每天工作21.5小时，其余时间用来充电；8天自主完成688个实验，从中发现了比初始配方活性高6倍的光催化剂；一周时间研究 1000 种催化配方……这组出现在《Nature》杂志封面报道上的数据，来自由英国利物浦大学首创的新型机器人化学家的表现。现在，机器人融合AI技术在合成化学领域的进展让人欣喜。 “我非常期待看看自动化设备结合和AI，能够给合成化学家带来什么样的发展空间。”在昨天（29）闭幕的“合成化学研究新范式——机器人融合AI研讨会”，担任大会主席的中国科学院院士、复旦大学教授麻生明说。去年6月，晶泰科技的智能手套箱合成工作站交付给麻生明原始团队使用，经过几个月的改进开始用于ATA反应的进一步发展。 中国工程院院士、中国石化上海石油化工研究院院长杨为民介绍，陶氏化学正在使用微软的Azure机器学习来开发和整合机器学习和AI到其预测能力中。在对聚氨酯复杂配方筛选中，定制的机器学习将传统4-6个月的工作缩短至30秒内完成，效率提升20万倍。 “我们原来做化学实验，平均每个学生一天做一个，做两个就算比较厉害，使用晶泰的智能合成工作站后，一次能做48个实验，效率提升很快。”麻生明院士说。要实现这一点并不容易，麻院士团队的项目研究需要多参数复杂反应条件下进行，即工作流程步骤多反应复杂，晶泰团队与麻生明团队一起完成了这台自动化实验设备的“本地化”。 智能合成工作站的“好用”符合麻院士的预期，但在他看来，这个仪器如果跟AI结合起来，也就是机器如果能根据所采集的标准数据加上AI直接输出一些分析结论，创新的效率将为呈几何倍数增加。 去年的诺贝尔化学奖颁给阿尔法折叠，就显示了科学界对此的期待。通过分析大量的输入和输出数据寻找规律，掌握分子间相互作用的力、角度等参数，再模拟出现实情况，“阿尔法折叠2”极大缩短了人工确定蛋白质结构的时间。截至去年10月，已有来自大约190个国家的200多万人使用了“阿尔法折叠2”程序。 从读懂现象到摸清规律、再到高效表达复杂的微观世界，AI与化学的结合已势不可挡。 在麻生明看来，自动化学合成+AI可能给合成化学家带来无限想象的空间，他们团队下一步重点工作就是解决分析能力弱的“痛点”。 谁能拿到高质量、低成本的数据，谁就能占得未来发展先机。晶泰科技智能自主实验平台可以7X24小时连续实验并持续记录实验步骤，将这些标准化数据“投喂”给AI算法，已形成相当成功的“正反馈”。 现在，晶泰科技会定期组织人机预测比拼，截至目前晶泰自研的垂类大模型在预测反应成功率上已实现80%以上的准确率，与人类科学家旗鼓相当甚至略胜一筹，且模型还在飞速迭代。最近，公司联合创始人、首席执行官马健有一个有趣的发现：大模型对于“负样本”的识别效率最高能达到人工的一倍以上。 以教育为例，正样本是受教育者去做什么，负样本则是让他不要做什么。马健认为，在正样本训练边际效益日渐缩窄的情况下，负样本在帮助大模型“智力”提升方面显示出稀缺性和更高价值。 麻生明院士非常认可这一观点。在他看来，按照标准程序去使用机器人，很容易把偶然性忽略掉，理想的使用方法应该是，在成千上万个实验中，机器人和人工智能融合，告诉人们哪几个地方不同寻常——创新往往从这些“不同寻常”之中而来。
