前言

有消息称，AI 大模型 “化学家” 登 Nature 能够自制阿司匹林、对乙酰氨基酚、布洛芬，甚至连复杂的钯催化交叉偶联反应，也能完成。

要知道，2010 年诺贝尔化学奖获得者就因为对该反应的研究才获奖，这类反应可以高效地构建碳-碳键，生成很多以往很难甚至无法合成的物质。

揭秘Coscientist

下面我们来看看化学家 Coscientist 到底长什么样子。

Coscientist 由卡内基梅隆大学的研究团队开发。前不久谷歌 DeepMind 造的 AI 化学家也登上了 Nature，号称一口气能预测 220 万种新材料。

而现在 Coscientist 则是实打实能自主完成后续所有实验流程。

能够完成如此复杂的实验任务，关键在于多模块交互的系统架构。

Coscientist 内含五大模块：Planner、Web searcher、Code execution、Docs searcher、Automation。

其中 Planner 模块是整个系统的智能中枢，它基于 GPT-4 打造，负责根据用户的输入，调用和协调其它模块来规划和推进整个实验。

Planner 可以发出 GOOGLE、PYTHON、DOCUMENTATION 和 EXPERIMENT 四个指令。

GOOGLE 指令负责使用 Web searcher 模块在互联网中检索关于实验的信息，Web searcher 本身也是一个大模型。

PYTHON 指令控制 Code execution 模块，Code execution 是一个隔离的 Docker 容器，提供一个独立的 python 执行环境，可以完成实验相关的计算工作。

DOCUMENTATION 指令控制 Docs searcher 是用于文本检索和文档理解。

比如，在云实验室中远程操控移液机器人开展实验。

如此一来，假设要求 Coscientist 合成某种物质时，Coscientist 会在互联网上搜索合成路线，然后设计所需反应的实验方案，下一步编写代码来指导移液机器人，最后运行代码，使机器人执行其预定的任务。

不到四分钟，设计并改进了程序

由于 Coscientist 没有眼睛，编写代码自动将神秘色板传递到分光光度计，并分析每个孔吸收的光的波长，从而识别存在哪些颜色及其在色板上的位置。对于这项任务，研究人员必须在正确的方向上稍微推动 Coscientist，指示它思考不同颜色如何吸收光线。

Coscientist的期末考试是将其组装的模块和训练放在一起，以完成“Suzuki和Sonogashira反应”。

该反应发现于20世纪70年代，利用金属钯催化有机分子中碳原子之间的键。事实证明，这些反应对于生产治疗炎症、哮喘和其他疾病的新型药物非常有用。它们还用于许多智能手机和显示器中OLED的有机半导体。2010 年，Sukuzi、Richard Heck和Ei-ichi Negishi联合获得诺贝尔奖，正式认可了这些突破性反应及其广泛影响。

当然，Coscientist以前从未尝试过这些反应。因此，它在网上查找了相关知识，包括维基百科、美国化学会、英国皇家化学会和其他包含描述该反应的学术论文网站。

在不到四分钟的时间里，Coscientist设计了一个精确的程序，使用团队提供的化学品产生所需的反应。不过当它试图用机器人在现实世界中执行程序时，它在为控制加热和摇动液体样本的设备而编写的代码中犯了一个错误。

但是，即使没有人类提示，Coscientist自己就发现了问题，查阅了设备的技术手册，更正了代码并再次尝试。

结果包含在一些透明液体的微小样本中。Boiko分析了样品，发现了反应的光谱特征。

Gomes和团队设想像Coscientist这样的人工智能辅助系统作为一种解决方案，可以弥合未经探索的浩瀚自然与训练有素的科学家短缺（而且可能永远如此）之间的差距。

能力越大，责任越大

人类科学家也有人类的需求，比如睡觉和偶尔走出实验室。而人类引导的人工智能可以“思考”。夜以继日，有条不紊地翻阅每一块众所周知的石头，检查并重新检查其实验结果的可复制性。

“我们可以拥有可以自主运行的东西，尝试发现新现象、新反应、新想法。”Gomes说。

“你还可以显著降低基本上任何领域的进入门槛。”他说。例如，如果未受过相关培训的生物学家想要以新的方式探索其用途，他们可以要求Coscientist帮助他们计划实验。

“这可以实现资源和理解的大规模民主化。”他解释道。

Gomes表示，科学中有一个尝试、失败、学习和改进的迭代过程，人工智能可以大大加速这个过程。“这本身就将是一个巨大的变化”。