商傳媒｜康語柔／綜合外電報導
隨著人工智慧（AI）技術持續發展，萊斯大學（Rice University）研究執行副校長兼化學與生物分子工程學教授David Sholl近日強調，計算化學領域的研究人員應為即將到來的AI新工具做好準備。
David Sholl教授指出，機器學習工具預期將對計算化學（Computational Chemistry，這個學術領域運用電腦模擬來理解與預測化學系統的行為）帶來根本性變革。他建議研究人員借鏡其他已採用AlphaFold等強大機器學習工具的領域經驗，以避免錯誤並善用這些工具。AI工具未來將能分析原子層級互動所需的能量，進而預測原子在不同排列下的交互作用，並將可分析的原子數量從數百個大幅擴展至一萬個或更多，這將徹底改變計算化學家處理問題的方式。
AI工具不僅能大幅提升分析能力，還能實現複雜數學演算法的普及化，因為它們不再需要使用者深入理解背後的數學函式。這意味著，未來連非計算化學背景的研究者也能利用這些工具，在其研究中解答計算相關的問題。然而，工具開發者也必須確保其產品設計良好，並以易於各領域同事理解的方式，清楚傳達其潛在限制。
AI工具落地挑戰與應對
儘管潛力巨大，AI工具的實際應用仍面臨挑戰。德勤（Deloitte）副總裁China Widener指出，許多企業在將生成式AI應用擴展到全規模的人工智慧代理（AI Agent，它能自主執行複雜任務並從環境中學習）時遇到困難。高德納諮詢公司（Gartner）預測，至2028年，九成的企業軟體工程師將會使用AI程式開發輔助工具，這顯示了AI在軟體開發中的普及趨勢。然而，根據Hanover Research的調查，逾四分之三的科技決策者曾通報AI程式碼的可靠性問題，包括產品事件增加、資深開發者需頻繁介入以及生產失誤。
GoGloby共同創辦人維特·科瓦爾（Vit Koval）表示，AI在執行任務方面表現卓越，但在處理模糊指令時卻表現不佳。愛德華·田（Edward Tian），GPTZero共同創辦人，強調了「需求工程（Requirements Engineering），這是一種確保開發者與領域專家能明確定義軟體目標與產品功能的紀律性方法」的重要性。透過預先釐清關鍵問題，需求工程有助於及早發現潛在問題，確保團隊期望一致，並降低因結構不穩導致專案延遲的風險。Liferay公司也提出六項關鍵治理要素，包括存取控制、單一事實來源、稽核紀錄、人工審查點、明確的升級路徑以及模型中立架構，以確保企業AI代理的可靠部署。
這些經驗對於學術界同樣具有啟發意義。David Sholl教授總結道，在這些工具普及之前，研究界有獨特的機會深入思考如何最佳地運用和開發它們。他強調，這項技術的爆炸性成長將徹底改變解決問題的方式，因此應審慎思考，確保AI工具在最有用之處得到適當的整合，而非將其視為萬能的解決方案。
