# 策展 · X (Twitter) 🔥🔥🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：OpenAI Developers (@OpenAIDevs) · 平台：X (Twitter) · 日期：2026-07-07

> 原始來源：https://x.com/OpenAIDevs/status/2074222353127801199

## 中文摘要

The Jackson Laboratory 免疫學教授 Derya Unutmaz 用 Codex 親手寫了一整套生物醫學應用程式：從分析流式細胞術數據、模擬 T 細胞受體訊號，到設計 CRISPR 基因編輯，全部他自己一個人做出來，而他不是軟體工程師。

<video src="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1783395202559-wfxf66oz.mp4" poster="https://pub-75d4fe1e4e80421b9ecb1245a7ae0d1a.r2.dev/curated/1d3784574f52faa2.jpg" controls playsinline preload="metadata" style="max-width:100%;height:auto;display:block;margin:1rem 0"></video>

這段對談來自 OpenAI 的《Builders Unscripted》第五集，由開發者體驗負責人 Romain Huet 訪問 Derya Unutmaz。Derya 是醫學背景出身的生物醫學工程師，研究免疫細胞已經 30 年。他自陳「我不是軟體工程師，如果要我寫程式，大概花一個月只能寫出一個貪食蛇遊戲」——但影片裡他展示的每一款應用程式，都是 100% 用 Codex 寫出來的。他形容自己是「Codex 成癮者」：早上起床第一件事是煮咖啡，第二件事就是看 Codex 昨晚幫他跑了什麼，「過去幾個月我沒睡多少覺，因為 Codex 太迷人了」。

Derya 從醫學院畢業時就意識到生物系統的複雜——「有數兆個組成部分、數十億個反應同時進行」——並在 90 年代初開始對用 AI 建模產生興趣。真正的轉捩點是 2024 年 9 月：OpenAI 找上長期在 X 上談 AI 的他試用第一個推理模型 o1-preview。他丟了一個把「大逃殺遊戲」和免疫系統對抗腫瘤類比的複雜免疫學問題，得到的回應「幾乎讓我落淚」。從此他把日常研究愈綁愈深地建在 OpenAI 的模型上。

**他親手用 Codex 打造的研究工具**

- **FlowSpace**：分析流式細胞術（flow cytometry）數據的應用。流式細胞術是免疫學家「觀察細胞世界的窗戶」——用螢光標記把細胞打上記號、通過雷射，逐一辨識數千到數十萬顆細胞的類型。傳統上要靠用了幾十年的專業軟體處理。Derya 說他失敗了很多次，直到 GPT-5.5 版本才做出完全能用的版本。畫面顯示載入的一個樣本檔約有 108,794 個事件、45 個參數；他可以選細胞類型（例如 CD4、CD8、初始 T 細胞、中央記憶細胞、Th17）、設定門控（gating）算出各群百分比、切換輪廓圖（contour）等不同呈現方式。他特別驚訝約 10 萬個事件還能跑得這麼快，「我沒想到它會被這樣最佳化」。這套工具幫他快速開發免疫學所謂的「面板」（panels）。

- **TCR Signaling Cascade Simulator**：模擬 T 細胞受體（T-cell receptor）訊號傳導的工具。Derya 解釋，這個受體極其複雜，它接收到的分子親和力與訊號強度會決定「你是生還是死」——訊號可能清除腫瘤、殺死病毒感染的細胞，也可能造成自體免疫、甚至傷害過大而致命。工具裡可以調整配體品質（ligand quality）與劑量（dose），畫面顯示的一組設定為 ligand quality 5.4、dose 6.4、receptor occupancy 62%，按下「Run」後模擬會告訴他哪些分子被啟用、哪些沒有，甚至畫出轉錄因子的磷酸化模式；他也能施加抑制性分子（例如調整 CTLA-4 壓力）觀察某條路徑如何被切斷。

- **GlaCrispr**：基因編輯設計工具。CRISPR 可以鎖定任何基因、修正突變、刪除或過度表現基因，但難處在於一個基因可能有兩千個核苷酸，要瞄準哪一段得靠運算。這款應用可以選任一基因（例如位於 T 細胞表面的 CD4），立刻從 NCBI 資料庫抓序列、列出所有 20–22 個核苷酸的候選 guide 並排名，告訴他哪一段比較好。他挑好後就能複製、交給線上公司合成寄回做實驗。它還有別的工具沒有的功能：批次「設計程式庫」（Library Design），一次輸入多個基因名稱、點一下就生成不同的 CRISPR 分子；畫面顯示一次可設計到 4,538 條 guide（Human、CRISPRa 模式、每個基因 4 條）。這是用 Swift 寫的原生 macOS 應用，他還打算做 iPad 版好帶進實驗室。

**從一張圖片長出一個互動網站**

Derya 另一個他很喜歡的例子，展示了跨模型工作流。他先用 OpenAI 的 Image 2 影像生成，把一份發表在《Nature》期刊上的免疫圖譜做成一張「《Nature》封面」（純屬好玩），生成的圖裡是他研究了 30 年的各種免疫細胞。接著他把這張圖丟進 Codex，只下了一句 prompt：「我希望你理解這張圖片，並建立一個互動式模擬器網站。」Codex 就做出了帶動畫、可點擊的網站（畫面上是名為「T Cell Differentiation Atlas」的頁面）：點細胞會顯示這是記憶細胞還是效應細胞、給出各種資訊；他還能阻斷在癌症治療中關鍵的 PD-1 分子——這類「檢查點抑制劑」（checkpoint inhibitor）能治癒不少癌症——甚至依年齡改變免疫細胞的行為。「這一切都始於一張圖片」，他說這也是絕佳的教育工具：想深入任何主題，現在不只能生成圖，還能生成模擬器。

**數位孿生：他口中的「科學 2.0」**

Derya 最想用 AI 做的事是模擬生物系統。他打比方：造飛機不會把零件湊起來就期待它能飛，而是先做模擬；但面對生物這種極度複雜的系統，過去我們沒有這種能力。他的目標是有朝一日能建出「虛擬細胞」（virtual cells），進而模擬組織、乃至一個完整的人——他稱為「數位孿生」（digital twin）。他也期待未來有一個「生物學的 Codex」，讓人能像寫程式一樣直接「編程」細胞。

他描繪的數位孿生指一個人完整的生物系統：免疫系統、代謝物、腸道裡數以兆計的細菌、荷爾蒙、加上遺傳與環境。他認為若 AI 能結合你的基因組、代謝物、蛋白質與免疫系統完整模擬個人生物學，醫療就能真正個人化——「你要治療的是病人，不是疾病」。他舉他汀類藥物為例：數百萬人服用，卻只對其中一小部分有效。他的願景是藥物趨近 100% 有效、0% 副作用，而臨床試驗會從五到十年壓縮到五到十天，「AI 字面上會替你跑臨床試驗」。他甚至預言未來十年左右人類能治癒所有疾病、15 年內能逆轉衰老、活到數百歲；但也坦承這假設運算能力會大幅成長——「把全世界的運算加起來，都還不足以模擬有數兆組件的生物系統」。

在癌症上，他認為腫瘤學是目前最接近個人化的領域：同一種癌症有許多不同突變，肺癌患者第一步就是為突變基因定序，某款藥可能只對 1% 的肺癌有效、對其餘 99% 無效。他提到一個極端的個人化案例：澳洲一位電腦科學家用 ChatGPT 和 Grok，替他自己的狗做出一支專門針對那隻狗癌症突變的 RNA 疫苗。他預期科學方法本身會被重寫——他稱之為「科學 2.0 或 3.0」：一群 AI agent 提出假設、模擬實驗、把最可能成功的十個實驗篩出來讓人類聚焦，實驗室則交給機器人自動化。他引用傑文斯悖論（Jevons paradox）反駁「AI 會搶工作」的憂慮：能做的事變多，要做的事只會更多，何況「我們只了解大約 10% 的生物學」。

**失敗，然後不放棄**

Derya 反覆強調韌性。「特別是在生物學，95% 到 98% 的實驗都會失敗，所以我很習慣失敗——這就是為什麼它叫『實驗』。」他說影片裡展示的是成功的成品，但背後有很多失敗：許多應用做出來效果不好、不如預期，「但你不該放棄」。他也講了一個讓他印象深刻的時刻：最近 GPT-5.5 Pro 給他的一份報告讓他「差點落淚」，因為那個模型「幾乎像是擁有我在實驗室工作 30 年的經驗」——它預測了一個他們實際做過、非常複雜的實驗結果，準確到 100%。他形容那是一種通常只有資深研究者才有的直覺，「文獻裡沒有，你就是知道」。

他給非科學領域者的建議是：在 AI 時代，真正重要的只有「主動去做」（agency）和好奇心。以前問「如果我這樣改會怎樣」代價太高，一個公司網站花了幾千美元做出來、不完美也懶得動；現在幾分鐘就能生出新網站、新產品，甚至設計完直接 3D 列印。「實驗的成本這麼低，你為什麼不試？」他說自己看到很多對 AI 的負面情緒，但他相信恰恰相反：AI 會真正增強人類、帶來一個黃金時代，而 AI 研究者「在我眼中都是英雄，因為這將是人類史上最偉大的轉型」。

## 媒體內容

**影片中的 Prompt 與操作**

Prompt（27:14）：

```
根據這個圖譜，幫我製作一張《Nature》雜誌的封面，純屬娛樂。
```

原文：Create me a cover page of Nature, just for fun, based on this atlas.

Prompt（29:07）：

```
我希望你理解這張圖片並建立一個互動式模擬器網站。
```

原文：I want you to understand this image and create an interactive simulator website.

