OpenAI訪談科學家：AI時代好奇心和實驗精神是真正重要的事

在人工智能與生命科學的交匯處，一位免疫學家正在用程式碼重寫科研的邊界。

Derya Unutmaz是美國傑克遜實驗室的免疫學家和教授，也是OpenAI社群中最活躍的科學用戶之一。在與OpenAI開發者關係負責人Romain Huet的對話中，他展示了用Codex從零構建的流式細胞分析軟體和CRISPR基因組設計工具，並闡述了一個激進預判：在AI驅動下，未來十年人類將能治療所有疾病，15年內或可實現逆轉衰老。

Unutmaz表示，GPT-5.5 Pro近期對一項極複雜實驗結果的預測準確率達到100%，「幾乎像是它擁有了我在實驗室工作30年的同等經驗」，這令他幾乎難以置信。他認為，AI的指數級進步正被大多數人嚴重低估，對科研、醫療乃至所有行業的顛覆將是根本性的。

從醫學院到AI信徒：一個跨越三十年的判斷

Unutmaz與AI的緣分始於1990年代初完成醫學院學業之後。彼時他進入生物醫學研究領域，隨即被生物系統的複雜程度震懾——數萬億組成部分，每時每刻數十億個反應，遠超人腦可處理的範疇。「那時我就意識到，也許有一天我們真的能用AI建立模型。」

深度學習革命、AlphaFold、ChatGPT，每一個節點他都密切跟蹤。但真正讓他確信AI在科學中「不可逆轉」的時刻，是2024年9月OpenAI邀請他試用第一個推理模型o1-preview。他用一個跨界提示測試這款模型：將「大逃殺」遊戲機制與免疫系統對抗腫瘤的場景類比，詢問如何設計免疫細胞對抗癌症的實驗框架。**「o1-preview的回答幾乎讓我動情落淚。」**他說，此前的GPT-4o無法給出那種深度與洞察力，而這個推理模型是關鍵節點——「當它開始真正推理的時候，產生的東西對科學才真正有用了。」

Codex成癮者：一位免疫學家的程式設計實驗

Unutmaz自稱「Codex成癮者」，且認為這一認證「當之無愧」。他的日常是：清晨喝咖啡時冒出想法，立即用Codex動手實現；有時Codex整晚執行任務，導致他過去幾個月嚴重睡眠不足。

他向Huet展示了兩款完全由Codex構建的工具。第一款是流式細胞術分析軟體——這是免疫學研究中觀察細胞世界的核心手段，傳統上依賴價格高昂的專業商業軟體。該工具可上傳細胞數據文件，通過交互式介面選擇螢光標記物，劃定細胞門控，生成統計分析，支援等高線圖和多種可視化方式，可處理約10萬個數據事件且回應迅速。「這實際上是相當複雜的軟體，」他說，「而我只是一個生物醫學工程師，不是軟體工程師，我大概只能寫出一個貪食蛇遊戲，而且要花好幾個月。」

第二款是CRISPR基因組工程設計工具。用戶輸入任意基因名稱，系統自動從資料庫提取基因序列，列出所有可能的靶點並排名，支援批量生成「導向RNA文庫」——輸入多個基因名稱，一鍵生成對應的全套CRISPR分子設計。該應用以Swift語言構建為原生macOS應用，他表示iPad版本正在開發中。

此外，他還構建了一個T細胞信號通路模擬器，可調控受體配體質量、劑量等參數，即時展示下游分子激活狀態、轉錄因子磷酸化模式，並支援引入抑制劑或額外受體後的通路變化模擬。「AI會對生物學產生巨大衝擊的關鍵，在於能夠模擬生物系統，」他說，「建造飛機要做空氣動力學模擬，但對生物學，我們一直做不到這一點。」

