讓機器為我們進行思考會不會改變我們對化學的理解？科普作家菲利普 · 鮑爾審視了這個問題。

好幾年前，我和一位杰出的天體物理學家同坐一輛計程車，我們在路上聊起AI的未來。他說，工作崗位將逐漸變得可以犧牲。AI會取代計程車司機、醫(yī)生、教師、詩人……隨著近期ChatGPT的出現(xiàn)，如今有一些人認為AI最終會取代作家。

“那么天體物理學家呢？”我問道?！芭叮?，天體物理學家不會被取代?！彼卮稹Ｋ麄冏龅墓ぷ鳠o法被自動化。

我不懷疑，他的話有點諷刺的成分，但許多科學家的本能想法是人類的直覺對于他們的工作方式至關(guān)重要，AI在可預(yù)見的未來中無法淘汰直覺。實際上，現(xiàn)今的AI很大程度上基于能夠挖掘龐大數(shù)據(jù)集，尋找模式和相關(guān)性的機器學習算法，被視作科研人員的助手，而非科研人員的替代。它能完成許多事，尤其是當它與機器人系統(tǒng)連接時：不僅分析數(shù)據(jù)，還能籌劃和執(zhí)行實驗，進行迭代改進，甚至用公式表述和檢驗特定的假設(shè)。這些尚未成為實驗室里的常規(guī)做法，但正在變得越來越常見。

AI可以如何轉(zhuǎn)變化學家提出的問題？

在某些方面，化學接受AI殖民（AI colonisation）的時機已經(jīng)成熟。大量的化學合成利用經(jīng)過試驗檢驗的方法和合成路線，甚至那些實施者都覺得它們是無聊乏味的重復(fù)性操作。微流體技術(shù)使得許多濕化學操作能夠自動化完成。即使設(shè)計逆合成策略也可以是公式化的，因此適合于算法。早已有研究人員嘗試制造出自動化合成系統(tǒng)，那些系統(tǒng)允許使用者輸入他選擇的任何一種分子。許多分析技術(shù)也正在被自動化改造。

但是，將這些發(fā)展塑造為“人類化學家的退場”就屬于過分簡單化了。至少以近期來說，更可能發(fā)生的情況是化學家扮演的角色和擁有的技能組合會轉(zhuǎn)變。消除重復(fù)性任務(wù)的負擔，這一點都不會讓我們遺憾，因為它可能解放化學家，讓他們能進行創(chuàng)造性思考，而不是例行公事地埋頭苦干。

也許，更加有啟發(fā)性的問題是AI是否可能從概念上改變化學？歷史上，方法論的改變伴隨著學科知識框架的變化。18世紀分析化學的進步使得學者能聚焦于組成的問題：化學的元素物質(zhì)是什么？它們?nèi)绾谓M成不同的化合物？從19世紀中期起，學者的關(guān)注點轉(zhuǎn)移到分子結(jié)構(gòu)，促成這一轉(zhuǎn)變的部分原因是分離和提純緊密相關(guān)化合物的能力的改進。量子理論和光譜學之類技術(shù)的出現(xiàn)在20世紀初期促成對化學鍵的新認識。在20世紀漸近尾聲時，分子束和超快激光使得研究者可以研究反應(yīng)動態(tài)學的細節(jié)。隨著AI越來越變成化學家工具箱中的一個工具，它可以如何轉(zhuǎn)變化學家提出的問題？

怎樣的工具

隨著AI在實驗室里發(fā)揮的作用日益擴張，一個被常常問起的問題是，化學家以后是否需要傳統(tǒng)上教授的實踐技能？假如合成變成了使用微流體和其他方法來完成的自動化合成，那么你還需要知道如何使用移液器或如何滴定嗎？

扎卡里 · 鮑姆（Zachary Baum）認為你需要。他是美國化學學會信息部門的一位科學內(nèi)容工程師。他說：“多步微流體操控在改進中，包括在每個自動化步驟中提純樣本的方法，所以流動化學對于研究人員而言，可能會變得更加像例行程序?！钡?，將這些方法放大規(guī)模到中試的運作，就需要以人工方式完成，至少在目前是這樣?！霸谖铱磥恚x予合成化學魅力的實踐技能的重要性沒有一絲一毫的降低，”他說，“我們會繼續(xù)讓研究生在硅膠柱上辛苦忙活，努力讓蒸餾器運作?！?/p>

多倫多大學的阿納托爾 · 馮 · 利林菲爾德（Anatole von Lilienfeld）是一位利用機器學習來預(yù)測化學行為的專家，他同意“機器學習不會取代未來的化學家，而是會協(xié)助他們”。他認為機器學習是“繼實驗、理論和計算之后科學的第四支柱”。如他所說，它是一個為更好地理解和控制化學過程和性質(zhì)的工具。

