AI對于化學意味著什么？

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、醫生、教師、詩人……隨著近期ChatGPT的出現，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。“哦，不，天體物理學家不會被取代。”他回答。他們做的工作無法被自動化。

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重要，AI在可預見的未來中無法淘汰直覺。實際上，現今的AI很大程度上基于能夠挖掘龐大數據集，尋找模式和相關性的機器學習算法，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連接時：不僅分析數據，還能籌劃和執行實驗，進行迭代改進，甚至用公式表述和檢驗特定的假設。這些尚未成為實驗室里的常規做法，但正在變得越來越常見。

AI可以如何轉變化學家提出的問題？

在某些方面，化學接受AI殖民（AI colonisation）的時機已經成熟。大量的化學合成利用經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性操作。微流體技術使得許多濕化學操作能夠自動化完成。即使設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，那些系統允許使用者輸入他選擇的任何一種分子。許多分析技術也正在被自動化改造。

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

也許，更加有啟發性的問題是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：化學的元素物質是什么？它們如何組成不同的化合物？從19世紀中期起，學者的關注點轉移到分子結構，促成這一轉變的部分原因是分離和提純緊密相關化合物的能力的改進。量子理論和光譜學之類技術的出現在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動態學的細節。隨著AI越來越變成化學家工具箱中的一個工具，它可以如何轉變化學家提出的問題？

怎樣的工具

隨著AI在實驗室里發揮的作用日益擴張，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。”但是，將這些方法放大規模到中試的運作，就需要以人工方式完成，至少在目前是這樣。“在我看來，賦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，“我們會繼續讓研究生在硅膠柱上辛苦忙活，努力讓蒸餾器運作。”

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導致化學家關注點的轉變。”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）波譜法的發展為例，”他說，“它演變為一種強大的常規技術，能夠表征越來越復雜的分子，這使得研究者能夠把注意力轉向復雜分子和它們的反應。”一旦聚合酶鏈式反應使得擴增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，譬如弄明白DNA序列意味著什么。經由這些轉變后，曾經對于化學實踐而言屬于核心的技術——譬如滴定——可能被降格為一種教育用途的技術，因為它們被現代自動化技術取代了。“我相信AI工具能讓類似的范式轉變成為可能，讓化學家擁有更多時間和能力集中于復雜的、更高等級的設計任務。”施特里特-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，我們迄今為止已經探索過的領域多么的小，化學家仍將站在概念化、抽象化和指導研究問題的最前沿。”

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。”

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化策略時變得更加有系統性。譬如，2022年普林斯頓大學的阿比蓋爾 · 多伊爾（Abigail Doyle）領導的一支團隊表明，在優化有機分子之間鈀催化交叉偶聯反應（著名的鈴木反應的一個變體）的反應條件方面，AI算法在表現上勝過人類的判斷。算法使用一種名叫貝葉斯優化的方法，在這種優化中，對于最佳解的期望被新數據不斷更新——在此例中，新數據由一個探索反應條件的自動化高通量系統提供。AI系統也能確定與之前普遍使用的反應條件有本質不同的最佳反應條件。

AI將會如何切分自然？

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

但這些方法也可能識別出新的參數與度量：也就是發現減少數據的新方法。利林菲爾德援引佩蒂弗數概念為例，佩蒂弗數由理論化學家大衛 · 佩蒂弗（David Pettifor）在1984年提出，旨在根據元素在二元化合物ABn中形成的結構，描繪出元素周期表中的每個元素的特征。粗略地說，具有相同佩蒂弗數的元素應該能夠在二元相中替代彼此。這個從574種化合物的數據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生的分類項目的前身。但AI的方法是完善佩蒂弗數的概念，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（化學計量數為ABC2 D6）晶體結構的分類。利林菲爾德和同事使用機器學習來尋找這些結構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域傳統的啟發式方法是否真正地“將自然在關節處切分”，還是需要完善和修改，以便更好地與數據顯示的一致。

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，將會增進對化學現象的理解。但他也指出，迄今為止，AI技術尚未揭示任何一類遭到忽視的反應類或官能團。也許我們已經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熟悉的領域吸引。

用AI從原始數據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事件。“AI能夠確定一些化學概念是否反映出世界中的自然類別。”來自雅典大學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，我們也許需要發展“有解釋能力”的AI算法：這些算法不僅給出數字，也能為它們的結論提供一些定性理由。那越來越成為AI領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，一位醫生不僅想要從AI診斷系統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的假設生成理念直到最近才進入化學領域。”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研發出一種機器學習算法，能夠從化學和物理學的大型數據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——譬如雜環和吸電子基團對于能級的作用——經驗法則，也提供一些新的結論。

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據的AI，很可能就可以識別新的模式，依靠它們建立抽象概念。”

根據其他領域（如音樂和棋類游戲）使用AI的經驗來判斷，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現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現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）曾經證實，他的下棋風格受到AlphaZero一些招數的影響。

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發現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。”

總有一天，機器可能生成一些假設并向人類做出解釋。

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《預知社會：群體行為的內在法則》《好奇心》《圖案密碼》《明亮的泥土：顏色發明史》《如何制造一個人》《量子力學，怪也不怪》《我們為什么聽音樂》《水：中國文化的地理密碼》等著作都有中譯本