數位孿生：個人化醫療的終極圖景

Unutmaz描述了一個更長遠的願景——「數位孿生」：用AI完整模擬個體的基因組、代謝產物、蛋白質和免疫系統，在數位世界中為每個患者進行個人化實驗，而非在真實人體上試錯。

他指出，現行醫學體系存在根本性局限：同一種藥被數以百萬計的患者服用，但真正受益者可能只是其中一小部分。以他汀類藥物為例，大規模使用，卻只對少數人真正有效。癌症領域已是最接近個人化的方向——肺癌患者在用藥前需先對突變基因測序，因為1%的患者適用某種特定藥物，對另外99%無效。他引用了一個澳洲案例：一位電腦科學家借助ChatGPT和Grok，為其患癌的狗量身設計了一種RNA疫苗，專門針對該腫瘤的特定突變，相關試驗正在進行中。

「如果AI能夠完整模擬你的生物系統，我們就可以問：給這個人用這種藥會怎樣？」他說，「藥物可以接近100%的有效性和接近0%的副作用。我們現在需要5到10年完成的臨床試驗，將加速到可能只需5到10天。AI將為你做臨床試驗。」

他同時強調，這一切有一個關鍵前提——算力必須大幅提升。「即便把現在全球所有算力加在一起，也不足以模擬生物系統。」

科學2.0：智能體驅動的研究典範革命

Unutmaz對科研模式本身的變革同樣持有激進判斷。他將未來稱為「科學2.0或3.0」：傳統的「花數週構思、數月實驗、數月分析」模式將成為歷史，取而代之的是AI智能體集群——提出假設、模擬實驗、分析數據、回饋結論、再生成新假設，形成閉環。

「我想我的角色將變成只需要告訴智能體們：我想攻克肺癌，去探索這個方向。」他說，實驗室的操作層面也將大規模自動化，機器人將承擔大量濕實驗工作。面對「科學家是否還有工作」的質疑，他援引傑文斯悖論：效率提升不會減少工作，而會催生更多工作，因為我們目前對生物學的理解僅約10%，剩餘90%有待探索，加速學習將創造龐大需求。

他亦表示，這一典範轉變不限於生物學，物理、材料科學、化學、藥物發現均將受到波及——「過去藥物發現需要幾年，現在幾個小時就能完成。」

給所有人的建議：實驗精神是AI時代的核心競爭力

被問及對非科學領域人士的建議時，Unutmaz以自身科研經歷作答：生物學實驗95%至98%會失敗，長期在失敗中工作，培養了他對不確定性的耐受力和持續嘗試的本能。「這就是為什麼它叫『實驗』——你要不斷嘗試，不斷調整。」

他認為，這種思維方式在AI時代具有普遍價值。**「AI時代真正重要的只有自主性和好奇心，」**他說，「不要害怕，持續用AI做實驗，問那個『如果我這樣做會怎樣』的問題，因為你現在可以問這個問題了——以前這樣做的成本太高了。」

他以公司網站為例：過去花費數千美元製作一個「將就」的網站，現在幾分鐘內即可迭代出新版本。這種低成本試錯能力，他認為可延伸至生活和工作的幾乎所有方面。對於外界瀰漫的AI焦慮，他態度鮮明：「它會真正讓我們進入一個黃金時代。AI研究者對我來說都是英雄，因為這將是人類最偉大的變革。」

以下為訪談全文：

Romain： Derya，非常感謝你來到這裡。你是一位非常獨特的構建者，和我們通常交流的構建者很不一樣。你有醫學背景，同時深耕生物科學和生物工程，又以一種大多數構建者沒有方式推進AI的應用——你在生物學、癌症、免疫學等如此多的領域都有真正的深度。非常期待今天的對話。

生物學何時開始需要AI？

Romain： 如果往回追溯，你是什麼時候意識到生物學和科學將需要AI的？

Derya： 那是我從醫學院畢業之後，當我意識到生物系統的複雜程度時。畢業後，我進入了生物醫學研究領域，因為我真的想理解生物學——那時候有太多疾病我們還無法治療。深入研究之後，我越來越感到震撼：天哪，這怎麼可能解決？生物系統中有數萬億個不同的組成部分，每時每刻發生著數十億個反應，這讓我感到無比壓倒。

