◆ 趙建民／川習用台安全換經濟利益？
◆ 潘襎／文明發展的永恆月光
◆ 李英明／怪圈：用AI治理AI
◆ 丁予嘉／旅遊是最溫柔的「不打」
◆ 陳立恆／請孔子來教AI做「人」
◆ 林一平／AI的厚黑學
杜紫宸／AI 時代 科研法人需制度改革
2026-09-27 00:00 聯合報／ 杜紫宸（作者為工研院前資深正研究員）
過去四十年，「產業技術研究法人」一度是國家創新系統的特色與要角；政府每年編列百億科技預算，法人將實驗室成果轉化為可移轉的技術、專利與人才，再由產業接手量產。這套分工曾讓資源有限的台灣快速追上部分國際技術前沿，支撐產業從代工走向自主研發的關鍵轉型。然令人憂心的是，面對 AI 對科技研發帶來的衝擊，這些「居功厥偉」的研究法人，是否已開始認真推動改革？
民國一一二年（二○二三年），谷歌 DeepMind 利用深度學習，預測約二二○萬種晶體結構，其中近四十萬種被判定具穩定性、值得合成驗證；美國能源部國家實驗室也推動「自動化實驗室」，由 AI 提出配方、機器人執行合成測試，再將結果回傳模型，選擇下一輪實驗，形成反覆迭代的閉環。關鍵不是模型算得快，而是模型、資料庫與實驗驗證能否連成一條流程。
人工智慧時代的科研機構改革核心，是如何運用AI 協助提出問題、累積知識、配置資源與承擔風險。GPU 可以採購、模型可以租用、課程可以開設，但若審查、預算、升遷制度不變 AI 只會讓機構更快完成舊流程，卻未必能更快找到新答案。研究法人需要的不是另設AI 部門，而是改革制度，讓AI 進入問題定義、專利搜尋、模擬、實驗設計及結果分析。
德國 Fraunhofer、荷蘭 TNO 等大型研究機構，已將AI 視為跨領域共用能力，強調資料治理、研究員和資料科學家的混合團隊；日本「理化學研究所」則把模型開發與大型研究設施結合。這些作法指向同一概念，亦即，機構競爭力不再取決於博士、專利或 GPU 的數量，而在能否把人、模型、資料、設備等組成一個共同學習系統。
第二個關鍵，是把「研究記憶」變成可用資產。機構最珍貴的往往不是最後的報告，而是那些未曾發表的過程：哪種材料試過卻失敗、哪個參數造成異常、某條路線為何被放棄。若這些只留在個人電腦或退休人員的記憶裡，下一個計畫仍得從頭摸索。
美國「國家航空暨太空總署」與「國家標準暨技術研究院」等機構，長期要求實驗條件與版本紀錄可追溯；歐盟 FAIR 原則也要求資料可尋找、可取得、可互通、可重複使用。
對研究法人而言，這不只是把資料上雲端，還要把成敗經驗與判斷理由整理成AI 能讀取的記憶，讓新計畫不必反覆支付同一筆試錯成本。
第三個關鍵，是治理要從「專案管理」走向「任務組合管理」。傳統計畫常在核定時即鎖定三年內容與路線，AI 模型與市場需求卻可能於半年內丕變；若仍以「是否照表操課」為考核標準，團隊即使發現路線已無價值，卻也缺乏轉向誘因。英國「研究與創新署」近年採任務導向與分階段資助，先界定要解決的問題，再讓不同路線競爭；美國「國防高等研究計畫署」則以里程碑檢驗技術，未達目標即調整或終止。並非鼓勵失敗，但要及早辨識無效路線，把資源轉向更有希望的方案。
人工智慧時代最大的落差，未必是誰先買到最強的晶片，關鍵是誰先把制度改造成會學習的組織。僅增加AI 經費，得到的可能只是「更快的舊科研」；真正的改革，應使每次實驗都留下記憶，讓每個計畫都能依證據調整，讓AI 成為研究夥伴而非工具。如此，台灣才可能把產業厚度，轉化為下一輪科技競爭中最難複製的優勢。