操作步驟：

1. （15:47）講者在 FlowSpace 中選擇不同的抗體標記（如 CD3, CD4, CD8 等）。
2. （17:04）講者在 FlowSpace 中設定門控（Gating）以分析細胞群體。
3. （17:21）講者在 FlowSpace 中切換不同的圖表顯示模式（如 Contour, Density）。
4. （23:58）講者在 TCR Signaling Cascade Simulator 中點擊「Run」按鈕執行模擬。
5. （24:17）講者在 TCR Signaling Cascade Simulator 中調整 CTLA-4 壓力設定。
6. （25:05）講者在 TCR Signaling Cascade Simulator 中再次點擊「Run」按鈕。
7. （34:08）講者在 GlaCrispr 中點擊「Design Library」按鈕。

**逐字稿**

- `00:10` Derya，非常感謝妳來到這裡。（Derya, thank you so much for being here.）
- `00:12` 謝謝，我感到非常興奮。（Thank you. I'm very excited.）
- `00:14` 同樣地，我也很高興能邀請到妳，因為妳顯然是一位非常獨特的開發者，（Likewise, very excited to have you because you're obviously a very unique kind of builder,）
- `00:20` 與我們平時交流的開發者很不一樣。（quite unlike the builders we usually talk to.）
- `00:23` 妳有醫學背景，同時也投身於生物科學與生物工程領域，（You have a medical background, but you're also working in bioscience, bioengineering,）
- `00:30` 而且妳推動人工智慧的方式與大多數開發者不同，（and you're pushing AI in a way that most builders don't,）
- `00:36` 妳帶著在眾多領域中深厚的專業知識投入其中，（coming at it with this real depth that you have in so many topics,）
- `00:39` 像是從生物學到癌症研究，再到免疫學。（like from biology to cancer to immunology.）
- `00:43` 所以我非常期待深入探討。（So very excited to dive in.）
- `00:45` 謝謝，非常感謝。（Thank you. Thank you very much.）
- `00:46` 或許先從第一個問題開始，如果我們回顧過去，妳是什麼時候意識到生物學與科學將需要人工智慧的？（Maybe the first question, if we rewind, when did you first realize that biology and science were going to need AI?）
- `00:55` 是的，我想那是在我醫學院畢業後，當時我意識到了生物系統的複雜性。（Yeah, I think that was right after I graduated from medical school when I realized the complexity of the biological system.）
- `01:03` 事實上，畢業後我進入了生物醫學研究領域，因為我真的很想理解生物學。（In fact, after I graduated, I went into biomedical research because I really wanted to understand the biology.）
- `01:10` 當時我發現，由於複雜性的緣故，我們無法治療許多疾病。（And I saw that, you know, at the time, we couldn't treat a lot of diseases and because of the complexity.）
- `01:17` 隨著我越深入研究層面，我越意識到，天啊，這真是太不可思議了。（And then more I went into the research aspect of it, the more I realized, oh, my God, this is this is incredible.）
- `01:24` 我們該如何解決這個問題呢？（How are we going to solve this?）
- `01:26` 生物系統中有數兆個不同的組成部分，並且發生著數十億次的反應。（There are trillions of different parts in biological systems and billions of reactions that are happening.）
- `01:33` 這看起來實在太令人不知所措了。（And it just seemed so overwhelming.）
- `01:36` 也就是在那時，我對人工智慧產生了興趣，那是在 90 年代初期。（And that's when I got interested in AI, artificial intelligence, early 90s.）
- `01:41` 後來我意識到，也許有一天，我們真的可以利用人工智慧建立模型，並在 90 年代對嘗試用人工智慧進行程式撰寫產生了極大的興趣。（Then I realized maybe someday, you know, we could actually build models using AI and got very interested in trying to code with AI during 90s.）
- `01:52` 當然，快轉到深度學習革命時期，我感到非常興奮，因為我第一次看到深度學習能夠以一種平行的方式處理如此龐大的資訊量。（And, of course, you know, fast forward with deep learning revolution, then I was so excited because for the first time I could see that deep learning is able to process this massive amount of information in a sort of a parallel fashion.）
- `02:08` 當然，還有 AlphaFold 以及後來的 ChatGPT。（And, of course, AlphaPold and then ChatGPT.）
- `02:11` 沒錯。（Yeah.）
- `02:11` 但最初的契機是在我完成醫學院學業的時候。（But the first moment was when I finished my medical school.）
- `02:15` 太驚人了。（Amazing.）
- `02:15` 自從 ChatGPT 發布以來，感覺妳一直非常活躍於我們的社群中，對吧？（And since that moment of launching ChatGPT, it feels like you've very much been in our community, right?）
- `02:20` 妳一直在測試各種模型。（You've been testing models.）
- `02:21` 我記得妳曾使用 o1-preview 做過一些研究。（I remember you doing some work with O1 Preview.）
- `02:24` 是的。（Yes.）
- `02:24` 當我們推出第一批推理模型時，妳第一次親手使用它們時的反應是什麼？（When we had the very first, like, reasoning models, like, what was the first, like, reaction when you started to have your hands on that?）
- `02:30` 我至今仍記憶猶新。（I still remember it.）
- `02:31` 那是 2024 年 9 月。（This was September 2024.）
- `02:34` 其實是 OpenAI 主動聯繫我，我想是因為我在 X（以前的 Twitter）上非常活躍，談論人工智慧以及它將如何改變人類。（Actually, OpenAI approached me, I guess, because I was very active on X or Twitter in the old days, you know, talking about AI, you know, how this was going to change humanity.）
- `02:48` 當時有很多人持懷疑態度，我想現在依然有，但我真心相信它，所以我全力投入了人工智慧領域。（You know, at the time, there were a lot of skeptical people, and I think there still are, but, you know, I truly believed in it and I went all in in AI.）
- `02:54` 我想 OpenAI 是希望我能試用他們的第一個推理模型，我還記得當時我問了它一個關於我專業領域——免疫學——的複雜問題。（I guess OpenAI was interested for me to try, I guess, the first reasoning model, and I still remember it when I gave it a very complex question on immunology in my topic.）
- `03:13` 關於那個問題，我甚至還記得當時的 prompt，我對遊戲、電子遊戲非常感興趣。（But the question, actually, I even remember the prompt, you know, I'm very interested in games, video games.）
- `03:21` 所以我喜歡將遊戲的概念跨領域應用到科學上，其中一個我會玩的遊戲是那種生存遊戲，妳被困在島上，然後進行戰鬥。（So, I like to sort of cross-virtualize games to science, and one of the games that I would play is, you know, this sort of like a survival game when you're in an island and, you know, you're fighting.）
- `03:35` 我就不說出那些公司的名字了，但妳明白是哪種類型的遊戲。（I won't give the names of the companies, but you understand the type of games.）
- `03:40` 所以，那是一種大逃殺類型的遊戲。（And so, it's kind of a battle royale games.）
- `03:43` 在某種程度上，免疫系統就像是針對腫瘤的一場大逃殺。（And, you know, in a way, the immune system is kind of like a battle royale against tumors.）
- `03:49` 我當時問它，如果妳想像大逃殺遊戲與免疫系統，妳會如何構思一個讓免疫細胞對抗癌症的場景？（And I said, you know, think of how would, if you just imagine battle royale games and the immune system, how would you develop a scenario where the immune cells would fight against cancer?）
- `04:05` 這完全是不同的領域。（It's a completely different field.）
- `04:06` 事實上，我們後來真的做了相關的實驗，而 o1-preview 給我的回應幾乎讓我感動落淚。（In fact, we actually did experiments related to that later on, and O1 Preview just gave me this response that almost made me emotional.）
- `04:16` 我當時心想，天啊。（I was like, oh, my God.）
- `04:18` 在那之前，GPT-4 之類的模型，並不會給出那種深刻且具洞察力的回應。（Before that, you know, GPT-540, you know, it wouldn't really give you that kind of a deep, insightful response.）
- `04:27` 是的，我依然記得那一天。（And, yeah, I still remember that day.）
- `04:30` 那是非常特別的時刻。（That was very special.）
- `04:32` 那是否就是妳認為「人工智慧對科學而言已不可或缺」的時刻？（Was that the moment, you'd say, where you thought, okay, like, AI is now inevitable for science?）
- `04:38` 絕對是。（Absolutely.）
- `04:39` 我的意思是，甚至在那之前，特別是在 GPT-4 出現後，它就已經非常實用了。（I mean, even before that, you know, especially after GPT-4 came out, you know, it was extremely useful.）
- `04:47` 我會告訴我的同事，你知道的，因為資訊量實在太大了，尤其是在生物學領域，你根本無法跟上。（I would tell my colleagues, you know, because there's so much information, especially in biology, you can't really keep up with it.）
- `04:54` 而且，你知道的，為了搜尋文獻並真正整合這些知識，當然，還有處理像寫推薦信這類瑣碎的事情。（And, you know, for searching literature and really synthesizing the knowledge, of course, you know, doing mundane things like, you know, writing your letters.）
- `05:04` 你知道，我寫了很多推薦信，以前需要花一小時的事情，現在只要五分鐘就能完成。（You know, I write a lot of letters of recommendation and things that we used to take an hour would take five minutes.）
- `05:10` 但當時還沒到你可以完全信任它，或是問它問題的程度，例如：某個實驗的結果會是什麼？（But it wasn't at the point where you could fully trust it or ask questions like, so what would be the outcome of an experiment, for example?）
- `05:20` 我認為 O1 preview 就是那個讓我意識到的時刻，當它開始進行推理時，你就能得到對科學極具參考價值的結果。（And I think O1 preview was that moment where I realized when it starts to reason, then you get things that's going to be extremely relevant for science.）
