James Sinka 與 Berk Ozer 談 Reactor Field,Sophia Dew 主持
James Sinka 與 Berk Ozer 談 Reactor Field,Sophia Dew 主持
Reactor Field 創辦人 James Sinka 與 Berk Ozer 主張,真正能釋放研究生產力的是對 AI 的熟稔程度,而非能否取得 AI;他們以第一屆成員在 Mayo Clinic 與 Marathon Fusion 的成果為例,並指出文化慣性才是科學家把 AI 當作共同科學家採用的主要障礙。
AI 伴隨問答
針對這篇報導有疑問?可直接點選快捷問題或向 AI 追問背景脈絡與技術細節:
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區,包含精華摘要與上市公司即時行情
非營利組織 Reactor Field 共同創辦人 James Sinka 主張,AI 加速科學發展的真正瓶頸不在於模型取得,而在於科學家本身是否熟悉 AI;若能訓練研究人員把 AI 當成「共同科學家」(co-scientist)來用,就能把一年的工作量壓縮到四週。他與共同創辦人 Berk Ozer 及主持人 Sophia Dew 的對談,大部分時間都放在 Reactor Field 第一屆研究員計畫、具體產出的研究成果,以及為何學術文化與慣性才是真正的瓶頸;資金環境與「科學富足」(scientific abundance)這套論述反而著墨較少。
Sinka(化學背景)與 Ozer(軟體工程師,2018 年做過即時遊戲教練)經營一個由慈善資金支援的研究員計畫,把博士級科學家與密集的 AI 原生訓練配對。讀者讀完應該能掌握第一屆的具體成果——Mayo Clinic 的肺部回春搜尋、Marathon Fusion 的同位素生產預印本——以及兩位創辦人的核心論點:推動科學進展的槓桿是資金效率,而不是更多資金。
核心論點:瓶頸是熟悉度,不是取得管道
Reactor Field 的核心主張是:買一份 ChatGPT 訂閱,並不會讓科學家變成 AI 原生使用者。Sinka 說,真正的差異在於「心態、訓練、提示技巧、輔助框架、工程能力」,也就是把「數千名在矽晶片裡(in silico)的博士生」導向重要問題所需的一切。Ozer 把同一個落差描述成習慣問題:多數科學家仍把 AI 當成聊天機器人,只用來讀和寫,卻沒意識到它可以扮演產出全新科學的共同科學家。
Sinka 引用一篇他稱 OpenAI 在錄音前後(2026-11-17)發表的論文,該文經 Greg Brockman 轉推,報告研究生產力大約翻倍。他拿這件事對比 Reactor Field 一位哈佛博士生研究員在計畫 demo day 上的說法:她用「正確的方式」使用模型,四週內完成了超過一年的研究。這兩個數字都是 Sinka 對他人工作的轉述,節目中並未獨立查證。
Ozer 用自身經驗標定這個轉變:他 2018 年做過一款即時遊戲教練,觸及數百萬玩家,花了幾個月;2025 年 3 月,他說自己幾乎只靠幾句提示就一次做出來。他的框架是:軟體早已在「位元層面達到富足」,科學是下一個——他希望有生之年能看到卡達肖夫尺度(Kardashev scale)第一級。
第一屆產出有名有姓、可募資的成果
第一屆自 2026 年 6 月啟動,共 13 個專案、22 位科學家,Sinka 說其中數項成果正等待發表。他能公開談的兩項很具體:
| 團隊 | 做了什麼 | 成果/意義 |
|---|---|---|
| Mayo Clinic 團隊 | 打造「研究大腦」,在 43 百京(quintillion)種可能組閤中搜尋細胞層級的肺部回春方案 | AI 把搜尋空間壓縮到少數頂尖候選;團隊找到一組「不直觀、反直覺」的混合物,並花數十萬美元買試劑,測試它能否逆轉老化的肺組織 |
| Marathon Fusion | 打造 Sinka 所稱的「核融合版 AlphaFold 雛形」 | 2026 年 9 月發表兩篇預印本,分別關於錒-225 與鋱-149 |
Sinka 把 Marathon 的成果扣連到一則市場事件:2026 年 10 月,Bristol Myers Squibb 通報錒-225 在胰臟癌三期試驗中縮小腫瘤。Marathon 的預印本提出該同位素更經濟的生產路徑,也提出鋱-149 的生產路徑;Sinka 稱鋱-149 是「核子醫學的聖杯」,因為它同時具備 alpha 與 beta 衰變,讓臨床醫師能同時造影與摧毀癌細胞。他指出,鋱-149 在小鼠身上消滅癌症的效果優於其他放射性同位素,但生產成本極高。
Sinka 由此推出更大的結論:「我們有機會在各個領域鑄造出多個版本的 AlphaFold」,從材料工程到基礎化學皆然,因為底層資訊早已存在,缺的是算力與有動機的人。有一位研究員把 25 分鐘的資料分析流程壓縮到 25 秒——這是創辦人原本預期的自動化場景——但同位素路徑屬於「全新的科學」,這並不在他們預期之內。
