據集，以自然語言提示的方式指導其分析數據——類似於使用ChatGPT的方式，但提示經過精心設計。
令人驚訝的結果
在測試的8個AI工具中，有4個生成的預測模型達到了人類專業團隊的水平，而在某些情況下，AI的表現甚至超越了人類。整個生成式AI研究項目——從構思到論文提交——僅用了6個月。
初學者也能做出專業水準的研究
這項研究中最引人注目的發現之一，是一個「初級研究雙人組」的表現。UCSF的碩士生Reuben Sarwal和一名高中生Victor Tarca，在AI的輔助下，在幾分鐘內生成了可運行的預測模型代碼——而這通常需要經驗豐富的程式設計師花費數小時甚至數天。
「得益於生成式AI，數據科學背景有限的研究人員不再總是需要組建大型協作團隊或花費大量時間調試代碼。他們可以專注於提出正確的生物醫學問題。」——共同資深作者Adi L. Tarca
這意味著什麼？
這項研究的意義遠超早產預測本身。它證明了一個更大的命題：生成式AI正在根本性地改變生物醫學研究的工作方式。具體而言：
- 降低技術門檻：研究人員無需深厚的編程和統計背景，就能進行複雜的數據分析
- 加速研究週期：原本需要數月的數據處理和模型建立工作，可以壓縮到數天甚至數小時
- 民主化科學研究：小型研究團隊和資源有限的機構也能進行大規模數據分析
局限性與人類專家的不可替代性
研究團隊也坦誠指出了AI的局限性。首先，8個AI工具中只有一半能達到人類水平，這說明AI的表現仍然不穩定。其次，AI生成的代碼和模型仍然需要人類專家的審查和驗證——AI可以加速過程，但不能完全取代科學判斷。
Marina Sirota教授（UCSF Bakar計算健康科學研究所臨時所長，也是本研究的主要研究者）強調：「人類的監督和專業知識對於確保結果的有效性和引導AI朝有意義的方向探索仍然至關重要。」
研究核心發現
- 速度優勢：AI分析醫療數據的速度比人類團隊快數個數量級
- 品質可比：50%的AI工具達到或超過人類專業團隊的準確度
- 門檻降低：非專業研究人員在AI輔助下可完成專業級分析
- 人類仍需：驗證、解讀和科學判斷仍然依賴人類專家
編輯觀點
UCSF的這項研究可能預示著生物醫學研究的一場「準入革命」。長期以來，大規模健康數據分析一直是大型研究機構的專利——因為只有它們才有足夠的計算資源、統計專家和編程人才。如果生成式AI能真正降低這個門檻，那麼全球的醫學研究者——包括資源匱乏的發展中國家的科學家——都可能加入到數據驅動的醫學發現中來。這不是AI取代醫生的故事，而是AI賦能科學家的故事。