正是在那時，我開始對AI產生了興趣，那是90年代初。我意識到，也許有一天我們真的能用AI建立模型。整個90年代我都非常熱衷於用AI來編程。當然，後來深度學習革命到來，我激動極了，因為我第一次看到深度學習能夠以某種並行的方式處理海量資訊。然後是AlphaFold，然後是ChatGPT。但最初的那個時刻，是在我完成醫學院學業之後。

Romain： 自從ChatGPT發布以來，你一直非常活躍於我們社群，測試各種模型。我記得你在最早的推理模型——o1-preview出來時就開始做一些工作。你拿到它的第一反應是什麼？

Derya： 我還記得那是2024年9月。OpenAI聯繫了我，我想是因為我在X上非常活躍，一直在談論AI將如何改變人類，那時候有很多懷疑的聲音，我依然相信它，並且全身心投入了AI。OpenAI希望我來試用第一個推理模型。

我至今記得那一刻——我用一個免疫學領域極其複雜的問題來測試它，而且我還記得那個提示詞：我對遊戲非常感興趣，喜歡把遊戲和科學交叉類比。有一種生存類遊戲，你在一座島上戰鬥，就是那種大逃殺遊戲。從某種意義上說，免疫系統對抗腫瘤，就像一場大逃殺。我問它：把大逃殺遊戲和免疫系統結合起來想像，你會如何設計一個免疫細胞對抗癌症的場景？

這是一個完全跨領域的問題，我們後來也真的基於這個思路做了實驗。o1-preview給了我一個回答，幾乎讓我動情落淚。在那之前，GPT-4o這類模型沒辦法給出那種深刻而有洞察力的回答。那一天對我來說是特別的。

Romain： 那就是你確信AI在科學中已經不可逆轉的時刻嗎？

Derya： 完全是。其實在那之前，GPT-4出來之後就已經極其有用了。我會告訴同事們——生物學領域資訊量如此龐大，你根本跟不上，用AI來搜尋文獻、整合知識，包括處理寫推薦信這類日常事務——以前需要一小時的事，現在五分鐘就完成了。但那時候還不到可以完全信任它、或者問「某個實驗的結果會是什麼」這類問題的程度。o1-preview是那個關鍵節點——當它開始真正推理的時候，產生的東西對科學來說才真正有用了。此後是Pro版和o3，越來越好。現在的模型更是令人嘆為觀止。

Codex成癮者

Romain： 幾個月前我看到你推文說你有了新的早晨例行程序——先喝早晨的咖啡，然後Codex就要開始為你工作了。

Derya： 我可以自稱是Codex成癮者，這個認證我當之無愧。每天早上醒來，腦子裡會冒出很多想法——想做個模擬、想做某個應用、想做個遊戲之類的。以前你得會寫程式碼，而且就算你會，也要花幾週甚至幾個月才能實現。但現在，我一有想法，喝完咖啡，立刻就去試。有時候Codex整晚都在跑任務，我想看看結果如何——過去幾個月我因此睡眠嚴重不足。

Romain： 對於你這樣在免疫學、腫瘤學、癌症、T細胞方面有如此深度的人，你是怎麼用Codex把這些領域融合在一起的？

Derya： 我一直在構建一些不是特別複雜但對日常工作極其有用的應用。我們非常依賴軟體來做分析——生物學很複雜，無論是遺傳學還是免疫學。

比如我們做大量叫做「流式細胞術」的分析。這基本上是我們觀察細胞世界的窗口，主要是免疫細胞，當然也可以分析任何細胞。我們有專門的儀器，用螢光標記物標記細胞——細胞有數百種不同類型，要知道你的血液和組織裡有哪些細胞，就需要標記它們，讓它們通過雷射。雷射分析數千個細胞，生成數據，告訴我這是一個可以對抗癌症的免疫細胞，這一個會導致自身免疫病，等等。但我們必須把這些數據放進專業軟體，把數十萬個獨立細胞的數據點轉化成圖表，然後才能分析：這類細胞的百分比是多少，它們之間有什麼關聯，諸如此類。

