人工智慧正同時改寫生物科學與人文研究的邊界。隨著 AI 在蛋白質結構預測與疾病生物學分析上的成果快速累積，學界也開始嘗試把同樣的模式辨識能力帶進歷史研究之中，探索人類文明是否存在可被資料化、可被演算的深層規律。
在生命科學領域，AI 已展現出強大的解碼能力。以 DeepMind 的 AlphaFold 為例，這套系統能根據胺基酸序列預測蛋白質結構，如今已被全球近 190 個國家的數百萬名研究人員使用。相關研究不僅加深了對心臟病機制的理解，也讓利用單細胞資料分析疾病生物學的 AI 模型持續進展，朝向更精準的藥物設計與更低的研發成本前進。
圍繞蛋白質設計的最新觀點更進一步指出，人體的蛋白質體本身就像一段可被讀寫的程式碼。包括 AlphaFold 與蛋白質生成模型在內的技術，已能幫助研究人員從「蛋白質應該做什麼功能」反推結構與序列，甚至設計出自然界不存在的蛋白質。DeepMind 創辦人之一、2024 年諾貝爾化學獎得主也被提及，相關敘述顯示生成式 AI 正成為下一代蛋白質設計的核心技術，未來可望延伸至新藥開發、化學製程與回收等領域。
同一波資料與模型化思維，也開始滲入歷史研究。美國生物學家彼得·圖爾欽（Peter Turchin）在 1990 年代末提出「克里歐動力學」概念，主張透過資料分析預測社會走勢，並在 2010 年曾預告美國可能自 2020 年起面臨經濟、社會與政治不穩定。他的研究以工資下滑、貧富差距擴大、精英過度生產與國家能力薄弱等因素，解釋多起歷史危機的循環性，並在 2011 年建立 Seshat 全球歷史資料庫，之後又於 2020 年推出 CrisisDB，以便辨識戰爭、革命與崩潰背後的深層原因。
這種做法也正在改變歷史研究的工作方式。資料輸入、編碼審核與專家把關，形成了一套分工明確的研究流程，與企業裡逐步部署的 AI 團隊頗為相似。當機器已能閱讀、翻譯、計算、寫作甚至解題，關於「思考」是否仍屬人類獨有的問題，也再次被推上檯面。
- AI And The Search For History’s Hidden Laws
- The Human Proteome Is Code. AI Is Learning to Write It.
- Nobel Laureate Baker: “AI Can Create Proteins Not Found in Nature"
（首圖來源：shutterstock）
科技新報粉絲團
加入好友
訂閱免費電子報
