今天小編分享的科技經驗：AI復現諾獎研究，人類又壓力山大了？，歡迎閱讀。
只用幾分鍾，AI 便成功復現了一項諾獎研究，且只需要嘗試一次。
這個由 GPT-4 驅動的 "AI 實驗室夥伴 " 名為 Coscientist，由來自卡内基梅隆大學和 Emerald Cloud Lab 的研究團隊共同提出，剛剛登上了權威科學期刊 Nature。
據介紹，Coscientist 結合大型語言模型（LLMs）的能力以及互聯網和文檔搜索、代碼執行和實驗自動化等工具，能夠自主設計、規劃和執行真實世界的化學實驗。
Coscientist 在六個不同任務中展示了其加速研究的潛力，包括成功優化钯催化偶聯反應（美國化學家 Richard Fred Heck 與兩位日本化學家 Ei-ichi Negishi 和 Akira Suzuki 因 " 對有機合成中钯催化偶聯反應的研究 " 獲得了 2010 年諾貝爾化學獎），同時在（半）自主實驗設計和執行方面展現了先進的能力。
圖｜由 Coscientist 生成的代碼。分為以下幾個步驟：定義方法的元數據、加載實驗器皿模塊、設定液體處理器、執行所需的試劑轉移、設定加熱器 - 振動器模塊、運行反應以及關閉模塊。（來源：該論文）
這一研究表明，人類有可能有效地利用 AI 提高科學發現的速度和數量，并改善實驗結果的可復制性和可靠性。
相關研究論文以 "Autonomous chemical research with large language models" 為題，已發表到 Nature 上。
論文通訊作者、卡内基梅隆大學化學與化學工程助理教授 Gabe Gomes 表示：" 我們可以擁有一些可以自主運行的東西，試圖發現新的現象、新的反應、新的思想。你可以實現資源和理解的大規模民主化。"
他表示，科學中的嘗試、失敗、學習和改進的迭代過程可以通過 AI 大大加速，這本身将是一場戲劇性的變革。
美國國家科學基金會化學部主任 David Berkowitz 認為：" 在進行系統演示的化學合成任務之外，Gabe Gomes 及其團隊成功構建了一種高效的實驗室夥伴，他們将各個組成部分巧妙地融合在一起，最終的成果遠遠超越了各個部分單獨的貢獻，可應用于真正有益的科學研究。"
在同時發表在 Nature 上的一篇觀點文章中，來自裡斯本大學藥學院藥物研究所的 Ana Laura Dias 和 Tiago Rodrigues 寫道，Coscientist 是人類 " 朝着建立自動化實驗室邁出的關鍵一步 "，" 只要在化學領網域濫用大型語言模型的可能性不會導致扼殺相關研究的法規出台，我們期待在不久的将來會有更多令人興奮的發展 "。
然而，正如論文中描述的，Coscientist 也有一些局限性。例如，Coscientist 有時會出現化學反應不正确的情況（盡管其可以自我糾正）。不過，通過使用復雜的提示策略（如思維鏈和思維樹）以及增加化學相關的數據，這些問題或許可以得到緩解。
此外，還需要注意的是，現實世界中的研究問題要比本研究中的復雜得多，往往涉及化學以外的學科概念，如藥物開發中的生物學。然而，目前的 Coscientist 還無法解決這些復雜的問題。
成功復現諾獎研究
據論文描述，Coscientist 通過與多個模塊的互動（包括網絡和文檔搜索、代碼執行以及實驗），獲取解決復雜問題所需的知識。
系統的主模塊是 Planner，以 GPT-4 為基礎。作為實驗室助手，Coscientist 通過調用四個命令（GOOGLE、PYTHON、DOCUMENTATION 和 EXPERIMENT）來規劃實驗。
其中，GOOGLE 命令負責在互聯網上進行搜索，PYTHON 命令執行代碼，而 DOCUMENTATION 命令檢索和總結必要的文檔。此外，這些命令還可以執行子操作。
圖｜Coscientist 系統架構（來源：該論文）
實驗從簡單的任務開始。研究人員首先要求 Coscientist 使用液體處理器機器，将有色液體分配到一個包含 96 個小孔的網格板中，任務指令主要包括 " 用你選擇的一種顏色每隔一行塗抹一次 "，" 繪制一條藍色的對角線 " 等低水平任務。
