今天三則新聞，
一則發生在：
實驗室。
一則發生在：
創作者工作台。
另一則發生在：
一般人的職場訓練。
看起來完全不同，
其實都在回答同一個問題：
當 AI 已經會做事之後，人接下來到底負責什麼？
科學家要負責：
驗證。
創作者要負責：
選擇。
一般工作者則開始面對：
必須學會怎麼和 AI 一起工作。
① Claude 跑 21 小時、用了 2.1 億 Token，從 20 萬多個酵素一路篩出新 ART 系統
第一則非常特別。
Anthropic 9 月 23 日公布：
公司新成立的：
Life Sciences Research Group
第一批研究成果。
這次不是：
Claude 幫忙摘要論文。
也不是：
替科學家寫報告。
而是讓大量 Claude Agents
真正參與：
Scientific Discovery。
約 950 個 Claude Agent 同時找答案
Anthropic 表示，
研究團隊建立了一套：
Large-scale Agentic Search。
大約有：
950 個 Claude Agents
在：
21 小時
內工作。
整個過程處理超過：
2.1 億 Tokens。
它們的任務是：
從大量 DNA 與 Protein Data
找出可能值得真正進實驗室研究的：
Reverse Transcriptase Systems。
一開始有超過 20 萬個候選
研究團隊先收集：
超過：
200,000 個 Reverse Transcriptases。
如果讓人一個一個看，
幾乎不可能快速完成。
Claude Agents 開始替它們：
找附近 Gene。
比較 Sequence。
分析結構。
閱讀相關文獻。
判斷哪些組合可能不是：
已經知道的系統。
最後先縮到大約：
3,500 個 Candidate Systems。
再一路縮成：
20 個。
這就是 AI 最適合科學研究的一種角色：
不是直接宣布：
「我發現真理了。」
而是把原本大到人根本看不完的：
Search Space
快速壓小。
最後找到的是 ART
其中一個最值得注意的候選，
研究團隊命名為：
Array-associated Reverse Transcriptases。
簡稱：
ART。
它出現在：
Bacteriophages
也就是感染細菌的病毒裡。
研究人員看到一個很特別的結構：
Reverse Transcriptase。
旁邊有一個 Partner Gene。
再旁邊還有一大段：
重複排列的 DNA Sequence Array。
整個排列方式，
讓研究者想到另一套很有名的生物系統：
CRISPR。
但現在不能寫成「Claude 發現下一個 CRISPR」
這裡非常重要。
Anthropic 自己也沒有這樣下結論。
目前知道的是：
這個 Reverse Transcriptase 本身以前就有人辨識過。
Claude Agents 真正協助找到的，
是：
它周圍那套更完整、
此前沒有被充分描述的：
Gene＋DNA Array System。
也就是說，
新的地方是：
Claude 把原本散落的線索連成了一個值得研究的系統。
但：
ART 到底做什麼？
有什麼生物功能？
能不能變成新的 Biotechnology Tool？
現在都還不知道。
AI 找候選，人做實驗
這也是整件事最值得注意的地方。
Claude 沒有自己在實驗室：
培養細胞。
操作設備。
宣布結果。
Anthropic 表示，
真正的：
Wet-lab Experiments
仍全部由：
Human Scientists
進行。
而且目前仍在做後續實驗，
確認 ART：
究竟有什麼功能。
這個分工其實非常清楚：
AI：
找可能性。
人：
驗證真實世界。
這和 AI 幫藥廠找資料不一樣
SasaDaily 9 月 17 日才寫過：
Novo Nordisk
開始把 Claude 帶進：
藥物研究。
當時重點是：
讓 AI 整理龐大的研究資料、
協助科學家處理知識工作。
今天 Anthropic 公布的方向又往前一步：
AI 不只是：
讀已經知道的知識。
而開始幫研究者：
從大量未知候選裡決定「下一個實驗值得做什麼」。
如果這種模式能持續成功，
科學研究真正被縮短的，
可能不是：
實驗本身。
而是：
實驗以前那段漫長的搜尋。
但科學 AI 最不能省掉的，就是驗證
一個 Agent 可以一晚提出：
1,000 個 Hypotheses。
真正的實驗室不可能：
一夜驗完。
所以 AI 愈快，
下一個 Bottleneck
反而可能變成：
Experiment Capacity。
人員。
設備。
材料。
Replication。
Peer Review。
也就是：
AI 可以讓：
提出答案
變得非常便宜。
但：