這是過去幾十年來我們一直在使用的非常精密的軟體。有一天我想：為什麼不自己做一個？這個想法很瘋狂，因為非常複雜，我確實失敗了很多次。但自從GPT-5.5，我現在有了一個完全可運行的版本。

用Codex構建細胞分析工具

Romain： 太不可思議了，能看看你的筆記型電腦上的演示嗎？

Derya： 我來展示這個應用。我已經上傳了一個文件——這裡的每個點代表一個單獨的細胞，這些是螢光分子的顏色，每種抗體對應的螢光分子會標記特定的細胞類型。我可以在這裡選擇。你看，這裡有20種不同的分子，每種都和一個受體結合，它們的組合定義了特定的細胞亞群。

比如我最喜歡的細胞——帶有CD4分子的T細胞，還有帶CD8分子的T細胞，後者是殺傷細胞，會去殺死靶細胞。我可以在這裡劃定門控，看CD8陽性或CD4陽性細胞的百分比，生成各種統計分析。

這實際上是相當複雜的軟體——我可以更改等高線圖、圖形、不同的展示方式。這裡有大約10萬個事件，而且處理速度極快，我原本沒想到它會被優化得這麼好。

Romain： 這一切都是用Codex構建的？

Derya： 100%用Codex構建的。花了一段時間，因為有些東西不能工作，但尤其是GPT-5.5之後，我說「我看不清圖表，幫我修一修」，然後它就自己去做了。

我還做了一個小應用，可以選擇你想要的細胞類型，說「我想要一個初始T細胞」，它會顯示所有可能選擇的標記物，甚至會告訴我哪些標記物對這種細胞類型最為相關。這對設計我們所說的「抗體面板」極其有用——我正在尋找中央記憶初始細胞、T細胞和TH17細胞，選好這些標記物之後，我就可以回去做流式分析了。

Romain： 太了不起了。你不是軟體工程師，這些東西要讓你從頭做的話，可能要花幾週甚至幾個月。

Derya： 我是生物醫學工程師，不是軟體工程師。我大概只能寫出一個貪食蛇遊戲，而且要花好幾個月。做這些應用以前對我來說是個夢想。

模擬T細胞信號通路

Romain： 你有沒有用更多模型來輔助日常工作，比如圖像生成？

Derya： 我非常感興趣的一件事——也是我認為AI會對生物學產生巨大衝擊的關鍵所在——是能夠模擬生物系統，因為它太複雜了。

建造一架飛機，你不會說「把這些部件拼在一起，希望它能飛」——你要做空氣動力學模擬。但對於生物學，我們做不到這一點，因為組成部分太多了。我的目標是有一天我們能夠構建「虛擬細胞」，用AI完整模擬一個免疫細胞，進而模擬組織，最終實現我所說的「數位孿生」——完整的人體數位模擬。當然，這需要多得多的算力，希望你們加大投入。

先從這裡開始——這是一個受體，叫做T細胞受體，位於T細胞表面，是最主要的受體，但極其複雜。它感受到的分子親和力、它接收到的其他信號，將決定生死。信號強度可能意味著自身免疫病，可能意味著清除腫瘤，可能意味著殺死病毒感染的細胞，也可能意味著過度損傷而致命。在這個受體下面，有極其複雜的信號通路在運行。