在成功完成上述任務後，研究團隊向 Coscientist 展示了更多類型的機器人設備。接下來，Coscientist 挑戰識别一塊含有三種不同顏色（紅色、黃色和藍色）液體的板，并确定板上每種顏色的位置。
圖｜機器人液體處理控制能力和與分析工具的集成（來源：該論文）
由于 Coscientist 沒有眼睛，它編寫了代碼，将神秘顏色板機器人傳遞到分光光度計，并分析每個小孔吸收的光波長，從而确定板上存在哪些顏色及其位置。對于這項任務，研究人員不得不在正确的方向上給 Coscientist 一點指導，指示它思考不同顏色如何吸收光。其餘工作由 AI 自主完成。
在最終的測試中，Coscientist 負責執行 "Suzuki 和 Sonogashira 反應 "。
這兩種反應分别以它們的發明者的名字命名。這些反應在 20 世紀 70 年代被發現，利用金屬钯來催化有機分子中碳原子之間的化學鍵。這些反應在制造新型藥物，用于治療炎症、哮喘和其他疾病方面發揮着重要作用。此外，它們還被廣泛應用于有機半導體中的 OLED（有機發光二極管），這種技術在許多智能手機和監視器中得到了應用。這些突破性的反應及其廣泛的應用在 2010 年被授予諾貝爾獎。
當然，Coscientist 以前從未嘗試過這些反應。Coscientist 主要在維基百科上尋找答案，還涉及到一系列其他網站，包括美國化學學會、皇家化學學會等含有描述 Suzuki 和 Sonogashira 反應的學術論文的網站。
在不到四分鍾的時間内，Coscientist 設計出了一個準确的程式，利用團隊提供的化學品實現所需的反應。然而，在試圖在物理世界中使用機器人執行其程式時，在編寫控制加熱和振動液體樣本的設備代碼時犯了一個錯誤。在沒有人類提示的情況下，Coscientist 發現了問題，查閱了設備的技術手冊，糾正了代碼，然後再次嘗試。
圖｜交叉耦合 Suzuki 和 Sonogashira 反應實驗由 Coscientist 設計和執行（來源：該論文）
結果呈現在幾滴清澈液體的微小樣本中。研究人員對這些樣本進行了分析，并成功地發現了 Suzuki 和 Sonogashira 反應的光譜特征。
全天候 " 思考 " 的 AI 實驗室夥伴
近幾年，除了 Coscientist，AI 在自主實驗室方面的相關研究不斷取得突破。
就在不久前，一個由 AI 指導機器人制造新材料的實驗室 A-Lab，在最少的人為幹預下迅速發現了新材料，可以幫助确定和快速跟蹤多個研究領網域的材料，包括電池、儲能、太陽能電池、燃料電池等。A-Lab 成功合成了 58 種預測材料中的 41 種，成功率達到了 71%。
另外，今年 7 月，斯坦福大學的研究人員發明了一款引領科學發現的先進技術——Polybot，它通過充分利用機器人技術、高性能計算和 AI（包括機器學習）的能力，幾乎不需要人工幹預即可推進科學領網域的發展。該系統不僅能夠實現自動駕駛材料的合成和制造，還能夠進行機器人樣品的轉移、表征、測試和數據分析。
今年 8 月，美國麻省理工學院和新加坡 Xinterra 公司在一篇發表在 Nature 的論文中表示，在不久的将來，每位實驗科研人員都應該擁有一名科研 AI 助手，這位助手可以協助我們設計和執行自動化實驗、分析實驗數據、提出機理猜想，甚至解答疑惑。科研 AI 助手能夠顯著減輕實驗工作者重復性的體力勞動，使他們能夠将主要精力集中在批判性思考上。
自然界在其規模和復雜性上幾乎是無限的，包含着無數等待被發現的發現。想象一下，有新型超導材料，可以顯著提高能源效率，或者有治愈其他無法治愈的疾病并延長人類壽命的化合物。
然而，獲得進行這些突破所需的教育和培訓是一項漫長而艱苦的過程，培養一名科學家是困難的。我們可以設想，像 Coscientist 這樣的 AI 輔助系統可以彌合自然未被開發的廣闊領網域與受訓科學家短缺之間的差距。
另外，人類科學家也有自己的需求，比如睡覺和休息，而人類引導的 AI 可以全天候 " 思考 "，反復檢查實驗結果以确保可重復性。
可以說，AI 進行自主實驗的前景非常廣闊。
