原書用 AlphaFold 說明深度學習如何處理長期困難的科學問題。
能分析 AI 的科學創新、資料訓練、協作與真實應用價值。
DeepMind 的 AlphaFold 以已知蛋白質結構的大型資料集訓練深度學習模型，用來預測蛋白質形狀。
| 面向 | 原書內容 |
|---|---|
| 問題 | 蛋白質摺疊／結構預測 |
| 方法 | 以大量已知蛋白質結構資料訓練深度學習模型 |
| 應用 | 藥物發現、生物學、醫學研究 |
| 協作 | 與科學社群分享研究成果與工具 |
從模型能力、資料基礎、研究共享與 downstream application 四個角度分析。
原書本案例沒有提供可重算的準確率或時間縮短數字，因此不補造量化結果。
AlphaFold 的案例強調：AI 價值不一定直接表現在營收，也可能透過科學突破、研究加速與知識共享形成影響。
根據原書案例，說明 AlphaFold 的成功因素與可驗證的研究價值，並列出若要做正式成效評估還需要哪些量化資料。
問題： 高預測準確度是否代表研究者可以省略實驗驗證？
參考解答： 不代表；模型預測可縮小搜尋範圍與加速研究，但重要科學結論仍需實驗或其他獨立證據驗證。