- `05:31` 當然，在那之後我們有了 Pro 版本和 O3，它們變得更強了，現在我們有了令人難以置信的模型。（Of course, after that, we had the pro version and O3, which got better, and now we have unbelievable models along.）
- `05:39` 而且，你知道，我可以談談我目前的體驗，它真的變得越來越好。（And that, you know, I can mention about my current experience, which is getting better and better.）
- `05:44` 是啊，我是說，也許談談當下，快轉到今天，我幾個月前讀到你發的推文，關於你的新日常，像是你現在開始一天的方式，首先是喝杯咖啡，但第二，Codex 必須為你做些什麼。（Yeah, I mean, like, maybe speaking of the current moment, like, fast forward to today, I read a couple months ago your tweet about your new routine where, like, you're going to start your days now with first a morning coffee, but second, kind of Codex has to be doing something for you.）
- `05:59` 沒錯，所以我可以稱自己為 Codex 成癮者。（Yes, so I can call myself a Codex addict.）
- `06:05` 我絕對是認證過的。（I'm definitely a certified one.）
- `06:07` 對，所以早上一醒來，因為 Codex 實現了這些可能，你知道，無論你想做個模擬，還是想開發某個應用程式，或是想做個遊戲，無論是什麼。（Yeah, so the first thing in the morning when I wake up, because what Codex enabled is, you know, there's all these ideas that, you know, whether you want to make a simulation, whether you want to make a certain app, or you want to make a game, or whatever it is.）
- `06:25` 因為，你知道，過去你必須懂得如何寫程式。（Because, you know, in the past, you had to know how to code.）
- `06:29` 即便你懂得寫程式，也要花上數週或數月才能完成。（Even if you knew how to code, it would take you weeks or months to do it.）
- `06:33` 但現在，你知道，我有很多點子，當我醒來喝杯咖啡時，我就會說，好吧，我得試試這個點子。（But now, you know, I get a lot of ideas, and the moment I wake up, get my coffee, say, okay, I've got to try this idea.）
- `06:43` 你知道，它會如何運作呢？（You know, how is it going to work out?）
- `06:44` 有時候，其實 Codex 會在夜間運作，所以我很想看看結果如何。（And sometimes, actually, Codex is working overnight, so I want to see what the results are.）
- `06:51` 因為這個原因，過去幾個月我沒怎麼睡覺。（And I haven't slept that much in the last couple of months because of that.）
- `06:56` 太迷人了。（Fascinating.）
- `06:57` 所以，是的，我愛死 Codex 了。（So, yeah, I love Codex.）
- `07:00` 我很好奇，對於像你這樣在免疫學、生態學、癌症、T 細胞領域有如此深厚造詣的人來說，你是如何運用 Codex 將這些領域連結起來，並對你的日常工作有所幫助的？（And I'm curious, like, for someone like you that has so much, like, real depth in, like, immunology, ecology, cancer, T-cells, like, how do you approach, like, using Codex to kind of bring these worlds together in a way that's also useful to your day-to-day?）
- `07:16` 對，對，我甚至可以展示具體的例子。（Yeah, yeah, I can even show specific examples.）
- `07:20` 我一直在嘗試開發一些應用程式，它們雖然不複雜，但對日常工作非常實用。（I've been trying to build, you know, some apps that are not very complex but extremely useful for day-to-day basis.）
- `07:30` 我有一堆這樣的例子。（I have a bunch of examples of that.）
- `07:32` 但同時，我們也非常依賴軟體進行分析。（But then also, we are very much dependent on software for analysis.）
- `07:37` 正如我所說，生物學非常複雜，無論是遺傳學方面。（As I said, biology is very complex, whether it's genetics.）
- `07:41` 在免疫學中，我們例如會進行大量稱為流式細胞術的分析。（In immunology, we, for example, do a lot of analysis called flow cytometry.）
- `07:47` 基本上，這就像我們觀察細胞世界的視窗，主要是免疫細胞，但你可以分析任何細胞。（Basically, this is, like, our window to the world of cells, mainly immune cells, but you can analyze any cells.）
- `07:54` 所以，我們有這些機器。（So, we have these machines.）
- `07:55` 裡面有一道大型雷射。（There's a big laser.）
- `07:57` 我們用特定的標記，即螢光標記來標記細胞，因為有數百種不同類型的細胞。（We label the cells with particular markers, fluorescent markers, because there's, like, hundreds of different types of cells.）
- `08:04` 那麼，你如何知道你的血液或組織中有哪些類型的細胞呢？（So, how do you know what type of cells there are in your blood, in your tissues?）
- `08:08` 所以，我們標記它們，讓它們通過這道雷射，雷射會分析數千個細胞，然後產生某種資料，告訴我這是一個能對抗癌症的免疫細胞。（So, we label them, we pass them through this laser, and the laser, you know, analyzes thousands of cells and then creates some sort of a data that will tell me this is an immune cell that can fight against cancer.）
- `08:21` 這一個可能會導致自體免疫，或者無論其功能是什麼。（This one can cause autoimmunity or whatever the function is.）
- `08:24` 但我們必須獲取這些資料並放入專業軟體中，處理那數千甚至有時是數十萬個資料點（個別細胞），軟體會將其轉化為圖表。（But we have to take that data and put it into specialized software, take all that thousands or sometimes hundreds of thousands of data points, individual cells, and the software will make that into a graph.）
- `08:39` 因此，你可以說，好吧，給我這些細胞的百分比，以及它們是如何連結到那裡的，諸如此類。（And so, you can say, okay, give me the percentage of these cells there, and how do they link to that, and so on.）
- `08:45` 所以，這是非常複雜的軟體，我們已經使用了幾十年了。（So, this is very sophisticated software, which we've been using for the last couple of decades.）
- `08:50` 而且，你知道，有一天我說，為什麼不自己做一個呢？（And, you know, one day I said, why not make one for myself?）
- `08:56` 這是一個瘋狂的想法，因為它非常複雜。（It was a crazy idea, because it's very complex.）
- `08:58` 事實上，我失敗了很多次。（In fact, I failed a lot.）
- `09:01` 我嘗試讓一些東西運作，但自從 5.5 版本以來，我現在已經有一個完全可運作的版本了。（I tried to make some things work, but since 5.5, now I have a completely working version of this.）
- `09:10` 那太驚人了。（That's amazing.）
- `09:11` 如果你筆電裡有東西可以展示的話，我很想看看。（I would love to see it if you have, like, things on your laptop to show me.）
- `09:14` 我可以展示其中一些例子給你。（I can show you some of these examples.）
- `09:18` 那麼，從這個開始。（So, start with this.）
- `09:20` 我有這個的不同版本，但我會展示其中一個應用程式。（I have different versions of this, but I'll show you one of these applications.）
- `09:25` 所以，基本上，我已經上傳了一個檔案，你可以看到這些是——其實，這些點中的每一個都是單一細胞。（So, basically, I already uploaded a file, and you can see that these are – actually, each of these dots is a single cell.）
- `09:34` 這些是螢光分子顏色，如果你想這麼稱呼的話。（And these are the fluorescent molecule colors, if you like.）
- `09:39` 所以，無論抗體帶有什麼螢光分子，它都會標記特定的細胞類型。（So, whatever the antibody has that fluorescent molecule, it will label a particular cell type.）
- `09:45` 而且，其實我可以在這裡選擇，好吧，幫我更改，因為你可以看到這些——所有這些都是以不同方式標記的不同抗體。（And, actually, I can choose here, okay, well, change me, because you can see these are – all of these are different antibodies that are labeled differently.）
- `09:53` 而且它非常複雜，因為有 20 種不同的分子，每一種都與受體結合，而且它們——（And it's very complex, because there's 20 different molecules, and each of them binding to a receptor, and they're –）
- `09:58` 對接到受體，它們的組合將會定義，會給你一個特定的子集（to a receptor, and their combination will define, will give you a particular subset of）
- `10:04` 細胞，這些細胞將僅由這些標記來定義。（cell that will be defined by those markers alone.）
- `10:07` 例如，我最喜歡的細胞是這些我們稱為 CD4 分子的 T 細胞，（For example, my favorite cells are these T cells that have what we call the CD4 molecule,）
- `10:15` 然後其中一些具有所謂的 CD8 分子。（and then some of them have what's called the CD8 molecule.）
- `10:18` 那些具有 CD8 的是殺手細胞。（The ones that have CD8 are killer cells.）
- `10:21` 它們會去殺死淋巴球。（They will go and kill the lymphocytes.）
- `10:23` 所以我可以在這裡設定閘門，我可以說，好吧，那麼 CD8 陽性或 CD4 陽性的細胞百分比是多少？（So I can put gates here, and I can say, okay, well, what's the percentage of cells that）
- `10:30` 所以它會建立各種統計分析。（are CD8 positive or CD4 positive?）
- `10:33` 但這實際上是非常複雜的軟體，因為我可以更改圖形的輪廓圖。（So it will create all kinds of statistic analysis.）
- `10:36` 這是另一種呈現方式。（But this is actually really complex software because I can change the contour plots of the）
- `10:42` 記住，這裡大約有 10 萬個事件，而且它執行得非常快，這真是不可思議（graphics.）
- `10:43` 因為我沒想到它會以這種方式進行最佳化。（It's a different kind of representation.）
- `10:45` 你是用 Claude Code 建立這一切的嗎？（Remember, there's like 100,000 events here, and it's doing so fast, which is incredible）