我構建這個模擬器，就是為了能模擬這一切。如果我只有T細胞受體，配體的質量是這樣的，劑量是這麼多，我可以在這裡控制所有參數，然後運行模擬——它會告訴我哪些分子會被激活，哪些不會，甚至會顯示轉錄因子的磷酸化模式。我可以問：如果我加入一個抑制性分子，再換一個不同的信號，會發生什麼？它會展示給我看——這條通路現在停了，你會得到不同類型的事件。你可以繼續延伸：如果加一個小分子抑制某個分子，輸出是什麼？如果在這裡增加更多受體，它們會如何交互作用？

Romain： 我喜歡這個，因為它不只是在可視化或搜索資料集，這是一個完整的應用，讓你能夠在瀏覽器裡定義每個細胞和場景的輸入輸出。太不可思議了。

CRISPR基因組工程工具

Romain： 你還展示了更多應用？

Derya： 再看一個。我們想要操控細胞——細胞在某種意義上就像程式設計好的程式碼軟體，我希望有一天我們能有一個「生物學版的Codex」，可以對細胞完全程式設計。事實上我們已經開始這樣做了，透過基因編輯技術。25年到30年前我自己開發了其中一些技術，現在我們有了CRISPR。

CRISPR可以靶向任何基因，修復突變，刪除基因，過表達基因，這就是基因組工程。但問題在於，這同樣非常複雜。一個基因可能有2000個核苷酸，你要靶向哪裡？你需要透過計算來判斷靶點的特異性和效果，已有一些工具，但我想要自己的。所以我構建了這個應用。

你可以選擇任何基因，比如CD4基因——我之前提到過它在T細胞表面。它會立即從資料庫裡提取CD4的基因序列，然後給我所有潛在的靶點——每個靶點是20到22個核苷酸的區域，對於一個很長的基因會有很多靶點，然後給它們排名，告訴我選哪個更好。我可以在這裡添加選定的靶點，複製出來，發給在線合成公司，他們會合成好發給我，我就可以去做實驗了。還有一些其他工具沒有的功能——比如我可以說「給我建一個文庫」，如果我有多個基因，想要很多不同的CRISPR靶點，我只需要在這裡輸入基因名稱，點擊「設計文庫」，它就會為我生成不同的CRISPR分子。

而且這是一個原生macOS應用，用Swift構建的，我還準備做一個iPad版本。

Romain： 太感謝你的分享了，這是對你工作的一次精彩的幕後呈現，也讓我看到了你如何用Codex思考和工作方式，這是我之前從未見過的Codex用法。

數位孿生：個人化醫療的未來

Romain： 你之前提到了數位孿生的想法，從你在免疫學、癌症、生物學上的視角來看，這個想法什麼時候會變得可行？我們為什麼需要數位孿生？為什麼需要AI？

Derya： 我們需要數位孿生，是因為我們的生物系統是極其複雜的整體——不只是你能從外部測量的東西。我剛才展示的免疫系統，加上代謝產物，加上腸道中數萬億細菌，加上激素，這是一個極度複雜的系統。你的遺傳基因，加上你所處的環境，幾乎決定了一切——你會不會生病、什麼時候生病、你是否會對某種治療有反應。

我們能不能在疾病發生之前就預測它？而且必須高度個人化——我們應該治療的是患者，而不是疾病。因為生物系統太複雜了，我們一直以來都在把同一種藥給患有同一種疾病的數百萬人服用。比如他汀類藥物被數百萬人使用，但它只對其中一小部分人真正有效。

如果AI能夠完整模擬你的生物系統——你的基因組、你的代謝產物、你的蛋白質、你的免疫系統——那麼我們就可以開始問：如果我改變了這方面的健康狀況會怎樣？如果給這個人用這種藥會怎樣？也許我可以直接根據AI告訴我的你的生物學特徵，為你量身定製一種治療方案。我們將進入完全個人化的時代——藥物可以接近100%的有效性和接近0%的副作用。這意味著我們現在需要5到10年才能完成的臨床試驗，將加速到可能只需5到10天。AI將為你做臨床試驗。