證明答案是真的
仍然很昂貴。
這可能會成為 AI Science 下一個最重要的問題。
② YouTube 把 Gemini 直接放進剪輯流程：你可以用聊天方式叫它重排、裁切、對音樂節拍
第二則，
和每天做影片的人更直接。
YouTube 在 9 月 23 日的：
Made on YouTube
公布一系列新的 Creator AI Tools。
其中很值得注意的是：
YouTube 不再只把 AI 放在：
生成一張圖。
生成一段影片。
而是把 Gemini 帶進：
Editing。
先做 Draft，再和 Gemini 一路聊著改
新的：
Conversational Editing Assistant
會進入：
YouTube Shorts
以及：
YouTube Create。
創作者可以先用一句 Prompt
產生：
First Draft。
接著不用重新生成整支影片，
而是直接用自然語言要求：
重新排列 Frames。
把某一段 Trim 掉。
讓 Music
跟 Beat 對齊。
修改節奏。
再回到：
傳統 Timeline
手動微調。
也就是：
AI 先做。
人繼續改。
這跟「Prompt 一次生完整影片」差很多
以前 Generative Video
很常遇到一個問題：
第一版：
80% 可以。
但剩下：
20%
不對。
結果你只能：
重生。
再重生。
現在 YouTube 想把 Workflow
往真正的剪輯軟體靠。
不是：
Prompt → Final Video。
而是：
Prompt → Draft → Conversation → Manual Edit。
這種模式其實更接近：
真正創作者怎麼工作。
YouTube Studio 還準備讓同一支影片測三個不同版本
YouTube 也表示，
YouTube Studio
將加入：
Video A/B Testing。
創作者可以準備：
最多：
3 個不同 Cuts。
再比較：
哪一版比較能讓觀眾留下來。
過去 A/B Testing
比較常出現在：
Thumbnail。
Title。
現在開始往：
影片內容本身
延伸。
這代表 AI 影片工具下一步可能不是：
「幫你一次做出最完美版本。」
而是：
更便宜地產生多個版本，再讓真實觀眾決定。
還有一個很重要的新問題：AI 能模仿你的臉，也能模仿你的聲音
影片生成愈方便，
另一面就是：
Impersonation
也愈方便。
YouTube 已經有：
Likeness Detection
協助創作者尋找：
疑似使用自己臉部的 AI Generated Content。
現在 YouTube 表示，
今年稍晚會再把：
Speaking Voice Detection
和：
Facial Detection
結合。
也就是：
不只看：
「這張臉像不像你。」
還要進一步處理：
「這個聲音是不是也在冒充你。」
Likeness Detection 也要進手機
YouTube 同時準備把：
Likeness Detection
帶到：
Mobile App。
這個變化很重要。
因為 AI Deepfake 管理
如果只能讓大型 Creator
坐在 Desktop 後台慢慢查，
實際使用門檻還是很高。
搬到手機後，
創作者可以更接近：
每天真正管理頻道的地方。
YouTube 還在測試讓 AI 學你的留言管理風格
另一個比較不起眼、
但很實際的功能是：
AI-powered Comment Moderation。
YouTube 準備讓部分 Creator：
Opt in。
AI 會逐漸學習：
這個 Channel
平常怎麼處理留言。
也就是：
不是所有頻道都套：
同一套 Moderation Rule。
而是理解：
你的社群邊界。
這其實跟影片生成一樣：
AI 不只是在：
產內容。
它開始進入：
Creator Operations。
甚至 Live 也要加即時 Auto Dubbing
YouTube 也公布：
Live
將加入：
Real-time Auto Dubbing。
意思是：
直播進行當下，
AI 就可以開始：
跨語言處理。
這和影片上傳後再產：
Dubbing Track
完全不同。
如果成熟，
一個 Creator
可能在：
一個國家直播，
另一個語言的觀眾：
同時看。
這會直接影響：
Creator 能不能跨市場。
YouTube 自己已經不是在問「Creator 要不要用 AI」
YouTube 表示，
2026 年 8 月，
每天已有：
數十萬個 Channel
使用 Gemini Omni 的創作能力。
另外，
YouTube 引述美國資料表示，
14～44 歲、
過去一年曾發布影片的人中，
有：
72%
使用過 AI
協助：
Creation