- `10:51` 100% 用 Claude Code，是的。（because I didn't think that it would be optimized this way.）
- `10:54` 我的意思是，這花了我一些時間，因為有些東西無法運作，但特別是在 5.5 版本中，我（And did you build all of this with Codex?）
- `10:56` 會說，好吧，我無法清楚地看到圖表，請修復它，並為我寫一個 prompt（100% with Codex, yeah.）
- `10:58` 來處理，它就會直接運作並完成，所以我製作了這個小應用程式，基本上，（I mean, it took me a while because some things wouldn't work, but especially with 5.5, I）
- `11:03` 你可以實際選擇你想要的細胞類型。（would say, okay, well, I can't see the graphs very well, and fix that, and write me a prompt）
- `11:09` 好的，所以我說，我想要一個原生 T 細胞，它會向我顯示我可以（for that, and it would just go and work and work, and so I made this little app, which）
- `11:14` 潛在選擇的所有標記，事實上，它甚至會向我顯示，例如，你知道，那些（basically, you can actually choose the cell type you want.）
- `11:17` 與該細胞類型相比，與另一種細胞類型更相關的標記。（Okay, so I say, I want a naive T cell, and it will show me all the markers that I can）
- `11:22` 這對於開發我們所謂的面板變得非常有用。（potentially choose, and in fact, it will even show me, for example, you know, the ones that）
- `11:27` 我正在尋找中央記憶、原生細胞、T 細胞和 TH17 細胞。（are more relevant for that cell type versus the other one.）
- `11:31` 好的，如果我選擇這些標記，那麼我就可以回頭進行我的流式細胞分析。（This becomes extremely useful for developing these, what we call panels.）
- `11:36` 這太神奇了。（I'm looking for the central memory, naive cell, and a T cell, and TH17 cells.）
- `11:41` 我的意思是，你顯然是受過專業訓練的工程師，但這肯定會花費你（Okay, if I choose these markers, then I can go back and do my flow analysis.）
- `11:46` 數週，甚至數個月的工作時間，才能建立這些應用程式，對吧？（That's amazing.）
- `11:47` 所以我不是軟體工程師，我是生物醫學工程師，所以我真的不會寫程式，我可能（I mean, you're obviously an engineer by training, but it would have taken you, I'm sure, weeks）
- `11:52` 可以寫一個貪食蛇遊戲，如果我花一個月時間來製作這些應用程式，那簡直就像是夢想一樣。（of work, if not months of work, to even build these apps, right?）
- `11:56` 所以，我的意思是，我製作這些小型的應用程式來幫助我的日常工作。（So I'm not a software engineer, I'm a biomedical engineer, so I can't really write, I could）
- `12:03` 這真是太不可思議了。（probably write a snake game if I worked for a month to make these apps would be kind of）
- `12:10` 關於 T 細胞，告訴我更多，你有沒有嘗試過使用更多模型來（like a dream.）
- `12:11` 幫助你的日常工作，使用 Claude Code 或是像 Imogen 這樣的工具？（So, I mean, I make these like little kind of apps that help on a daily basis.）
- `12:18` 有的。（That's pretty incredible.）
- `12:19` 所以，我非常熱衷的一件事，而且我認為當我說人工智慧將會對生物學產生巨大影響時，（And on T cells, like, tell me more, have you like, try to play with more models to kind）
- `12:24` 就是能夠模擬生物系統，因為它們太複雜了。（of help in your day-to-day work using Codex or even things like Imogen?）
- `12:28` 例如，如果你正在建造一架飛機，對吧？（Yeah.）
- `12:28` 你不會只是說，好吧，如果我把這些零件放在一起，我希望我會得到（So one of the things that I'm very passionate about, and I think when I say AI is going to）
- `12:34` 一架飛機。（make tremendous impact on especially biology, is to be able to simulate biological systems）
- `12:42` 你會進行模擬，對吧？（because they're so complex.）
- `12:44` 那麼對於任何複雜的事物，它將如何符合空氣動力學以及所有這些東西？（For example, if you're building an airplane, right?）
- `12:46` 但對於生物學，我們沒有這種能力，因為有太多的部分。（You don't just say, okay, if I put these parts together, I hope that I'm going to have）
- `12:51` 我的目標是在某個時候，我們將能夠建立所謂的虛擬細胞。（an airplane.）
- `12:52` 我們將能夠透過人工智慧模擬一個完整的免疫細胞，最終是組織，最終是（You do a simulation, right?）
- `12:54` 我所謂的數位孿生，就像一個完整的人類。（So how is it going to be aerodynamic and all that stuff for any kind of complex things?）
- `12:59` 我們將需要更多的運算能力，所以你們最好投資開發這些技術。（But for biology, we don't have that because there are so many parts.）
- `13:04` 我的目標是，在未來的某個時間點，我們將能夠建立所謂的虛擬細胞。（And my goal is that at some point, we'll be able to build what's called virtual cells.）
- `13:09` 我們將能透過人工智慧模擬出完整的免疫細胞，最終模擬出組織，甚至是（We will be able to mimic a complete and immune cell by AI and eventually tissues and eventually）
- `13:17` 我所稱的數位孿生，就像一個完整的人類個體。（what I call the digital twin, like a complete human being.）
- `13:21` 我們將需要更多的運算能力，所以你們最好投資開發這方面的技術。（We're going to need a lot more compute, so you guys better invest developing that.）
- `13:25` 我了解了。（Point taken.）
- `13:26` 好的。（Okay.）
- `13:26` 但首先，我是從像這樣的應用程式開始的。（But just to start, I began with an app like this.）
- `13:30` 這基本上是一個受體。（This is basically one receptor.）
- `13:33` 它被稱為 T 細胞受體。（It's called the T-cell receptor.）
- `13:34` 它位於這些免疫細胞（也就是我剛才展示給你看的 T 細胞）的表面。（That's on the top of these immune cells, the T-cells that I just showed you.）
- `13:38` 它是主要的受體。（And it's the main receptor.）
- `13:40` 但單一個受體就極其複雜。（But one receptor is extremely complex.）
- `13:43` 取決於它所見分子的親和力，以及它所見的其他訊號，（Depending on the affinity of the molecules it sees, depending on the other signals it sees,）
- `13:51` 這就是決策點。（that's the decider.）
- `13:52` 這有時會決定你是生還是死。（That will decide sometimes whether you're going to live or die.）
- `13:56` 因為訊號的強度可能意味著你會患上自體免疫疾病。（Because the strength of the signal could mean that you get autoimmune disease.）
- `14:00` 它可能意味著你能清除腫瘤。（It could mean that you can clear the tumors.）
- `14:03` 它可能意味著你會殺死受病毒感染的細胞。（It could mean that you kill the virally infected cells.）
- `14:06` 或者它可能意味著會造成過大的損害而導致你死亡。（Or it could mean it will cause too much damage and kill you.）
- `14:10` 所以決策點就在那裡。（So the decision point is there.）
- `14:12` 而且在該受體之下發生著非常複雜的事件。（And there's very complex events that happen underneath that receptor.）
- `14:18` 有著龐大的訊號傳導路徑。（There's huge signaling pathways.）
- `14:21` 所以我建立這個只是為了能夠進行模擬。（And so I built this just to be able to simulate.）
- `14:24` 例如，如果我只有 T 細胞受體，然後如果配體具有特定的品質，（For example, if I have only the T-cell receptor, and then if the ligand is a certain quality,）
- `14:31` 且劑量是這麼多，我實際上可以在這裡控制所有這些參數。（and the dose is this much, I can actually control all of that here.）
- `14:35` 然後我可以說，好的，幫我執行一次模擬。（And then I can say, okay, run me a simulation.）
- `14:38` 基於此，它會為我執行模擬。（Based on that, it will run me a simulation.）
- `14:41` 它會告訴我哪些分子會被啟用，哪些不會被啟用。（It will tell me what molecules are going to get activated, which ones will not get activated.）
- `14:47` 它甚至會向我展示所謂轉錄因子的磷酸化模式。（And it will even show me the phosphorylation patterns of what's called the transcription factors.）
- `14:53` 我可以說，好的，那如果我施加壓力，這裡有一個抑制性分子，（And I can say, okay, well, what if I just put a pressure, there's an inhibitory molecule,）
- `14:59` 然後我選擇不同的訊號，會發生什麼事？（and then I choose a different signal, what would happen?）
- `15:04` 然後它會向我展示，好的，這條路徑現在停止了。（And then it will show me, okay, well, okay, this pathway is stopped now.）
- `15:07` 所以你會得到不同類型的事件。（So you're going to get a different type of events.）
- `15:10` 基本上，你可以擴展這個功能。（And so basically, you can just expand this.）
- `15:12` 你可以說，好的，如果我放入一個會抑制該分子的小分子會怎樣？（You can say, okay, what if I just put a small molecule that will inhibit this molecule?）
- `15:17` 輸出結果會是什麼？（What will be the output?）
- `15:18` 然後如果我在這裡加入更多受體會怎樣？（And then what if I just add more receptors to here?）
- `15:22` 它們將如何彼此互動？（And how are they going to interact with each other?）
- `15:25` 我喜歡這一點，因為這不僅僅是視覺化資料集或是在資料集中搜尋。（I love that because it's not even just like visualizing data sets or like searching in data sets.）
- `15:30` 這就像是一個完整的應用程式，你建立它是為了在瀏覽器中識別每一個特定細胞和情境的輸入與輸出。（This is like a complete like application that you build to like identify the inputs and outputs）
- `15:35` 不可思議。（in the browser of every like particular like cell and scenario.）
- `15:40` 沒錯。（Incredible.）
- `15:40` 我是說，我們看到很多開發者顯然正在使用像 Codex 和 GPT 5.5 這樣的工具來構建網站、網頁應用程式、行動裝置應用程式。（Yeah.）
- `15:41` 但這對於生物學來說太複雜、太先進了。（I mean, we see so many builders who are obviously like using tools like Codex and GPT 5.5 to build like websites, web applications, mobile apps.）
