人工智能对化学意味着什么?

几年前，我和一位著名的天体物理学家共乘出租车，我们聊起了人工智能的未来。他说，工作岗位将逐渐变得可有可无。人工智能将取代出租车司机、医生、教师、诗人，任何你能想到的(随着ChatGPT的出现，一些人现在认为它最终也将取代作家)。

我问，天体物理学家呢?“哦，不，不是天体物理学家，”他回答。他们所做的事情不能自动化。

我不怀疑他是有点讽刺，但许多科学家的本能是，人类的直觉在他们为人工智能工作的方式中太重要了，在可预见的未来，它们不会被淘汰。事实上，如今的人工智能主要基于机器学习算法，能够挖掘海量数据集的模式和相关性，它似乎最好被视为人类研究人员的助手，而不是替代品。它可以做很多事情，特别是当与机器人系统耦合时(参见机器人革新了化学):不只是分析数据，还要计划和执行实验，进行迭代改进，甚至制定和测试特定的假设。这些在实验室中还很少是常规的，但它正变得越来越常见。

人工智能将如何改变化学家提出的问题?

在某些方面，化学领域人工智能殖民的时机已经成熟。大量的化学合成使用了经过试验和测试的方法和合成途径，甚至那些进行这些合成的人也觉得枯燥和重复。微流控技术使得大部分湿化学都可以由机器人来完成。甚至计划一个逆向合成策略也可能是相当公式化的，因此适合一种算法方法．人们已经在努力制造自动合成系统，让人们可以“输入”任何自己选择的分子。许多分析技术，如结晶学，也正在实现自动化。

但是，用“人类化学家的消亡”来描述这些发展就太简单了。至少在短期内，化学家的角色和技能组合更有可能发生变化。消除重复性工作的负担并不令人遗憾，因为这可能会解放化学家的创造性思维，而不是例行公事地埋头苦干。

问一问人工智能是否会改变化学反应，或许更有启发性从概念上讲．从历史上看，方法论的变化伴随着学科知识框架的变化。18世纪分析化学的进步使人们开始关注化学的组成问题:化学中的基本物质是什么?它们在不同的化合物中是如何构成的?从19世纪中期开始，研究的重点转移到分子结构的考虑上，部分原因是分离和纯化密切相关化合物的能力有所提高。量子理论以及光谱学等技术的出现，在20世纪初导致了对化学键的新认识。在19世纪末，分子束和超快激光使研究反应成为可能动力学在细节。随着人工智能越来越成为化学家工具箱中的工具，它将如何改变化学家提出的问题?

多好的工具啊

随着人工智能在实验室中的作用越来越大，人们普遍提出的一个问题是，化学家是否需要传统上教授的实用技能。如果合成是使用微流体和其他方法的自动合成，你需要知道如何使用移液器或如何滴定吗?

美国化学学会信息部门CAS(原化学文摘服务)的科学内容工程师Zachary Baum认为你会的。多级微流体技术正在改进，他说，包括方法在每个自动化步骤中净化样品．因此，“流动化学对研究人员来说可能会变得更加常规”。但是，至少在目前，将这种方法推广到试点工厂还需要人工操作。他说:“我不认为赋予合成化学魅力的实用技能会变得不那么重要。”“我们将继续让研究生们在硅柱上辛勤工作，试图让他们的蒸馏物发挥作用。”

工具箱里的每一种新工具都使化学家的工作重心发生了转移

加拿大多伦多大学的Anatole von Lilienfeld是一名利用机器学习预测化学行为的专家，他也认为“机器学习不会取代未来的化学家，而是会帮助他们”。他认为它是“继实验、理论和计算之后科学的第四大支柱”。因此，它只是一个更好地理解和控制化学过程和性质的工具。

但是新的工具不仅仅扩展了进行和研究化学过程的方法;它们可能会改变我们对它们的看法。多伦多计算科学家Alán Aspuru-Guzik的博士后研究员Felix Strieth-Kalthoff说:“工具箱里的每一个新工具都导致化学家的重点转移。”

他说，以核磁共振光谱学的发展为例。“它已经发展成为一种强大的常规技术，能够对越来越复杂的分子进行表征，这使得研究人员能够将注意力转移到它们及其反应上。”一旦聚合酶链式反应使得扩增DNA序列进行分析变得容易，生物学家和生物化学家就能够专注于更高层次的任务，比如弄清楚这些序列的意义。通过这种转变，曾经是化学实践中心的技术，如滴定，可能会被现代自动化技术所取代，而变成一种教育目的。“我相信人工智能工具可以实现类似的范式转变，化学家有更多的时间和能力专注于复杂的、更高层次的设计任务，”斯特里eth- kalthoff说。

尽管如此，他仍然相信“化学家将站在概念化、抽象化和指导研究问题的最前沿，因为化学的整体是如此庞大和多样化，而迄今为止我们对它的探索是如此之少。”

瑞士伯尔尼大学的化学信息学专家让-路易·雷蒙德同意这一观点。他说:“我的观点是，从长远来看，人工智能确实应该赶上或超过化学家的专业知识，但还有很长的路要走。”“当那一天到来时，人工智能仍将是化学家的丰富工具，而不是替代品，因为决定应用人工智能解决哪个问题，何时以及如何实施人工智能解决方案，都需要人类专家。”

然而，随着人工智能和自动化扩大了探索合成策略的可能性，化学家在评估和优化它们时可能会变得更加系统。例如，去年普林斯顿大学阿比盖尔·多伊尔领导的团队证明了这一点人工智能算法能够超越人类的判断优化了钯催化的有机分子间交叉偶联反应的反应条件(著名的铃木反应的变体)。该算法使用了一种称为贝叶斯优化的方法，在这种方法中，对最佳解决方案的期望不断被新数据更新——在这种情况下，由探索反应条件的自动化高通量系统提供。人工智能系统能够识别出与以前常用的反应条件有本质不同的最佳反应条件。

人工智能将如何瓜分自然?

