AI 良率只有 5%？企業導入 AI 前該懂的真相

最近有個新聞在工程師圈流傳：史丹佛團隊訓練一個基因組語言模型，讓它學DNA的排列規則，然後生出300多個病毒設計，合成出來測試，16個真的能感染細菌，其中幾隻還打得贏已經有抗藥性的菌株。良率5%。

這數字丟給生技背景的人聽，會嚇一跳。丟給寫程式的人聽，大概只會聳肩：這不就是我們每天在做的事嗎？生一批候選，跑測試，留下能編譯、能通過的那幾個。差別只在於這裡的產出物會自己複製，出包的成本不是重跑一次CI，是真的會咬人。

良率5%為什麼還算成功

重點不是AI一次就寫出完美答案，而是它把「找到有用結果」這件事的成本壓到很低。以前要找一隻能殺特定細菌的東西，得去汙水裡撈，運氣不好撈一年都空手。現在直接生300個候選，篩出16個，時間和人力成本完全不是同個量級。

很多企業導入AI時犯的第一個錯，就是拿「一次到位」的標準去驗收。業務端期待AI客服第一句話就講對，期待AI生成的報表零錯誤，期待模型上線就能取代整組人力。這種期待本身就搞錯AI真正的價值位置。AI的價值不在單次輸出的完美度，在於它把試錯的迴圈縮短、成本壓低。

護欄該放在哪裡

這次事件另一個值得看的地方是，訓練時團隊已經把人類病原體資料整包抽掉，理論上模型咬不了人。但生物安全學者還是跳出來要求立法，理由很直接：模型有沒有被訓練成危險版本，外人根本看不到；真正能擋住風險的，是願不願意把DNA合成出來的那家廠商。

換到企業場景，這句話翻譯過來就是：管制點不在prompt那一層，在資料進來的那一關，和結果送出去的那一關。我們在幫企業做AI整合的時候，常常發現客戶把力氣全花在「調prompt調到AI講話得體」，卻沒人去管這幾件事：

• 模型能存取的資料範圍有沒有邊界，敏感資料是不是真的被隔離
• AI生成的內容送出前，有沒有人工或規則做二次把關
• 出錯之後的補救流程存在不存在，還是等出事才現場想辦法
• 誰有權限修改AI的判斷邏輯，這件事有沒有留紀錄

AI不會因為你把prompt寫得漂亮就變安全，安全是靠流程設計出來的，不是靠拜託模型出來的。

從實驗室到辦公室，邏輯是一樣的

抗生素失效那天遲早會來，到時候能救命的可能就是這種AI設計出來的東西。同一把鑰匙，看誰先走到門口，決定它是拿來開鎖還是拿來撬門。企業導入AI也是同一個邏輯：技術本身沒有立場，能不能用得穩，看的是你有沒有把資料、流程、驗證這三件事先搭好架子。