- `15:49` 是的，這就是為什麼我喝完咖啡後會早起。（But this is like so intricate and so advanced for the biology.）
- `15:54` 我會說，好的，我要把這個加到這個模擬器中，看看會發生什麼。（Yeah, that's why I wake up early after coffee.）
- `15:57` 還有另一件事，這做起來很有趣，因為在 Image 2.0 發布後，我就愛上它了。（I say, okay, so I'm going to add this to this simulator, see what happens.）
- `16:01` 你知道，我可以製作極其複雜的圖像。（And so and then the other thing, which was kind of a fun thing to do, because after image 2.0 came out, I just fell in love with it.）
- `16:12` 例如這張圖，我想我也在 X 上分享過。（You know, I can make extremely complex images.）
- `16:16` 這是關於發表在《自然》期刊上的一份免疫圖譜。（For example, this image, I think I shared it on X as well.）
- `16:19` 這是世界上頂尖的期刊。（This was about an immune atlas that was published in this journal called Nature.）
- `16:26` 所以我基本上要求 Image 2 說，你知道，幫我製作一張《自然》期刊的封面，就為了好玩，基於這份圖譜。（It's the top journal in the world.）
- `16:29` 它製作了這張令人難以置信的圖像，你可以看到所有這些免疫細胞，都是我過去 30 年來實際研究過的。（And so I basically asked image 2, said, you know, create me a cover page of Nature just for fun based on this atlas.）
- `16:38` 它生成了這張令人難以置信的影像，你可以看到所有這些免疫細胞，這正是我過去 30 年來一直在研究的對象。（And it made this unbelievable image where you can see all these immune cells are the ones that I've actually worked for the past 30 years.）
- `16:46` 所以我當時心想，天啊，這也太細緻、太精美了吧。（So I was like, oh, my God, you know, this is so detailed and so beautiful.）
- `16:50` 然後我說，如果我把那張圖片放進 Codex，並告訴它把它變成一個互動式網站會怎樣？（And then I said, what if I just take that image and put it into Codex and tell it to sort of make it live in an interactive website?）
- `17:00` 這就是我所做的。（And that's that's what I did.）
- `17:03` 接著 Codex 就做出了這些精美的動畫，展示了這些細胞是如何彼此互動的。（And then Codex just came up with these beautiful animations and how these cells are interacting with each other.）
- `17:09` 我可以點擊它們。（I can click on them.）
- `17:11` 它會告訴我，你知道，這是一個記憶細胞。（It shows me what you know, this is a memory cell.）
- `17:14` 這是一個效應細胞。（This is an effector cell.）
- `17:15` 它提供了關於它們的各種資訊。（It gives me all kinds of information about them.）
- `17:18` 你知道，如果我阻斷它，例如這個 PD-1 分子在癌症治療中非常重要。（You know, if I block it, for example, this molecule PD-1 is very important in cancer therapy.）
- `17:23` 如果你阻斷這個分子，就能治癒許多癌症，這稱為檢查點抑制劑。（If you block this molecule, you can cure a lot of cancers called checkpoint inhibitor.）
- `17:27` 而且，你知道，這完全是一件很有趣的事。（And, you know, this was a totally a fun thing to do.）
- `17:30` 但後來我意識到，哇，我甚至可以根據你的年齡來改變免疫細胞的行為方式。（But then I realized, wow, I can even change, for example, based on your age of your immune cells are going to behave.）
- `17:37` 這就像是一個迷你模擬器。（This is like a mini simulator here.）
- `17:39` 這一切都始於一張圖片。（It all started with just one image.）
- `17:42` 就只是這張圖片，那張由 GPT 生成的圖片。（Just this one image, that GPT image to generate.）
- `17:45` 沒錯。（Exactly.）
- `17:45` 而且我並沒有說，好，做這個或做那個。（And I didn't say, OK, do this or do that.）
- `17:47` 我說的是，我希望你理解這張圖片並建立一個互動式模擬器網站。（I said, I want you to understand this image and create an interactive simulator website.）
- `17:54` 這就是我所做的全部。（That's all I did.）
- `17:56` 然後 Codex 就為我建好了。（And Codex just built this for me.）
- `17:58` 太神奇了。（Amazing.）
- `17:58` 是啊。（Yeah.）
- `17:59` 這同時也是一個很棒的教育工具，對吧？（It's also such a great tool for education as well, right?）
- `18:01` 因為如果你想深入研究任何主題、了解該主題，你現在不僅能生成圖片，還能為該主題生成模擬器。（Because if you want to learn into, like, dig into any topic, learn about that topic, you can now generate image, but also just generate, like, simulators for that topic.）
- `18:11` 這真是太不可思議了。（It's pretty incredible.）
- `18:12` 聽起來你正在開發好多應用程式。（It sounds like you're building so many apps.）
- `18:14` 謝謝你的分享。（Like, thank you for sharing.）
- `18:14` 這就像是讓我一窺你的工作方式、你的思考模式，以及你使用 Codex 的方法，這些都是我目前還沒嘗試過的。（This is like a window into your work and how you think and how you use Codex in a way that, like, I have not used Codex to build these apps so far.）
- `18:23` 這對我來說非常迷人。（So this is fascinating for me.）
- `18:25` 讓我再展示另一個應用程式，我覺得它非常實用。（Let me just show one more app, which I think is very useful.）
- `18:30` 身為生物醫學工程師，我們想做的是操控細胞。（As a biomedical engineer, what we want to do is we want to manipulate the cells.）
- `18:36` 從某種程度上來說，細胞就像是寫好的程式碼、軟體。（In a way, the cells are kind of like programmed code, software.）
- `18:41` 我希望有一天我們能擁有一個生物學版的 Codex，讓我們能完全對細胞進行程式開發。（And I'm hoping that one day we'll have a codex for biology where we can totally program the cells.）
- `18:47` 事實上，我們已經開始利用這些技術來進行細胞基因編輯。（In fact, we started doing that with these technologies to genetically edit cells.）
- `18:53` 我其實在 25 年、30 年前就開發過其中一些技術。（I actually developed some of that 25 years ago, 30 years ago.）
- `18:58` 而現在我們有了這個叫做 CRISPR 的東西。（And now we have this thing called CRISPR.）
- `19:00` 我相信很多人都聽過它。（I'm sure a lot of people have heard of it.）
- `19:02` 但基本上，CRISPR 可以讓你鎖定任何基因。（But basically, CRISPR is you can target any gene.）
- `19:05` 你可以修正突變。（You can change fixed mutations.）
- `19:08` 你可以刪除基因。（You can delete the gene.）
- `19:09` 你可以使其過度表現。（You can overexpress it.）
- `19:10` 這就像是基因組工程。（It's like a genome engineering.）
- `19:12` 但問題是，這同樣非常複雜。（But the problem is that, again, this is very complex.）
- `19:15` 所以你有一個基因，假設有 2,000 個字元，也就是核苷酸。（So you have a gene that's, let's say, 2,000 words, nucleotides.）
- `19:21` 你要鎖定哪裡呢？（It's where are you going to target.）
- `19:24` 所以你必須進行某種運算，來確保它是精確的。（So you have to have some sort of a computation to say that that's going to be specific.）
- `19:30` 它是否會產生這種效果。（It's going to do this effect or not.）
- `19:32` 市面上有一些這樣的工具。（And there are some tools like that.）
- `19:34` 但我說，好吧，我想要我自己的。（And I said, well, I want my own.）
- `19:37` 所以我建立了這個應用程式，你可以實際選擇任何你想要的基因。（So I built this application where you can actually choose any gene you want.）
- `19:42` 所以假設這是 CD4 基因，我之前提到過它位於 T 細胞表面。（So let's say this is a CD4 gene, which I mentioned about that on the surface of T cells.）
- `19:48` 它會立即從資料庫中提取序列。（It immediately pulls the sequence from the database.）
- `19:52` 所以那是 CD4 的 DNA？（So that's the DNA of the CD4?）
- `19:53` 對，沒錯。（Yeah, exactly.）
- `19:54` 然後它會給我所有潛在的目標。（And then it gives me all the potential targets.）
- `19:56` 所有潛在的目標。這些是 20 到 22 個核苷酸的區域，但這是一個非常大的基因，（all the potential targets. So these are 20, 22 nucleotide regions, but it's a very big gene,）
- `20:04` 然後它會進行排序。它會說，好的，你可能應該選擇這一個，因為這個（and then it ranks them. It says, okay, well, you should probably choose this one because this is）
- `20:08` 很好。我可以說，好的，把它加進去，再把它加進去，然後我可以複製它，接著（good. And I can just say, okay, add that there, add that there, and then I can copy it and then）
- `20:14` 交給一家線上公司，他們會合成並寄給我，然後我就可以（give it to an online company, and they will synthesize that and send it to me, and I will）
- `20:18` 進行工程設計並執行實驗。我可以將其視覺化。它向我展示了所有這些區域被（engineer and do the experiment. I can visualize that. It shows me all the regions where these are）
- `20:25` 標記的位置。所以這裡有一些其他應用程式所沒有的功能。（being targeted. So there are some features here that are not present in other applications.）
- `20:31` 這就是美妙之處。例如，我說，好的，你可以為我建立一個程式庫嗎？如果我有（That's the beauty. For example, I said, okay, can you create a library for me? So what if I have）
- `20:37` 多個基因，並且想要許多不同的 CRISPR 目標呢？所以我建立了這個版本，我只需要（multiple genes, and I want many different CRISPR targets? So I built this version where I can just）
- `20:44` 在這裡寫下基因名稱，然後我所做的就是點擊設計程式庫。它會為我製作不同的（write the genes name here, and all I do is just click on design library. It will make different）
