在化學領域，人工智慧（AI）再次戰勝了人類。
一個名為“RoboChem”的自主化學合成 AI 機器人，不僅在速度和準確性方面都優於人類化學家，同時還顯示出了高度的獨創性。
相關研究論文也以“Automated self-optimization, intensification, and scale-up of photocatalysis in flow”為題，發表在了權威科學期刊 Science上。
據介紹，RoboChem 是一個精確可靠的“AI 化學家”，不僅可以進行全天候的自主工作，快速、不知疲倦地提供實驗結果，還可以迅速最佳化化學合成過程，進行各種反應，同時產生極少量的廢物，有望大大加快用於製藥和許多其他應用的分子的化學發現。
該論文的通訊作者、阿姆斯特丹大學教授 Timothy Noël 表示，“一週之內，RoboChem 可以優化合成大約十到二十個分子，而這一般需要一個博士生花費幾個月的時間。”
值得一提的是，RoboChem不僅發現了只需要很少光的光催化反應，而且成功復現了 4 篇隨機選取的論文中的研究成果，在大約 80% 的情況下產生了更好的結果。
對此，Noël 表示，“這讓我毫不懷疑，AI 輔助方法將在最廣泛的意義上有益於化學發現。”
為什麼 RoboChem 這麼厲害？
傳統化學合成通常需要較長時間，具體時間主要取決於合成目標的複雜性、反應步驟的多少以及反應條件的選擇。
一般而言，合成一個新的有機分子可能需要幾天甚至幾個月的時間。這是因為傳統合成通常採用手工操作，需要不斷最佳化反應條件、純化產物以及分析結構，這一系列步驟十分耗時。
在傳統的有機合成中，化學家需要根據經驗和文獻設計實驗方案，進行一系列試驗以找到最優條件。該過程需要反覆調整和最佳化。此外，傳統合成過程也存在人為失誤的風險。
而採用開源元件和簡單物聯網裝置進行控制、但裝有 AI 大腦的 RoboChem，就很好地解決了化學合成中的效率問題。
據論文描述，RoboChem 可以藉助貝葉斯最佳化演算法，不斷學習和最佳化反應條件，最終達到最佳的合成結果。這種高效的自主學習能力，使其在短時間內超越了其他自主合成機器，不僅提高了合成速度，還大大提高了反應的效率。
另外，與傳統反應器相比，RoboChem 採用的流動化學系統不僅減小了反應體系的體積，降低了廢棄物的生成，還提高了實驗的可控性，在進行多步反應的同時，還能更加精準地控制反應條件，進而提高產物純度。
更厲害的是，RoboChem 不僅僅是一臺實驗裝置，還是一套全自動的資料收集和分析系統。在每次實驗中，RoboChem 能夠記錄大量資料，並及時反饋給 AI 大腦，使其更準確地評估不同反應條件下的優劣。這種全方位的資料處理方式，使得 RoboChem 的最佳化過程更為科學和可靠。
令人驚喜的是，RoboChem 也有著非比尋常的創造力。研究團隊指出，在一些實驗中，RoboChem 選擇了只需要微弱光照的反應條件。這不僅提高了反應的選擇性，還顯著減少了光催化過程中的能量消耗。
這種創造性的反應路徑選擇，挑戰了傳統化學家的思維，展示了機器人在最佳化化學反應中的巨大潛力。
RoboChem 是如何工作的？
RoboChem 的工作原理基於流動化學和人工智慧（AI），具體工作涉及光催化的最佳化、複製和可擴充套件性，以及自動取樣與混合和實時核磁共振（NMR）分析等。如下：
- 流動化學平臺：RoboChem 採用流動化學系統，取代傳統的分步驟手工操作。在流動化學中，化學反應發生在微型連續流通道中，這有助於更精確地控制反應條件，提高反應效率。
- 自動取樣與混合：透過自動液體處理系統，RoboChem 能夠準確地取樣不同的試劑，然後在微型反應器中混合它們。這確保了試劑的精確配比，避免了手工操作中可能出現的誤差。