但是，新的工具不只是擴展研究化學過程的方式，它們可能改變我們對于化學過程的思考方式。“工具箱中的每個新工具都已經(jīng)導致化學家關(guān)注點的轉(zhuǎn)變。”多倫多大學的費利克斯 · 施特里特-卡爾特霍夫（Felix Strieth-Kalthoff）說道，他是一位跟隨計算科學家阿蘭 · 阿斯普魯-古齊克（Alán Aspuru-Guzik）工作的博士后。

“以核磁共振（NMR）波譜法的發(fā)展為例，”他說，“它演變?yōu)橐环N強大的常規(guī)技術(shù)，能夠表征越來越復(fù)雜的分子，這使得研究者能夠把注意力轉(zhuǎn)向復(fù)雜分子和它們的反應(yīng)?！币坏┚酆厦告準椒磻?yīng)使得擴增DNA序列進行分析變得容易，生物學家和生物化學家就能聚焦于更高級別的任務(wù)，譬如弄明白DNA序列意味著什么。經(jīng)由這些轉(zhuǎn)變后，曾經(jīng)對于化學實踐而言屬于核心的技術(shù)——譬如滴定——可能被降格為一種教育用途的技術(shù)，因為它們被現(xiàn)代自動化技術(shù)取代了?！拔蚁嘈臕I工具能讓類似的范式轉(zhuǎn)變成為可能，讓化學家擁有更多時間和能力集中于復(fù)雜的、更高等級的設(shè)計任務(wù)?！笔┨乩锾?卡爾特霍夫說道。

他仍然堅信：“鑒于化學整體上多么廣袤和多樣，我們迄今為止已經(jīng)探索過的領(lǐng)域多么的小，化學家仍將站在概念化、抽象化和指導研究問題的最前沿?！?/p>

瑞士伯爾尼大學的化學信息學專家讓-路易 · 雷蒙（Jean-Louis Reymond）贊同這種觀點：“我的觀點是，AI從長期來看應(yīng)該確實會比得上或者超越化學家的學識，但還有漫漫長路要走。當那天來臨時，AI仍將是化學家的工具，而不是替代品，因為決定應(yīng)用AI解決哪個問題，何時以及如何實施人工智能解決方案，都需要人類專家?！?/p>

然而，隨著AI和自動化擴大探索合成策略的可能性，化學家可能在評估和優(yōu)化策略時變得更加有系統(tǒng)性。譬如，2022年普林斯頓大學的阿比蓋爾 · 多伊爾（Abigail Doyle）領(lǐng)導的一支團隊表明，在優(yōu)化有機分子之間鈀催化交叉偶聯(lián)反應(yīng)（著名的鈴木反應(yīng)的一個變體）的反應(yīng)條件方面，AI算法在表現(xiàn)上勝過人類的判斷。算法使用一種名叫貝葉斯優(yōu)化的方法，在這種優(yōu)化中，對于最佳解的期望被新數(shù)據(jù)不斷更新——在此例中，新數(shù)據(jù)由一個探索反應(yīng)條件的自動化高通量系統(tǒng)提供。AI系統(tǒng)也能確定與之前普遍使用的反應(yīng)條件有本質(zhì)不同的最佳反應(yīng)條件。

AI將會如何切分自然？

這些技術(shù)可能會產(chǎn)生什么樣的啟發(fā)式理解？化學一直都依賴于把復(fù)雜的、有時令人困惑的數(shù)據(jù)提煉成概念，再為化學推理提供直覺性的經(jīng)驗法則：諸如化學鍵類型和鍵級、原子半徑、電負性標度和氧化態(tài)等概念。但假如化學學科變得更加依賴于原始數(shù)據(jù)的大量數(shù)字運算，那么這些概念會不會繼續(xù)有用？利林菲爾德認為答案是肯定的。他說，這些啟發(fā)式概念是把高維度數(shù)據(jù)縮減為低維度的參數(shù)的方式——比如，在計算一個代表電負性的數(shù)字時，通常有好幾個要素介入。利林菲爾德感覺，AI技術(shù)應(yīng)該能再生這些參數(shù)，量化它們的限度。

但這些方法也可能識別出新的參數(shù)與度量：也就是發(fā)現(xiàn)減少數(shù)據(jù)的新方法。利林菲爾德援引佩蒂弗數(shù)概念為例，佩蒂弗數(shù)由理論化學家大衛(wèi) · 佩蒂弗（David Pettifor）在1984年提出，旨在根據(jù)元素在二元化合物ABn中形成的結(jié)構(gòu)，描繪出元素周期表中的每個元素的特征。粗略地說，具有相同佩蒂弗數(shù)的元素應(yīng)該能夠在二元相中替代彼此。這個從574種化合物的數(shù)據(jù)集中用手算推斷出的分類計劃可以被視為如今由機器學習產(chǎn)生的分類項目的前身。但AI的方法是完善佩蒂弗數(shù)的概念，把它作為一種將元素分類的方法，并借此拓寬化學家掌握的有用的啟發(fā)式方法。