- `20:50` CRISPR 分子。這太神奇了。我們現在看到的是你在 Mac 上運行的原生應用程式，（CRISPR molecules for me. That's amazing. And this is a native app that we're looking at on your Mac,）
- `20:54` 這是用 Swift 構建的原生 macOS 應用程式，實際上我也打算製作一個 iPad 版本，（native Mac OS app that's built with Swift, and actually I'm going to make an iPad version too,）
- `21:00` 這樣我就可以在實驗室裡隨身攜帶。非常感謝你的分享。能看到你工作的幕後花絮（so I can carry it inside the lab. Well, thank you so much for sharing that. This is incredible to）
- `21:05` 真是太不可思議了。對，現在你明白為什麼我喝完咖啡後就開始工作了。（see the behind the scenes of your work. Yeah, now you understand why after coffee I started.）
- `21:09` 我現在完全理解這個日常流程了。這對我來說合理多了。有一件事你之前提到過，（I totally understand the routine now. It makes so much more sense to me. One thing that you mentioned）
- `21:14` 我想深入探討一下，就是關於「數位孿生」的概念，對吧？以你身為（earlier that I'd love to double click on is this idea of like a digital twin, right? And as you have）
- `21:20` 免疫學和癌症生物學領域的觀點來看，你認為這個「數位孿生」的概念何時會變得可行？首先，為什麼需要數位孿生，為什麼我們需要人工智慧？我們需要數位孿生的原因，（like your vantage point in like immunology, cancer, biology, what do you think this idea of a digital）
- `21:27` 當我說數位孿生時，我指的是一個人的完整生物系統。所以我們的生物學不僅僅是你（twin becomes viable? First of all, why digital twin and why we need AI? The reason we need digital twin,）
- `21:35` 在外部測量的東西。正如我向你展示的，有免疫系統、有我們的代謝物、有我們（and when I say digital twin, I mean a person's complete biological system. So our biology is not just what you）
- `21:43` 腸道中數以兆計的細菌和荷爾蒙等等。這是一個非常、非常複雜的系統。（measure outside. As I showed you, there's the immune system, there's our metabolites, there's our）
- `21:49` 當然，還有你的遺傳學。你的遺傳學和你的環境幾乎決定了（trillions of bacteria in our gut and hormones and so on and so forth. It's a very, very complex system.）
- `21:55` 一切，包括你是否會生病，或者你何時會生病，以及你是否會（And of course, there's your genetics. And your genetics and your environment decide pretty much）
- `22:01` 對特定的治療產生反應。我們能在疾病發生前進行預測嗎？而且這必須非常（everything, whether you're going to get sick or when are you going to get sick, whether you're going to）
- `22:05` 個人化。事實上，你必須治療病人，而不是治療疾病。但因為生物學太（respond to a given treatment. Can we predict before the disease happens? And it has to be very）
- `22:11` 複雜了，我們一直對數百萬人使用相同的藥物來治療相同的疾病。例如，（personalized. In fact, you have to treat the patient, not the disease. But because the biology is so）
- `22:18` 數百萬人使用他汀類藥物，但它只對其中一小部分人有效。所以我們能否達到一個（complex, we have been giving the same drug with the same disease to millions of people. For example,）
- `22:25` 階段，讓人工智慧能夠完全模擬生物學，以及結合你的基因組、代謝物、（statins are used by millions of people, but it only affects a small portion of them. So can we come to a）
- `22:33` 蛋白質和免疫系統的個人生物學？如果能達到那一點，我們就可以開始問這個（point where AI can completely simulate the biology and your biology with your genome, with your metabolites,）
- `22:43` 問題：如果我在健康方面做出這種改變會怎樣？或者如果我給他們這種藥物會怎樣？或者也許我會（with your proteins, your immune system? And if you can get that point, then we can start to ask this）
- `22:51` 根據你的生物學特性，以及人工智慧告訴我們的資訊，為你量身訂做一種治療方案。（question, what if I make this change in my health? Or what if I give them this drug? Or maybe I will）
- `22:59` 所以我們正走向完全個人化的階段，藥物將會（basically order a treatment just for you based on your biology, what the AI is going to tell us.）
- `23:06` 達到近乎 100% 的療效，且副作用為 0%。這意味著我們進行的臨床試驗將會（And so we're getting to a point of complete personalization, where the drugs will have）
- `23:13` 從五年、十年縮短到可能五天、十天。從字面上看，人工智慧將會為你進行（nearly 100% effect with 0% side effect. And that means that the clinical trials that we do are going）
- `23:21` 臨床試驗。這就是令人難以置信的加速。因為當我說在未來十年左右，（to be accelerated from five, 10 years to maybe five, 10 days. Literally, AI is going to do the）
- `23:30` 我們將治癒所有的疾病，最終在 15 年內，我們將逆轉（clinical trial for you. And that's the incredible acceleration. Because when I say in the next decade）
- `23:36` 衰老，人們將能夠活到幾百歲。人們會說，這聽起來太瘋狂了。這是（or so, we're going to treat all of the diseases, eventually, within 15 years, we're going to reverse）
- `23:42` 科幻小說。我們花了 50 年才讓癌症稍微得到一點治療。他們（aging and people will be able to live hundreds of years. People say, well, that sounds crazy. That's）
- `23:48` 沒有計算到的是，人工智慧正在呈指數級發展。這也假設計算能力將會（science fiction. It took us 50 years for cancer just to be able to treat a little bit. What they）
- `23:56` 大幅提升。因為即使是目前可用的計算能力，如果你把世界上所有的計算能力（don't calculate is that AI is advancing exponentially. And this is also assuming that the compute is going）
- `24:03` 加起來，也不足以模擬生物系統。因為有數以兆計的組件。所以如果我們（to greatly increase. Because even the current available compute, if you put all of the compute）
- `24:09` 能達到那一點，我相信我們在未來五到十年內就能做到，並且屆時我們將擁有（in the world, is not enough to simulate biological systems. There are trillions of components. So if we）
- `24:16` 超級智慧，那麼基本上，我們就可以用人工智慧模擬這個數位孿生。然後我們進行（get to that point, which I believe we'll be able to do in the next five, 10 years, and we'll have the）
- `24:21` 實驗，不是在人類身上，而是用人工智慧來模擬你的生物學。這將改變醫學，這將（super intelligence then, then basically, we simulate this digital twin with AI. And then we do an）
- `24:29` 改變一切。（experiment, not on humans, but with AI for your biology. And that will change medicine, that will）
- `24:38` 所以，如果我們以癌症患者為例，假設我們有了他們的數位孿生，（change everything.）
- `24:39` 所以，如果我們以癌症患者為例，假設我們擁有他們的數位孿生，（So if we take the example, for instance, of like a cancer patient, say, and if we had their digital twin,）
- `24:44` 醫生未來能做什麼與現在不同的事？他們是否會單純地在數位孿生上嘗試不同的假設與實驗，看看會有什麼反應？（what could a doctor do differently versus what they do today? Would they just basically try different）
- `24:49` 這是否就是我們區分穩定組與治療組的方式？（hypotheses and experiments on that digital twin and see how that reacts? And that's how we treat the）
- `24:54` 沒錯。事實上，癌症與腫瘤學是目前我們在個人化醫療上最接近的領域，（stable group and the treatment group almost?）
- `24:57` 因為即使是同一種癌症類型，也有許多不同的突變。所以如果你是一位肺癌患者，你的醫生或腫瘤科醫師首先會做的就是對突變基因進行定序，因為根據突變基因的不同，會有對應的藥物。（Exactly. Actually, cancer and oncology is as close as we are today for personalization,）
- `25:03` 例如，百分之一的肺癌患者可以使用某種特定藥物。該藥物對那百分之一的患者非常有效，但對其餘百分之九十九的人卻無效。所以這些是藥廠正在開發的智慧藥物。（because even the same cancer type have many different mutations. And so you probably,）
- `25:10` 因此，我們最終將能針對你所有的突變量身打造藥物。事實上，澳洲曾有一個案例，（if you were a lung cancer patient, the first thing your doctor or oncologist would do is to sequence）
- `25:16` 一位電腦科學家利用 ChatGPT 和 Grok，為他的狗製作了一款 RNA 疫苗，對吧？沒錯，沒錯。（the genes that are mutated, because depending on which gene is mutated, you have a different drug for）
- `25:22` 這就是極致的個人化，因為那款 RNA 疫苗是專門為那隻狗的癌症突變所製作的。目前有很多相關的臨床試驗正在進行。所以我認為這將徹底改變，因為正如我所說，這不僅基於你的基因和突變，還基於你的免疫系統。（that. For example, one percent of lung cancers can use a particular drug. And that drug is very effective）
- `25:29` 例如，免疫系統在殺死癌細胞方面極其有效。這是一場革命，我們稱之為免疫療法，但它並非對每個人都有效。為什麼會這樣？為什麼有些人的免疫細胞能識別並殺死癌細胞，而其他人卻不行？（in that one percent, but it's not effective at the 99%. So these are smart drugs that companies are）
- `25:34` 有些細胞會變得衰竭等等。所以如果你能找出原因，當然，這也會有副作用，因為免疫系統非常危險。如果你過度啟用它，實際上可能會造成很大的傷害。（developing. So we can come to a point where we can literally create a drug for all the mutations that）
- `25:43` 我很好奇，你似乎非常熱衷於 AI 和程式碼，同時又是一位醫學博士。你周圍的人對 AI 有什麼看法？你會試著讓他們也像你一樣快速採用這些工具嗎？（you have. In fact, there was a case from Australia. This computer scientist using ChatGPT and Grok,）
- `25:50` 是的，我非常努力，我想他們覺得我完全瘋了。雖然我認為現在他們開始看到潛力了。自從 ChatGPT 3.5 發布以來，我就一直這麼說。我認為人們非常猶豫。我可以理解，因為這是一個如此新穎的事物，人類大腦無法理解這種指數級的進步。（you know, created an RNA vaccine for his dog, right? Yes, yes.）