「我們想進入原子富足的時代。而最好的做法,就是解放數千名在矽晶片裡可用的博士,把他們導向世界上最重要的問題。」——James Sinka
野心:在物理、化學、生物領域做出 Navier-Stokes 等級的成果
Sinka 說,這個計畫在 2026 年交出了一項 Navier-Stokes 等級的成果,而第二屆的目標是在物理、化學或生物領域做出「同樣等級的成果」。被問到那是什麼規模,他舉了三個例子:
- 老化:人類為何老化、而某些物種(例如特定水母)為何能永生,至今沒有根本答案。AI 梳理表觀基因體、巨基因體等各種 omics 資料,可能找出這些物種的差異所在,以及這種差異能否移植。
- 二維與三維材料:石墨烯是具備驚人特性的超導體,但石墨——數百萬層石墨烯堆疊而成——卻是絕緣體。理解其中差異,研究人員就能「開採元素週期表」找出材料特性。
- 神經科學與癌症:繪製大腦地圖,可能從根本原因處理心理健康與憂鬱症,而不是「用黑箱方式硬闖」;癌症為何發生也是同樣道理。
Sinka 從經濟角度解釋為何科學是 AI 需求無上限的領域:「能幫助發現新科學的智商,再多都有用」,而一個智商一千的電子郵件助理卻加值有限。Dew 樂觀地延伸這點——她未來的孩子可能在幼兒園就學到今日的前沿科學。
採用卡在文化與慣性,不是能力
Ozer 點出一個同溫層問題:在 AI 圈內,大家都假定彼此熟悉代理式工具,但圈外研究員「還在用 chatgpt.com」,而且「以為自己用的就是前沿 AI」。訓練落差在於建立工作流程、理解上下文視窗,以及正確設定一個共同科學家。
Sinka 把其餘問題歸因於慣性,並用演化做類比:人類歷史大部分時間裡,孩子成長的環境與父母差不多;如今世代之間差異巨大(他父母那輩沒有智慧手機;他的孩子可能一出生就有 Neuralink)。改變令人恐懼,所以 Reactor Field 的目標是製造那個「喔!」的瞬間——「一道單向門,穿過去之後,你就再也無法無視」AI 輔助工作所開啟的可能性。
他也批評 AI 敘事過度聚焦於失業。他承認取代會發生,但業界對後續結果談得太少。他的處方是用證據代替空談:不會死於癌症的小鼠、靠放射性同位素治癒的疾病、延長的壽命、氣候變遷的解方。Sinka 指出,在學術界「一般教授用 AI 會被罵」,這正是創辦人想為 AI 原生科學家打造實體與社群歸屬的原因——明確以 Tuxedo Park 與 Chatham House 為範本——讓跨領域實驗成為常態。
flowchart TD
A["科學家已能取得模型"] --> B{"把 AI 當聊天機器人用?"}
B -->|是| C["閱讀、寫作、文獻搜尋"]
B -->|否| D["把 AI 當共同科學家,搭配工作流程與上下文"]
D --> E["全新的科學,例如同位素生產路徑"]
C --> F["邊際生產力提升"]
E --> G["時程壓縮、單位成果成本下降"]
H["社群、問責、demo day"] --> D
I["學術文化懲罰使用 AI"] --> B
資金效率可能比更多資金更重要
Sinka 反駁「科學資金是限制因素」這個前提。他 19 歲念大學時就為一篇新型太陽能材料的論文拿到研究經費,並主張一個有動機、點子真正新穎的研究者,是有辦法說服人出錢的;但他也承認,整個體系需要「十倍、百倍」更多的資金管道。
他的思想實驗是:一個大膽的專案——傳送器——預算一千萬美元、為期十年。如果研究者先成為 AI 原生使用者,能快多少、便宜多少?他問過的每個人都說,顯然會快很多。他舉一家本屆團隊的公司(未具名)為例:該公司募了資,卻完全不擴編,因為它可以隨時「僱用數位科學家」。言下之意:如果每位科學家靠 AI 做出十倍的工作量,現有資金就能發揮十倍效用,需要十倍資金的壓力也隨之縮小。
Sinka 指出,現實世界的驗證才是最終限制——「你騙不了大自然」,而所有東西在模擬裡都行得通——這正是他對自動化與機器人壓低驗證成本感到興奮的原因。他主張,當驗證成本下降,做科學的總成本「會徹底蒸發」,屆時「人人都有好奇心,人人都是科學家」。
下一步,以及論證最薄弱之處
Reactor Field 正為第二屆募資,預計 2027 年第一季啟動(即 2026 年 11 月錄音之後那一年的第一季)。Sinka 的訴求物件包括:「想跑得快」的科學家、理念契合的慈善家、生態系夥伴,以及算力捐贈者。
本集有幾項說法僅憑創辦人一面之詞:OpenAI 那篇生產力翻倍的論文,以及哈佛研究員「四週抵一年」的成果,都只被提及而無細節,第一屆的成果也有一部分尚未發表。資金論證同樣是斷言而非建模——「科學家變成 AI 原生後現有資金就足夠」這個說法,前提是生產力提升在規模化後依然成立,且驗證成本下降的速度如 Sinka 所預期。最值得追蹤的,是第二屆喊出的目標:在物理或生物科學做出 Navier-Stokes 等級的成果——那會是比任何單一工作流程加速都強得多的驗證。