- 光催化反應：RoboChem 中採用了光催化技術，透過強大的 LED 光源激發光催化劑，啟動化學反應。這種方法在合成有機分子時特別有用，可以實現高選擇性和高效率的反應。
- 實時 NMR 分析：在反應過程中，RoboChem 透過實時 NMR 監測反應程序。NMR 可以提供關於反應物和產物的結構資訊，幫助確定反應的進行情況。
- AI 演算法：RoboChem 的“大腦”是由 AI 演算法驅動的計算機系統。該系統透過機器學習不斷最佳化反應條件，根據實時的 NMR 資料調整引數，從而實現最佳的合成效果。這使得 RoboChem 能夠自主學習和適應不同的化學反應。
圖｜自動化機器人平臺。A. 平臺架構的高階檢視；B. 由相位感測器在平臺上進行反應跟蹤，從而及時觸發，當反應段塞經過相位感測器時，感測器可以對其進行跟蹤，並透過演算法進行研究，以形成觸發器，用於接下來的最佳化迴圈。
儘管 RoboChem 展現了令人印象深刻的自主學習和化學最佳化能力，但該研究仍然存在一些侷限性：
首先，RoboChem 在實驗過程中使用了特定的流動反應器和 NMR 裝置。這些裝置的設計和容量可能會對反應條件和實驗規模產生一定的限制，使得某些型別的反應或大規模生產難以實現。
其次，由於機器學習演算法的訓練是基於已有的資料集，RoboChem 可能在某些特殊情況下無法提供最優的反應條件，尤其是當涉及到複雜或罕見的化學反應時，機器學習模型的泛化能力可能受到挑戰。
並且，RoboChem 的效能依賴於實驗中使用的光催化劑、反應物等化學品的質量和純度。若這些化學品存在差異，可能影響實驗結果的準確性和可重複性。
值得注意的是，AI 演算法通常被認為是“黑匣子”，即其決策過程難以解釋。在某些情況下，研究人員可能難以理解 RoboChem 提供的最佳化條件背後的具體化學邏輯。
最後，RoboChem 目前展示的研究成果主要集中在特定型別的光催化反應中，在其他領域的適用性和推廣性尚需更多實踐和驗證。
不只是自主完成化學合成
由 AI 驅動的機器人，不僅可以自主完成化學合成工作，還能以不同的形式在化學乃至整個科學領域中大展身手，輔佐、甚至超越人類。
例如，去年 12 月登上 Nature 雜誌的 Coscientist 在 GPT-4 的驅動下，只需要經過一次嘗試、花費幾分鐘時間便成功復現一項諾獎研究。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，並改善實驗結果的可複製性和可靠性。
另外，一個同樣登上 Nature 雜誌、名為 A-Lab 的 AI 實驗室，只用了 17 天，人工智慧（AI）便獨自創造了 41 種新材料。相比之下，人類科學家可能需要幾個月的嘗試和實驗，才能創造出一種新材料。（）
此外，自動合成流平臺、智慧化學合成系統、高通量實驗方法等也是化學實驗室實現自動化的方法之一。
這些研究在不同方向上推動了化學合成領域的自動化和智慧化發展，為提高實驗效率和發現新領域的化合物提供了新的思路和方法。
綜合來看，RoboChem 透過整合流動化學和 AI 演算法，實現了高度自動化的化學合成過程。這種方法不僅提高了合成效率，還減少了實驗中的人為誤差，為化學研究提供了一種更快速、可控的新途徑。
但在 Noël 看來，RoboChem 與其他“計算機化”的化學系統的意義，還在於生成高質量的資料，這將有利於 AI 在未來的應用。
未來，隨著 RoboChem 的成功應用，類似的自主合成機器有望廣泛應用於藥物合成、新材料開發等領域，加速科學研究的程序。
同時，結合機器學習和流動化學的策略也將成為化學領域的新趨勢，為更多複雜反應的自主最佳化提供新的可能性。