另一個例子是含有主族元素的鉀冰晶石（化學計量數(shù)為ABC2 D6）晶體結(jié)構(gòu)的分類。利林菲爾德和同事使用機器學習來尋找這些結(jié)構(gòu)的成鍵和形成能的趨勢，使得他們識別出一些不同尋常的例子，譬如鋁元素在鉀冰晶石中被賦予負氧化態(tài)的情況。利林菲爾德覺得，AI以這種方式可能幫助化學家探究化學領(lǐng)域傳統(tǒng)的啟發(fā)式方法是否真正地“將自然在關(guān)節(jié)處切分”，還是需要完善和修改，以便更好地與數(shù)據(jù)顯示的一致。

吉耶爾莫 · 雷斯特雷波（Guillermo

Restrepo）在位于德國萊比錫的馬克斯 · 普朗克自然科學數(shù)學研究所工作。他說：“或許未來的AI方法通過打開連接輸入和輸出的黑盒，將會增進對化學現(xiàn)象的理解。但他也指出，迄今為止，AI技術(shù)尚未揭示任何一類遭到忽視的反應(yīng)類或官能團。也許我們已經(jīng)確定了我們對于化學所需的大部分有用的“粗礪”描述，或者這只是表明我們傾向于被已經(jīng)熟悉的領(lǐng)域吸引。

用AI從原始數(shù)據(jù)中取得的分類也可能幫助我們判斷，那些化學家目前使用的方法是不是“自然的”（在實體世界中客觀反映出的東西），還是更多是歷史上和文化上的偶發(fā)事件?！癆I能夠確定一些化學概念是否反映出世界中的自然類別?！眮碜匝诺浯髮W的化學哲學家瓦妮莎 · 塞弗特（Vanessa Seifert）說道。她提出，酸性也許是一個好例子：酸性只是臨時的“日常概念的持久性”，還是作為化學行為的一個基本方面有更深層次的有效性？

邁向人工智能輔助鑒賞

假如我們要獲得新的洞察，我們也許需要發(fā)展“有解釋能力”的AI算法：這些算法不僅給出數(shù)字，也能為它們的結(jié)論提供一些定性理由。那越來越成為AI領(lǐng)域更加普遍追求的一個目標。因為它往往是客戶需要的東西。比方說，一位醫(yī)生不僅想要從AI診斷系統(tǒng)知道它認為病人罹患什么病癥，也想知道它是如何得到那個結(jié)論的。AI假如要得到信任，也許必須要能夠解釋自身。

“有解釋能力的AI和基于AI的假設(shè)生成理念直到最近才進入化學領(lǐng)域。”施特里特-卡爾特霍夫說。譬如，阿斯普魯-古齊克與合作者已經(jīng)研發(fā)出一種機器學習算法，能夠從化學和物理學的大型數(shù)據(jù)集中提取出可以向人類解釋的見解。算法除了重新獲得一些已知的控制有機分子溶解度和能級方面的——譬如雜環(huán)和吸電子基團對于能級的作用——經(jīng)驗法則，也提供一些新的結(jié)論。

施特里特-卡爾特霍夫說：“這樣的手段尚未在化學中被廣泛采用。我堅信這樣的一天會到來，但這會需要一些時間。”鮑姆說：“一旦我們擁有能夠在熟悉的化學語境下解釋數(shù)據(jù)的AI，很可能就可以識別新的模式，依靠它們建立抽象概念。”

根據(jù)其他領(lǐng)域（如音樂和棋類游戲）使用AI的經(jīng)驗來判斷，AI甚至可能拓寬我們對于化學的鑒識——譬如識別出人類從未發(fā)現(xiàn)過的全新的逆合成策略。雷蒙說，他對于AI用于逆合成的研究發(fā)現(xiàn)了一些之前從未被懷疑過的可能性——但在實驗室中檢驗它們很可能是一個十分費力的過程，新的合成策略的研究總是這樣。

鮑姆指出，這樣的靈感源自奠基性的弈棋算法AlphaZero，這個算法能在國際象棋、圍棋上擊敗其他的一流程序。國際象棋世界冠軍芒努斯 · 卡爾森（Magnus Carlsen）曾經(jīng)證實，他的下棋風格受到AlphaZero一些招數(shù)的影響。

施特里特-卡爾特霍夫說：“我覺得國際象棋或圍棋的類比十分恰當。假如AI發(fā)現(xiàn)更多成功的策略或概念，我們不僅能從中學習，而且也能逐漸從美學角度賞識它們。長期來看，我認為這會補充當前化學家的技能組合，使得我們更好地理解化學?！?/p>

總有一天，機器可能生成一些假設(shè)并向人類做出解釋。

資料來源 Chemistry World

本文作者菲利普 · 鮑爾（Philip Ball）是英國著名科學作家，他的《預(yù)知社會：群體行為的內(nèi)在法則》《好奇心》《圖案密碼》《明亮的泥土：顏色發(fā)明史》《如何制造一個人》《量子力學，怪也不怪》《我們?yōu)槭裁绰犚魳贰贰端褐袊幕牡乩砻艽a》等著作都有中譯本