一隻叫 Rosie 的狗，改變了我對 AI 的理解

最近看到一個故事，讓我重新思考 AI 到底最大的價值在哪裡。

Paul Conyngham 是一個澳洲的科技創業家，電機與計算工程背景，做了 17 年的機器學習跟數據科學。2019 年他領養了一隻叫 Rosie 的混種狗。2024 年，Rosie 確診肥大細胞癌（mast cell cancer）——這是狗最常見的皮膚癌。

手術做了，化療做了，免疫治療也做了。 全部失敗。 獸醫跟他說：Rosie 大概剩 1 到 6 個月。

然後 Paul 做了一件事。

他打開 ChatGPT。

他不是醫生，但他做到了醫生做不到的事

Paul 用 ChatGPT 做了什麼？他不是問「怎麼治癌症」這種一般性的問題。他把它當成一個研究助手，持續地迭代治療策略、分析疫苗設計方案。

ChatGPT 建議他聯繫 UNSW（新南威爾斯大學）的 Ramaciotti Centre for Genomics。他花了 3,000 美元做了 Rosie 腫瘤的 DNA 定序。

然後他用 Google DeepMind 的 AlphaFold，建模了一個叫 c-KIT 的蛋白質——這是驅動肥大細胞癌的突變蛋白——的 3D 結構。再用自己寫的 ML 演算法篩選出最可能觸發免疫反應的新抗原（neoantigen）。

最後他設計出一段 mRNA 序列，交給 UNSW RNA Institute 的主任 Pall Thordarson。

Thordarson 用了不到兩個月，就把這段序列做成了一支客製化的 mRNA 癌症疫苗。

2025 年 12 月，Rosie 打了第一針。 2026 年 2 月，追加劑。

結果？Rosie 後腿上網球大小的腫瘤，縮小了 75%。

她開始重新跳躍、在狗公園追兔子——這些行為在生病後就消失了。

UNSW 的計算生物學家 Martin Smith 看到結果的反應是：「Holy crap, it worked!」

這裡面最值得注意的一件事

我想先講清楚：Paul 不是醫生，不是生物學家，不是藥廠研發人員。

他是一個工程師。

但他做到了一件事——他用 AI 填補了他完全不具備的醫學知識和生物學知識。ChatGPT 幫他做研究策略，AlphaFold 幫他做蛋白質結構預測，然後他用自己擅長的 ML 來做抗原篩選。

他沒有「變成」一個醫學專家。 他是用 AI 把自己的短板補起來，然後用自己的長板（工程思維、系統整合能力、不放棄的執行力）去推動整件事。

UNSW 的結構生物學家 Kate Michie 說了一句很關鍵的話：

「令人鼓舞的是，一個非科學家能夠執行這樣的 pipeline。」

這句話的意思是——AI 正在讓「跨界」這件事變得可能。

AI 時代，投資報酬率最高的事情是什麼？

看完 Paul 的故事，我一直在想一個問題：

如果你有 100 小時可以投資在學習上，你應該花在哪裡？

直覺上，大部分人會說：讓自己的強項更強。 工程師學更深的技術，PM 學更多管理方法論，設計師精進更多視覺語言。

但我越來越覺得，在 AI 時代，答案可能相反。

投資報酬率最高的事情，是用 AI 填補你的短板。

原因很簡單。你的強項從 90 分提升到 95 分，邊際效益遞減，而且你大概率還是得靠自己的腦袋。但你的短板從 20 分提升到 60 分？AI 可以幫你做到，而且這個跨界能力帶來的是「從零到一」的突破。

Paul 的 ML 能力可能是 85 分，但他的生物醫學知識可能只有 10 分。AI 幫他把那個 10 分拉到了 50-60 分——足夠他設計出一個有效的 pipeline，然後跟真正的專家合作完成最後一哩路。

這不只是 Paul 的故事

我自己的經驗也是一樣的。

做 AI Coding 的時候，我最大的體會就是——AI 最有價值的地方不是幫資深工程師寫 code 更快（雖然它也能做到），而是讓一個不會寫 code 的 PM 能夠用 PRD 驅動整個開發流程。那個 PM 不需要「變成」工程師，他只需要用 AI 補足 coding 的短板，然後用他原本就擅長的需求理解和場景判斷來創造價值。

