人工智慧應用到化學領域，可惜老白沒能等到這一天。

去年「邏輯思維」舉辦的跨年演講中，羅振宇在分析人工智慧時，曾提出了一個很重要的論點：人工智慧不僅是人的延伸，它還是人的替代。

所以在探索自然科學與人工智慧技術結合有什麼樣的研究方向時，我們不妨關注一下目前自然科學研究中「有哪些工作還需要人力花費大量的精力完成」，但其實這些工作可以由人工智慧完成，而且更省時省力，效果也更好。

在這方面，美國科學家、CRIXlabs 創始人 Shalini Ananda 是個很好的例子，將 AI 技術應用於實驗室研究中，取得了不俗的成果。

以下是 Shalini Ananda 在博客上分享的研究歷程：

我們都知道 Google、Facebook 等科技巨頭爭相研發人工智慧技術，推出了很多改變我們生活的產品。但是我想，這些技術在除了科技之外的方面，比如化妝品，能否產生同樣的革命性效果？

於是我（Shalini Ananda——譯者注）開始琢磨在這個AI技術風起雲湧的時代，我們是不是可以將它們應用在自然科學領域，比如化學研究。

在實驗室做試驗其實是一件勞動密集型的工作。不太適合經不起折騰和挫折的人。我讀博士期間，在實驗室里不知道有多少次看見我的同學因為心理壓力把試驗搞砸了。幾乎有90%的試驗是因為之前的操作結果發生了很小的緩慢變化而失敗，所以實驗人員要浪費大量的時間和資源才能獲得相關的經驗。

在2013年的時候，有關機械方面的計算化學領域就開始採用一些計算機模型來檢測人體對化學製品的反應狀況。但是在實驗過程中，這些電腦模擬工具並沒有在實驗過程中給研究人員帶來多大的幫助。研究人員需要將觀察到的數據與多種實驗條件擬合。不幸的是，並沒有一個標準的公式可以參照。如果擬合完一種實驗條件，你需要一組新的演算法去擬合另一種實驗條件。

當時，AI 正迅速應用於技術和金融領域，但自然科學領域卻鮮有應用。我可不能眼睜睜看著機器學習等先進技術沒有應用到那些急需提高效率的領域。所以讀完博士以後，我開始研究怎樣利用人工智慧技術為人體製造新材料。我知道，比起工程師手工為人體的各個方面建模，機器學習能更高效地處理人體生物與化學系統之間的複雜性。

第一步就是先給肝臟、大腦、脾臟和肺部器官各自建立一個資料庫，研究它們和之前測試的各種材料是如何相互作用的。通過建立線性模型和經驗模型，我就能改變構建機器學習系統所需的特徵。構建好機器學習系統後，我採用了支持向量機（Support Vector Machine）測試這些特徵和模型。這種方法的準確度很高，所以我決定再深入研究。

為了讓特徵工程和資料庫的能力最大化，我用深度學習技術使它們一般化，能在更大範圍內運行。這可能是深度學習技術首次應用在自然科學學科上。等模型結果符合預期結果後，我們開始實地測試。經多次討論後，我用了152個資料庫測試我們的演算法，這些資料庫都是關於納米粒子怎樣滲入活體中的動物器官組織。

說實話，皮膚科學令我很著迷。我開始研究這一領域中計算技術現在都有哪些局限性，然後發現人們很難預測皮膚中活性物被應用後的生物利用度。在和很多研究者溝通後，我發現他們都遇到了同樣問題：為了確定皮膚中活性物的濃度，人們不得不花費大量精力做很多次實驗。

然後我和這些研究者合作，用一種叫做對苯二酚的化合物測試我們的演算法。測試結果顯示，演算法對化合物濃度的預測和實驗人員做完一系列實驗後的結果相比，正確率高達97%。後來我們又用演算法對其它實驗項目進行了測試，結果也非常令人滿意。總之，演算法可以達到如此高的準確率，花費的時間卻是傳統方式的極小一部分，這給研究人員留下了深刻印象。

我想說的是，AI技術對於生物學及化學研究的進步能夠發揮極其重要的作用，而且能夠實現商業應用。利用AI技術分析人體化學實驗信息，能讓研究人員清楚地知道每個人體的特殊機理，我們從而能創造未來人類所需的產品和治療方法。

其實近年來，即便是像化學合成這樣傳統的實驗室工作也與「大數據」和「人工智慧」越走越近，甚至出現了不少交集。

比如2016年波蘭科學院教授 Bartosz Grzybowski 就發表了一篇關於「通過計算機輔助設計分子合成」的論文（鏈接見末尾），系統總結了該領域的理論基礎和近年來的研究進展。波蘭和韓國兩國的科學家還聯合開發了一款名為 Chematica 的軟體（軟體鏈接見末尾），可以幫助化學家快速得到物質的合成路線。Chematica 運轉建立在」深度學習「基礎上，可以在短時間內預測反應，甚至提供未被文獻報道的分子合成途徑。

此外，全球著名的學術出版商 Wiley 也開發了一款建立在「大數據」和「機器學習」基礎上的化學合成軟體 Chemplanner，可以通過雲計算幫助化學家在多種合成路徑當中篩選出簡潔高效的最優方法，也可以利用精選的合成規則預測反應路線圖，完成從目標產物到可獲取的起始原料間的逆合成分析。

傳統的有機化學合成研究需要耗費大量的成本和實驗人員的精力，而且對合成路線設計人員的記憶能力與分析能力都有很高的要求。人工智慧技術的引入也許能為有機化學合成領域帶來一場革命。

參考資料：

https://www.linkedin.com/pulse/ai-future-computational-chemistry-shalini-ananda

波蘭科學家論文鏈接：

http://onlinelibrary.wiley.com/doi/10.1002/anie.201506101/full

拓展閱讀：

遍地開花的AI助手，代表著人機交互方式的未來

以彼之道，還施彼身——使用機器學習來揪出作弊的玩家

不是人工智慧，是智能機器

官方微博：@景略集智

微信公眾號：jizhi-im

商務合作： @軍師

投稿轉載：kexiyang@jizhi.im

集智QQ群：557373801