这样的技术会产生什么样的启发式理解?化学一直依赖于将复杂的、有时令人困惑的数据提炼成概念，为化学推理提供直观的经验法则:如键类型和顺序、原子半径、电负性尺度和氧化态等概念。但是，如果这门学科越来越依赖于对原始数据的数字运算，这些概念还会有用吗?利连菲尔德是这么认为的。他说，这种启发式概念是将高维数据降为低维参数的方法——例如，通常有几种成分用于计算代表电负性的单个数字。利利恩菲尔德认为，人工智能技术应该能够再现这些参数，并量化它们的局限性。

但这些方法也可能确定新的参数和指标:以发现减少数据的新方法。Lilienfeld引用了“Pettifor数量”1984年，理论化学家大卫·佩蒂福(David Pettifor)提出，根据元素周期表中每个元素在二元化合物AB中形成的结构来表征它们_n．粗略地说，具有相同Pettifor数的元素应该能够在这样的二元相中相互替代。人工从574种化合物的数据集中推断出的分类方案，可能被认为是现在由机器学习生成的分类方案的先驱。但是人工智能的方法完善了Pettifor数的概念作为一种元素分组的方式，以这种方式，拓宽了化学家有用的启发式的花名册。

另一个例子是所谓的elpasolite晶体结构的分类(用化学计量学ABC₂D₆)，包含主组元素。Lilienfeld和他的同事利用机器学习来寻找成键和生成能的趋势这让他们发现了一些不寻常的情况，比如铝被赋予负氧化态。Lilienfeld认为，通过这种方式，人工智能可能会帮助化学家探索该领域的传统启发式是否真的“在其关节处切割自然”，或者需要改进和修改以更好地与数据显示的一致。

德国莱比锡马克斯·普朗克科学数学研究所的Guillermo Restrepo说:“也许未来的人工智能方法，通过打开连接输入和输出的黑盒子，将丰富理解化学现象的一系列可能性。”但他指出，到目前为止，人工智能技术还没有揭示出任何被忽视的类别，比如反应类或官能团。也许我们已经确定了化学中大部分有用的“粗粒度”描述，或者这只是表明我们倾向于被已经熟悉的领域所吸引?

用人工智能从原始数据中做出的分类也可能帮助我们确定化学家目前使用的是“自然的”(客观反映在物理世界中)，还是更多地是历史和文化偶然性的问题。希腊雅典大学(University of Athens)的化学哲学家瓦妮莎·塞弗特(Vanessa Seifert)说:“人工智能可以解决某些概念是否反映了世界上的自然类别。”她建议说，酸性可能是一个很好的例子:它只是临时的吗?对日常概念的坚持还是说它有更深层次的有效性化学行为的基本方面?

迈向人工智能辅助欣赏

如果我们要提取新的一般性见解，我们可能需要开发“可解释”的人工智能算法:不只是吐出数字，而是能够为他们的结论提供一些定性的理由。这越来越成为人工智能领域普遍追求的目标，因为它往往是客户的需求。比如，医生想从一个人工智能诊断系统了解的，不仅是它认为病人得了什么病，还有它是如何得出这个结论的。如果人工智能值得信任，它可能必须能够解释自己。

Strieth-Kalthoff说:“可解释的人工智能和基于人工智能的假设生成的想法直到最近才达到化学的程度。”例如，Aspuru-Guzik和他的同事开发了一种ML算法，可以提取人类可解释的见解来自化学和物理的大数据集。该算法不仅恢复了一些已知的控制有机分子的溶解度和能级的经验法则，例如杂环和后者的吸电子基团的作用，还提供了一些新的规则。

Strieth-Kalthoff说，这种方法在化学领域还没有被广泛采用。他补充说，我相信这一天会到来，但需要一些时间。鲍姆说:“一旦我们有了可以在熟悉的化学环境中解释数据的人工智能，我们就有很好的机会识别新的模式，并从中构建抽象。”

我认为这将补充目前化学家的技能

从在其他领域(如音乐和游戏)使用人工智能的经验来看，它甚至有可能拓宽我们的生活升值例如，通过发现人类没有发现的优雅的新逆合成策略。雷蒙德说，他对人工智能的反合成研究已经确定了一些以前没有怀疑过的可能性，但在实验室中测试它们可能是一个非常费力的过程，就像新的合成策略一直以来的情况一样。

鲍姆指出，这种灵感已经从开创性的项目中流淌出来游戏算法AlphaZero该程序由DeepMind公司开发，可以在国际象棋、围棋和日本棋类游戏将棋方面击败其他最先进的程序。国际象棋世界冠军马格努斯·卡尔森(Magnus Carlsen)证实，他的游戏受到了影响AlphaZero显示的一些走法。

Strieth-Kalthoff说:“我觉得象棋和围棋的类比非常恰当。”如果人工智能发现了更多成功的策略或概念，我们不仅可以从中学习，还可以从美学上欣赏它们。“从长远来看，”他说，“我认为这将补充目前化学家的技能，并导致对化学的更好的普遍理解。”

菲利普·鲍尔是一位生活在英国伦敦的科普作家