這正是為什麼我說在未來十年左右，我們將能夠治療所有疾病。再過15年，我們將實現逆轉衰老，人們將能夠活幾百年。人們說這聽起來很瘋狂，是科幻小說，說光是癌症就花了50年才治療了一點點。他們沒有算進去的是：AI正在指數級地進步。而且這一切還有一個前提——算力必須大幅提升，因為即便把現在全球所有算力加在一起，也不足以模擬生物系統，組成部分實在太多了。

如果我們在未來5到10年能夠達到那個程度，超級智能屆時也將出現。那時，我們就可以用AI模擬數位孿生，不是在人類身上做實驗，而是在AI裡為你的生物學做實驗。這將改變醫學，改變一切。

Romain： 以癌症患者為例，如果有了數位孿生，醫生可以做哪些現在做不到的事？

Derya： 基本上就是在數位孿生上嘗試不同的假設和實驗，看看反應如何，這就像是對照組和治療組。

事實上，癌症和腫瘤學是我們目前最接近個人化的領域，因為即便是同一種癌症類型，也有很多不同的突變。如果你是肺癌患者，你的腫瘤科醫生會先對突變基因進行測序，因為突變的基因不同，對應的藥物也不同。比如有1%的肺癌患者可以使用某種特定的藥物，而這種藥對這1%的人非常有效，但對另外99%的人無效。公司正在開發針對性的精準藥物，我們可以做到為你所有的突變專門創造一種藥物。

澳洲有一個案例，一位電腦科學家用ChatGPT和Grok，為他的狗設計了一種RNA疫苗——這是終極個人化，因為那種RNA疫苗是專門針對那些特定癌症突變量身創造的，相關試驗正在進行中。

免疫系統在殺死癌細胞方面極其有效，這就是我們所說的免疫療法革命。但免疫療法並不對所有人都有效。為什麼有些人的免疫細胞能夠識別癌症並將其殺死，而另一些人不行？有些免疫細胞會衰竭，諸如此類。而且還有副作用的問題——免疫系統本身是很危險的，過度激活會造成大量傷害。如果我們能把這些都弄清楚，就可以真正做到個人化治療。

推動同儕擁抱AI

Romain： 你既是AI的深度使用者，又是MD，你周圍的人對AI是什麼態度？你會努力讓他們像你一樣快速採用這些工具嗎？

Derya： 我努力過，我想他們認為我完全瘋了。不過現在他們開始看到潛力了。從GPT-3.5出來我就開始說這些了。人們非常猶豫，我能理解，因為這是一個如此新的事物，人類的思維無法理解這種指數級的進步。

很多人用GPT-4.0是一年半前的事，在AI的世界裡那是很久以前了，他們說「它產生太多幻覺，回答得不夠好」。其實GPT-5.4和5.5之間的差距就已經天壤之別了。如果你持續實驗，並且相信它會越來越好……

我現在連在我研究了30年的領域，都信任AI模型給出的答案。最近GPT-5.5 Pro給了我一份報告，我幾乎哭了——這怎麼可能？GPT-5和Pro版、5.4，對知識的理解和模式識別已經非常出色，但5.5做到的事情，幾乎像是它擁有了我在實驗室工作30年的同等經驗。因為有些東西是直覺，不在文獻裡，你就是知道——比如我會和學生打賭說「做這個實驗，我賭它會這樣發展」，他們有時候會和我打賭，然後百分之百輸掉，因為那是從大量積累中磨練出來的直覺。