- `25:55` 例如，人們一年前使用 GPT 4.0，這在 AI 世界裡已經是很久以前的事了，他們會說，嗯，它產生太多幻覺了。它回答得並不理想。事實上，即使是 GPT 5.4 和 5.5 之間的差異也是天差地遠。（So that's as personalized as you can get, because it was that RNA vaccine was created just for that）
- `26:02` 如果你不斷嘗試，並假設它會變得越來越好，我甚至會信任 AI 模型來處理我研究了 30 年的領域。因為最近，GPT 5.5 Pro 模型給我的報告讓我幾乎落淚。（dog's cancer's mutations. And there's a lot of trials going on with that. So I think it will）
- `26:08` 我說，這怎麼可能？我記得在網路上看過你分享那次經驗的貼文。沒錯，因為那個最新的模型跨越了門檻。當然，GPT 5、Pro 和 5.4 已經很棒了，能理解知識和模式並將它們整合在一起。（change completely because, as I said, based on not only your genes and mutations, but your immune）
- `26:15` 但 5.5 所做到的，簡直就像它擁有我在實驗室工作 30 年的經驗一樣，因為有些事情是直覺。你就是知道。這在文獻中找不到。你會感覺到，例如，我會和學生打賭，我會說，做這個實驗，我敢打賭它會這樣運作。（system. For example, immune system is extremely effective in killing cancer cells. And this has been）
- `26:21` 他們有時會打賭，但每次都輸。因為，你知道，我就是知道它會成功。你已經累積了這麼多經驗。沒錯，你就是，不知何故你擁有了那種直覺。這就是我對 5.5 的感覺，它預測了我們所做的一個非常複雜的實驗結果，準確率達到 100%，這真是不可思議。（a revolution, what we call immunotherapy, but it doesn't work in everybody. Why is that? Why is）
- `26:27` 我很好奇，如果我們繼續保持你所體驗到的這種進步速度，你想像幾年後你的日常生活會是什麼樣子？（some people's immune cells able to recognize the cancer and kill, but others don't? Some of them）
- `26:34` 對於像你這樣的人以及你周圍的生物學研究人員來說，這個世界會有什麼明顯的不同？嗯，再說一次，我說的一些話聽起來可能非常激進，但對我來說很幸運，但對那些不相信的人來說可能是不幸的，那就是將會發生徹底的根本性轉變。（become exhausted and whatnot. So if you could figure that out, and of course, there are also side effects,）
- `26:41` 事實上，我稱之為科學 2.0 或 3.0。我們做科學的方式將會徹底改變。（because immune system is very dangerous. If you activate it too much, it can actually cause a lot）
- `26:46` 那些我們例如會想出一個點子、花幾週時間規劃實驗，然後花幾個月時間分析它們的日子，已經結束了。我們必須，而且學生或...（of harm. I'm curious, like you seem so AI-peeled and so codex-peeled,）
- `26:51` 同時身為一名醫學博士，你周圍的人對人工智慧有什麼看法？你會試著讓（while also being like an MD. What are the people around you thinking about AI? Do you try to get）
- `26:56` 他們也像你一樣快速採用這些工具嗎？是的，我非常努力嘗試，我想他們認為我（them also to adopt these tools as fast as you are? Yeah, I try very hard and I think they think that）
- `27:02` 完全瘋了。雖然我覺得現在他們開始看到其中的潛力了。自從 ChatGPT 3.5 問世以來，我就一直這麼說。（I'm totally crazy. Although I think nowadays they're starting to see the potential. And I've been saying）
- `27:11` 我認為人們非常猶豫。我可以理解，因為（this since ChatGPT 3.5 came out. I think people are very hesitant. And I can understand that because）
- `27:21` 這是一個如此新穎的事物，人類的心智還無法理解這種指數級的進步。例如，（this is something so new that human mind is not able to comprehend this exponential advance. For）
- `27:30` 人們在一年半前使用 GPT 4.0，這在人工智慧領域已經是很久以前的事了，他們會說，（example, people use GPT 4.0 a year and a half ago, which is like ages in AI world and say,）
- `27:39` 嗯，你知道，它產生了太多幻覺。它並沒有很好地回答我的問題。事實上，（well, you know, it was hallucinating too much. It didn't really answer to me very well. In fact,）
- `27:45` 即使是 GPT 5.4 和 5.5 之間的差異也是天差地遠。如果你持續進行實驗，然後（even the difference between GPT 5.4 and 5.5 is day and night. If you constantly experiment and then）
- `27:54` 假設它會變得越來越好，我就會信任人工智慧模型，即使是用在我已經（assume that it's going to get better and better, I trust AI models even for things that I've been）
- `28:01` 研究了 30 年的領域上。因為最近，GPT 5.5 Pro 模型給我的這份報告讓我幾乎落淚。（working on for 30 years. Because recently, GPT 5.5 Pro model gave me this report that I almost cried.）
- `28:10` 我說，這怎麼可能？我記得在網路上看過你分享那次經驗的貼文。沒錯，（I said, how is this possible? I remember seeing your post online about that experience. Exactly,）
- `28:14` 因為那個最新的模型跨越了門檻。當然，GPT 5、Pro 和 5.4 版本，它們在（because that latest model crossed the threshold. Of course, GPT 5 and Pro and 5.4, they were fantastic,）
- `28:23` 理解知識和模式並將其整合起來方面表現得非常出色。但 5.5 版本所做到的，幾乎（understanding the knowledge and the patterns and putting them together. But what 5.5 did was almost）
- `28:32` 就像它擁有和我一樣在實驗室工作 30 年的經驗，因為有些（as if it had the same experience that I had working in the lab for 30 years, because there are certain）
- `28:39` 事情是直覺。你就是知道。文獻中並沒有記載。你感覺到，例如，（things that are intuition. You just know. It's not out there in the literature. You feel that, for）
- `28:45` 我會和我的學生打賭，我會說，做這個實驗，我敢打賭它會（example, I would bet with my students, I'd say, do this experiment, I'll bet you it's going to work）
- `28:50` 這樣運作。他們有時會打賭，結果 100% 的情況下他們都輸了。因為，你知道，我就是（this way. And they would bet sometimes and they would lose 100% of the time. Because, you know, I just）
- `28:57` 知道它會成功。你已經累積了這麼多次的經驗。是的，你就是，是的，不知何故你擁有那種（know that it's going to work. You've had so many reps. Yeah, you just, yeah, somehow that you have that）
- `29:02` 直覺。這就是我在 5.5 版本上感受到的，它預測了我們所做的一個（intuition. And that's what I felt with 5.5, that it predicted the outcome of an experiment,）
- `29:10` 非常複雜的實驗結果，準確率達到 100%，這真是令人難以置信。（very complex experiment we had done at 100% level, which was incredible.）
- `29:17` 我很好奇，如果我們繼續保持這種進步速度，也就是你也在（And I'm curious, like, if we continue on this rate of progress that you are also experiencing on your）
- `29:22` 你那邊所體驗到的，你想像一下，幾年後的日常工作會是什麼樣子？（side, what do you imagine, like, your day-to-day looking like, you know, in a few years from now?）
- `29:28` 對於像你這樣的人以及你周圍的研究人員來說，在這個生物學領域中，（Like, what will be, like, unmistakably different for people like yourself and researchers around you）
- `29:33` 什麼會變得截然不同？嗯，再次強調，你知道，我說的一些話聽起來可能非常激進，（in this world of biology? Well, again, you know, some of the things I say may sound very radical,）
- `29:39` 但對我來說很幸運，但對那些不相信這一點的人來說可能是不幸的，那就是（but fortunately for me, but maybe unfortunately those who don't believe in this, is that there's）
- `29:45` 將會發生徹底的根本性轉變。事實上，我稱之為科學 2.0 或 3.0。我們做科學的方式，（going to be a complete fundamental shift. In fact, I call this science 2.0 or 3.0. The way we do science）
- `29:52` 科學 2.0 將會徹底改變。那些我們（science 2.0 is going to completely change. The days when）
- `29:54` 徹底改變的日子。那些我們例如會想出一個點子，規劃實驗（completely change. The days where we would, for example, come up with an idea, plan for experiments）
- `30:01` 數週，然後分析數個月的日子，已經結束了。我們必須，還有學生或（for weeks, and then analyze them for months, those days are over. We have to, and students or）
- `30:10` 其他科學家必須意識到，我們正處於一個非常加速的時間軸上，我們進行科學研究的方式將會是一群 AI Agent，它們會提出假設，而且它們（other scientists have to realize that we are in a very accelerated timescale, that the way we do）
- `30:17` 已經能夠提出假設了，因為同樣地，你能想到的事情幾乎是無窮無盡的。你怎麼知道這個假設比那個假設更好？然後你就會（science is going to be a bunch of AI agents that will come up with the hypothesis, and they're）
- `30:23` 得到最好的點子。接著它會為你模擬實驗，因為同樣地，我可以做一千個實驗。哪一個會成功？我不知道。如果它能引導我到一個點，（already able to come up with the hypothesis, because again, the number of things you can come）
- `30:27` 說，好的，這 10 個實驗因為這個和那個原因更有可能成功，那麼我就可以只專注於那些。該實驗成功的機率將會大幅增加。（up with are almost endless. How do you know that hypothesis is better than that one? Then you'll）
- `30:34` 而我得到的資料，我幾乎能得到即時的回饋。我會把它交給其他 AI Agent，（get the best ideas. Then it will simulate the experiments for you, because again, I can do a）
- `30:40` 它們會立即分析並回饋給主 Agent，而那個主 Agent 將會制定新的假設並規劃新的實驗。所以我猜我的角色將只是告訴這些 Agent，（thousand experiments. Which one's going to work? I don't know that. If it could drive me to a point）
- `30:46` 去找出答案。這是你們應該前進的方向。我想治癒肺癌，並針對這一點進行研究。（that says, okay, this 10 experiment likely to work more because of this and this, then I can just）
- `30:51` 去探索吧。（focus on that. The chances of that experiment working is going to increase tremendously.）
- `30:56` 沒錯。然後仍然必須有人來執行實驗，但我認為實驗室將會自動化。這已經在發生了。所以將會有一堆機器人進行大量、（And the data I get, I have almost instant response. I'll give it to other AI agents,）