我們在做 FDE（Forward Deployed Engineer）也是一樣。進到客戶現場，很多時候面對的是完全不熟悉的領域——物流、金融、製造。以前你需要花兩三個月 onboarding 才能搞懂客戶的 domain knowledge。現在用 AI 做 RAG，三天就能掌握基本脈絡，然後用你原本的技術能力去解決問題。

AI 填補的不是你缺少的「知識」，而是你缺少的「能力維度」。

從個人到企業：短板填補的三個層次

第一層：個人短板

Paul 的故事。一個人用 AI 補足自己不具備的專業知識，做到以前不可能的事。

這在日常工作中已經在發生了。設計師用 AI 寫自動化腳本，業務用 AI 做數據分析，工程師用 AI 寫專業文件。每一個都是在填補短板。

第二層：團隊短板

一個三人的小團隊，以前可能需要五個不同專業的人才能覆蓋所有工作。現在三個人各自用 AI 補足彼此的短板，團隊的戰力可以等於以前的五人團隊。

我在 UMT 做 AI 轉型顧問的時候看到的就是這樣——不是要每個人都變成 AI 專家，而是每個人用 AI 把自己原本的工作做得更完整。

第三層：組織短板

企業最大的短板往往是跨部門的溝通成本。業務不懂技術，技術不懂業務。AI 可以當中間的翻譯層——把技術語言轉成業務語言，把業務需求轉成技術規格。這不是一個工具的問題，這是一個組織能力的升級。

坦白說

講了這麼多 AI 填補短板的好處，但誠實面對幾個事實：

第一，Paul 的案例是 n=1。 一隻狗的一顆腫瘤縮小了，但第二顆腫瘤沒反應。這不是臨床證據，不能說「AI 治好了癌症」。科學需要可重複性、對照組、統計顯著性。

第二，Paul 不是一般人。 他有 17 年的 ML 經驗，他知道怎麼用 AlphaFold，他能自己寫 neoantigen 篩選演算法。這不是一個「任何人都能做到」的故事。

第三，沒有 UNSW 的專家團隊，這件事做不成。 Pall Thordarson 是奈米醫學的先驅，Rachel Allavena 是獸醫腫瘤學家。AI 幫 Paul 設計了 pipeline，但最後的執行還是需要真正的專家。

第四，這不便宜。 DNA 定序 3,000 美元，mRNA 疫苗的生產成本可能超過 10 萬美元。這不是一個民主化的解決方案，至少現在還不是。

所以更精確地說：AI 填補短板的前提，是你的長板足夠長，而且你願意投入足夠的資源和努力。 AI 不是魔法棒，它是一個倍增器——但如果你的基數是零，零乘以任何東西還是零。

一個簡單的框架：找到你的「Paul 時刻」

如果你現在想要開始用 AI 填補短板，建議從這三步開始：

1. 辨識你的短板在哪裡。 不是你「不喜歡」的事情，而是你「做不到但如果做到了會有巨大價值」的事情。Paul 的短板是生物醫學——如果他能突破這個短板，他的狗就有機會活下來。

2. 找到 AI 可以介入的點。 不是所有短板都適合用 AI 補。適合的通常是：需要大量資訊處理、需要跨領域知識整合、需要快速迭代的場景。

3. 保持你的長板在決策位置。 Paul 用 AI 做研究和設計，但最終的判斷——哪個抗原最有可能有效、要不要繼續推進——還是他自己做的。AI 填補短板，人做判斷。這個分工不能反過來。

結語

Paul Conyngham 的故事，不是一個「AI 治好癌症」的故事。

它是一個「一個人用 AI 做到了以前完全不可能做到的事情」的故事。

而這個故事最重要的啟示不是 AI 有多厲害，而是——

在 AI 時代，你不需要什麼都會。你需要的是知道自己不會什麼，然後知道 AI 可以幫你補到什麼程度。

填補短板的投資報酬率，比強化長板高太多了。

這可能是我們這個時代最重要的個人策略。

參考資料