或：
Editing。
這些是 YouTube 公布的數據，
不能直接代表：
全球所有 Creator。
但至少顯示：
平台現在問的問題已經變成：
不是：
「要不要讓 Creator 用 AI？」
而是：
「AI 要放進哪一個創作步驟？」
③ Verizon 投 7,000 萬美元：AI 培訓開始從公司福利變成基礎工作技能
第三則，
沒有新模型。
沒有新晶片。
甚至沒有新 App。
但它可能更直接影響：
一般工作者。
Verizon 9 月 23 日宣布：
推出：
Verizon AI Skills for America。
總投入：
7,000 萬美元。
目標是提供：
免費 AI Skills Training。
這 7,000 萬美元怎麼來？
Verizon 表示，
其中：
5,000 萬美元
是新的投入。
另外：
2,000 萬美元
來自既有：
Reskilling and Career Transition Fund。
也就是這不只是：
放幾支免費影片上網。
而是 Verizon 把：
原本用來處理：
工作轉型、
再就業、
技能更新
的資源，
正式拉進：
AI。
誰可以學？
目標族群包括：
Job Seekers。
剛進職場的人。
因技術轉型失去工作的人。
Educators。
Small Businesses。
以及希望：
重新學技能
的人。
而且 Verizon 的方向不是：
只教 Prompt Engineering。
培訓內容還會包含：
如何把 AI
放進：
真正工作。
課程不是 Verizon 一家公司自己做
參與 Training Content 的公司包括：
IBM。
Google。
Anthropic。
Microsoft。
Coursera。
OpenAI。
另外 Verizon 還會與：
Goodwill Industries。
LISC。
NACCE
等社區與非營利組織合作，
把培訓帶到：
真正需要就業協助的人。
Reuters 報導，
Verizon 希望透過這項計畫：
培訓：
數十萬人。
為什麼電信公司突然開始教 AI？
因為 AI Skills
正在從：
科技職位的加分項
變成：
一般工作的基本能力。
幾週前，
我們才看到 UBS
準備要求部分新進員工：
證明：
AI Fluency。
現在 Verizon 做的是：
另一端。
不是：
「你沒有 AI 能力就不要來。」
而是：
「那我們先讓更多人有機會學。」
這兩件事其實應該一起看
如果企業開始要求：
AI Skills，
但真正能取得好的 AI Training
只有：
高薪科技工作者，
那 AI 很可能放大：
Skill Gap。
Verizon 表示，
部分 Premium AI Training
每人每年可能超過：
700 美元。
它要做的，
就是把這一層費用：
拿掉。
至少讓更多：
求職者。
小企業。
職涯轉換者
有機會接觸。
但「上過 AI 課」不等於真正有 AI 能力
這也是接下來最重要的問題。
AI Skills
不能最後變成：
看完 10 小時影片。
拿一張 Certificate。
就算完成。
真正對工作有價值的能力，
應該可以回答：
我工作裡哪一步適合 AI？
哪一步不能交？
輸出怎麼驗證？
機密資料能不能放？
AI 錯了怎麼發現？
到底有沒有：
省下時間
或：
提高結果品質？
這些才是：
真正的：
AI Fluency。
今天三則新聞，其實都在重新分配「人」的位置
Claude 的科學研究：
AI 可以從 20 萬個候選
快速縮到 20 個。
但：
人必須做實驗。
YouTube：
AI 可以幫你剪。
幫你排。
幫你產不同版本。
但：
人仍決定什麼值得發布。
Verizon：
AI 可以開始接手更多工作。
但：
人也必須重新學會怎麼工作。
所以 AI 愈強，
人並沒有消失。
人的工作只是：
往另一層移。
從：
找所有資料
變成：
驗證最重要的資料。
從：
手工做第一版
變成：
判斷哪個版本值得留下。
從：
會不會打字、會不會用 Office
變成：
會不會正確地把 AI 放進工作。
這可能就是今天三則新聞真正共同的地方：
AI 正在讓：
產生候選答案
變得愈來愈便宜。
因此人真正值錢的部分，
會越來越集中在：
判斷。
驗證。
責任。
以及：
知道什麼時候不能只相信 AI。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
AI 今日早報｜2026/09/17：Cohere＋Aleph Alpha 簽合併、Novo 把 Claude 帶進新藥研發、Apple 據報重返 AI 伺服器
今日 AI 工具｜2026/09/05：Google Vids 新增文件摘要影片，Docs／PDF／Word 直接變腳本、旁白與場景