而5.5做到的事情，是預測了一個我們做過的極其複雜的實驗的結果，準確率達到了100%，這令人難以置信。

科學2.0：AI驅動的未來科研範式

Romain： 如果這種進步的速度持續下去，幾年後你的日常工作會是什麼樣子？對你周圍的研究者來說，什麼會發生根本性的改變？

Derya： 我所說的一些事情可能聽起來很激進。但會有一場徹底的根本性轉變——我稱之為科學2.0或3.0。我們做科學的方式將徹底改變。

以前的那種模式——花幾週時間想出一個想法、設計實驗、再花幾個月分析數據——那個時代已經過去了。學生和科學家們必須認識到，我們處在一個極度加速的時間尺度上。未來做科學的方式，是一群AI智能體幫你提出假設，它們已經能夠提出假設，因為可以產生的想法數量幾乎是無窮無盡的。然後AI會幫你模擬實驗——我可以做1000個實驗，但哪個會成功我不知道，如果AI能告訴我這類實驗更有可能成功，原因是什麼，我就可以專注於那個，成功率會大幅提升。數據出來之後，立刻傳給其他AI智能體，它們馬上分析，回饋給總控智能體，總控再提出新的假設，設計新的實驗。

我想我的角色將變成只需要告訴智能體們：我想攻克肺癌，去研究這個方向，去探索。然後還是需要有人做實驗，但我認為實驗室也會自動化，這已經開始發生了，會有很多機器人做大量的實驗。當人們問「那我還有工作嗎？」——這裡有一個傑文斯悖論：如果我們能做這麼多，我們就能做更多。生物學方面，我們目前只了解大約10%，想像一下我們能以多快的速度學習剩餘的90%。有了那種能力，就像我現在在構建應用一樣，我將能夠構建新的細胞類型、新的組織。會有數以千計的生物工程師坐在電腦前模擬和構建，這將從根本上改變不只是生物學，還有物理、材料科學、化學——藥物發現方面，過去需要幾年才能完成的工作，現在幾個小時就能做到。臨床試驗、醫生診治患者，整個鏈條都將改變和加速。

給所有領域的人的建議

Romain： 對於不在科學領域的人，結合你的經歷，你會給他們什麼建議？關於如何重新思考自己的領域和工作？

Derya： 我有一個優勢——我的工作本質上就是持續做實驗，而且極其痛苦，因為在生物學裡，95%到98%的實驗都會失敗。所以我非常習慣失敗，這就是為什麼它叫「實驗」——你要不斷嘗試，不斷調整。你會培養出一種韌性、自主性和好奇心，就是去試一試的衝動。這也是為什麼我對Codex如此興奮——當然，我展示給你的是那些成功的東西，之前有很多失敗，很多應用做出來效果不好，但你應該放棄。

我對大家的建議是：在AI時代，真正重要的只有自主性和好奇心。不要害怕，持續嘗試，持續用AI做實驗。問那個「如果我這樣做會怎樣」的問題，因為你現在可以問這個問題了——以前這樣做的成本太高了。

比如你公司的網站，可能花了幾千美元製作，不夠完美，但你說「好吧，將就吧」。現在你可以說「如果我這樣改一下會怎樣」，幾分鐘後你就有一個新網站，或者你可以設計一個新產品並3D列印出來。

我認為這可以應用於所有事情，但你必須有勇氣去實驗，因為實驗的成本現在非常低——何必不去做呢？不要只把這當成日常的小事，你可以真的把它延伸到生活中幾乎任何方面，你只需要擁抱它，把AI看作一件極其積極的事情。

我看到很多負面的聲音——「AI會做這個」「AI會做那個」。我的看法恰恰相反，它會真正讓我們進入一個黃金時代。AI研究者們對我來說都是英雄，因為這將是人類最偉大的變革。我為未來感到無比興奮。

Romain： 非常感謝你，Derya，這是一個精彩的結語，充滿正能量。我們迫不及待地想看你接下來會做什麼，如何進一步推進Codex和前沿模型的應用，把這些領域融合在一起，推進數位孿生的願景。

Derya： 非常樂意下次再來做一期節目，幾個月後歡迎我回來，看看又取得了多少進展。在此之前，祝你在加利福尼亞玩得開心，非常感謝。

風險提示及免責條款

        市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。