- `31:01` 大量的實驗。人們會說，嗯，但我還會有工作嗎之類的？有一個東西叫做傑文斯悖論（Jevon's paradox）。如果我們能夠做這麼多事，那麼我們將能夠做更多的事，（and they will immediately analyze and feed it back to the master, and that master is going to make a）
- `31:08` 特別是在生物學領域。正如我所說，我們可以達到生物工程的程度，但我們只了解大約 10% 的生物學。想像一下我們能學得有多快、多深入。一旦我們擁有那種力量，就像我現在（new hypothesis and plan for a new experiment. So I guess my role is going to be just telling the agents,）
- `31:15` 正在開發應用程式一樣，我就能建立新的細胞類型、新的組織。所以未來可能會有成千上萬的生物工程師坐在電腦前進行模擬與建立。但這（go figure this out. This is the direction you should go. I want to cure lung cancer and work on that.）
- `31:23` 將會從根本上改變，不僅僅是生物學。我認為每個領域，物理學、材料科學和（Go explore.）
- `31:24` 化學在藥物開發方面已經如此，你可以在幾個小時內完成過去需要數年才能完成的工作。（Exactly. And then somebody still has to do the experiment, but then I think the labs are going）
- `31:29` 而為醫生進行臨床試驗、治療病患，所有這些堆疊都將會改變並加速。（to get automated. This is already happening. And so there's going to be a bunch of robots doing lots）
- `31:35` 說到這些其他領域，其實對於像你這樣不在科學領域的人，但可能在不同領域的人，你會給他們什麼關於你旅程的建議？就像你已經在這個領域投入了（of lots of experiments. And people say, well, but will I still have a job or whatnot? There's something）
- `31:42` 很長很長的時間。而且，你知道，思考 AI 並在每一步都保持用 AI 進行開發的好奇心。（called Jevon's paradox. If we are able to do so much, then we will be able to do so much more,）
- `31:50` 你想要建議他們如何重新思考他們自己的領域和他們自己的工作？是的，所以我有一個優勢。我的、我的工作、我的生活取決於（especially in biology. As I said, we can get to a point of bioengineering, but we only know like 10%）
- `31:56` 不斷地進行實驗。這非常痛苦，因為特別是在生物學中，95% 到 98% 的實驗都會失敗。所以我非常習慣失敗。這就是為什麼它被稱為實驗。你（of biology. Imagine how much more, how fast we can learn. And then once we have that power, like I'm）
- `32:03` 會說，好的，我們試試這個，試試那個。然後你培養出一種韌性、Agentic 的特質和好奇心，（building apps now, then I'll be able to build new cell types, new tissues. So there will be maybe）
- `32:10` 只為了去嘗試。這就是為什麼我對 Codex 感到如此興奮。我當然必須展示給你（thousands of bioengineers in front of their computers simulating and building. But this is）
- `32:18` 那些成功的案例，但在那之前有很多失敗。我做的許多應用程式效果都不太好，也沒有達到預期的成果，但你不能、你不應該放棄。我給（going to fundamentally change, not just biology. I think every field, physics and material sciences and）
- `32:24` 人們的建議是，在 AI 時代，真正的 Agentic 特質和好奇心是唯一重要的事情。（chemistry already for drug discovery, you can do it in a matter of hours that took years to do. And）
- `32:32` 不要害怕，不斷嘗試，不斷用 AI 進行實驗，你知道，說，如果我能用這種方式做會怎樣？但是，你知道，因為你現在可以問那個「如果……會怎樣」的問題。以前這太（doing clinical trials for doctors, treating patients, all of that stack is going to change and accelerate.）
- `32:40` 昂貴了，無法去詢問。比方說，你為你的公司擁有一個網站，你知道，你可能花了數千美元才製作完成。（And speaking of these other fields, actually, for people who are not in science like you are, but maybe）
- `32:45` 然後它並不完美，但我會說，好的，你知道，它夠用了。我不想去動它。現在你可以說，如果我能只改變這個並把它變成那樣會怎樣？（like in different fields, what would you advise them about your journey? Like you've been at this for a）
- `32:52` 只需幾分鐘，你就有了一個新的網站或一個你可以設計並進行 3D 列印的新產品。（long, long time. And like, you know, thinking about AI and having this curiosity to build with AI）
- `32:57` 例如，我認為每一件事，這都可以應用，但你必須有那種勇氣去實驗，因為實驗的成本非常低。為什麼你不應該這麼做？（every step of the way. What would you like to advise them in terms of how they have to rethink their）
- `33:04` 這些是非常簡單的日常瑣事，但我認為你真的可以將其擴展到你生活中的幾乎任何事情。你只需要擁抱它，並將 AI 視為某種非常正面的事物。（own field and their own work? Yeah, so I have one advantage. My, my job, my work, my life depends on）
- `33:11` 我看到很多負面情緒。AI 會做這個。AI 會做那個。我相信恰恰相反。它將會、它將會真正地增強我們，邁向一個黃金時代。而且我（constantly doing experiments. And this is very painful, because especially in biology, 95 to 98% of the）
- `33:19` 真的超級興奮。而且我認為，你知道，AI 研究人員，對我來說，都是英雄，（experiments, you do fail. So I'm very used to failure. That's why it's called experiment. You）
- `33:24` 順帶一提，因為這將會是人類最偉大的轉型。而且，（say, okay, we'll try this, try that. And you develop a certain resilience and agency and curiosity）
- `33:32` 只是去嘗試。這就是我對 Codex 感到如此興奮的原因。當然，我必須展示給你（just to try. And that's how I, I was so excited about Codex. And I have to, of course, I showed you）
- `33:38` 看那些成功的事物，但在那之前有很多失敗。我做的很多應用程式並沒有（the things that worked, but there were a lot of failures before that. Many apps that I did didn't work）
- `33:43` 運作得很好，結果也不盡如人意，但你不應該放棄。我給人們的建議是，（very well and it didn't come out very well, but you don't, you shouldn't give up. And my advice to）
- `33:48` 在人工智慧時代，真正重要的是主動性和好奇心。（people would be in the age of AI, really agency and curiosity are the only things that matter.）
- `33:55` 不要害怕，持續嘗試，持續用人工智慧進行實驗，你知道，說，如果我能（You don't be scared, constantly try, constantly experiment with AI, you know, say, what if I can）
- `34:02` 這樣做會怎樣？但是，你知道，因為你現在可以問那個「如果」的問題了。以前這太（do it this way? But, you know, because you can now ask that what if question. Before it was just too）
- `34:09` 昂貴了，無法去詢問。假設你為你的公司架設了一個網站，你知道，你可能花了（expensive to ask that, let's say you have a website for your company, you know, you probably spent）
- `34:15` 數千美元才做出來。然後它並不完美，但我會說，好吧，你知道，（thousands of dollars to have it made. And then it wasn't perfect, but I say, okay, well, you know,）
- `34:20` 這樣就夠好了。我不想去動它。現在你可以說，如果我能只改變這個，把它變成那樣呢？（it's good enough. I don't want to touch it. Now you can say, what if I can just change this and make）
- `34:25` 只需幾分鐘，你就有了一個新的網站或一個你可以設計並（it this way? Just matter of minutes, you have a new website or a new product that you can design and）
- `34:32` 進行 3D 列印的新產品。例如，我認為所有事情，這都可以應用，但你必須有（then 3d printed. For example, I think everything, this, this can be applied, but then you have to have）
- `34:38` 那種勇氣去實驗，因為實驗的成本非常低。為什麼你不該這麼做呢？（that courage to experiment because the cost of experimentation is so low. Why shouldn't you do）
- `34:44` 這些是非常簡單的日常生活瑣事，但我認為你真的可以將其擴展到你生活中的（that? These are very simple daily things, but I think you can really extend that to pretty much）
- `34:52` 幾乎任何事情。你只需要擁抱它，並將人工智慧視為極其正面的事物。（anything in your life. You just have to embrace it and look at AI as something incredibly positive.）
- `34:59` 我看到很多負面情緒。人工智慧會做這個。人工智慧會做那個。我相信只是（And I see a lot of negativity. AI is going to do this. AI is going to do that. I believe just the）
- `35:05` 相反地，這將會、這將會真正地帶領我們進入一個黃金時代。而且我，（opposite. It's going to, it's going to really enhance us to, uh, to, uh, a golden age. And I'm,）
- `35:11` 我真的對此感到非常興奮。而且我認為，你知道，人工智慧研究人員，對我來說，他們都是英雄，（I'm really super excited about it. And I think, you know, AI researchers, uh, are for me, are all heroes,）
- `35:18` 順帶一提，因為這將會是人類有史以來最偉大的轉型。而且，（by the way, um, because, uh, this is going to be the greatest transformation of, of humanity. And, um,）
- `35:25` 我對未來感到非常興奮。非常、非常感謝妳，Derya。這感覺真是太棒了，（I'm super excited for the future. Thank you so, so much, Derya. It feels like it's amazing,）
- `35:30` 呃，你知道，這是一個很棒的結尾方式。非常正面。而且，我們迫不及待想看看（uh, you know, way to, uh, close the conversation. Very positive. And, uh, we can't wait to see what）
- `35:37` 妳接下來要做什麼，以及妳將如何推動，呃，Codex 和這些前沿模型，來（you're going to do next and how you're going to push, uh, Codex and these frontier models to like）
- `35:42` 將這整個世界連結在一起，並致力於這個數位孿生的想法。絕對沒問題。我很樂意（bring all of this world together and, and work on this like digital twin idea. Absolutely. I'm happy）
- `35:49` 再回來參加另一集。我們很期待幾個月後再邀請妳回來，看看妳到時候（to come back for another, uh, another episode. We'd love to have you back in a few months to see how）
- `35:54` 取得了多少進展。在那之前，好好享受妳在加州的時光。謝謝。非常感謝妳。（much progress you've made until then enjoy your time in California. Thank you. Thank you so much.）
- `35:58` 這真的、真的很有趣。（This was, this was a lot of fun.）

## 標籤

Codex, CLI, Agent, OpenAI