独立自主工作，一周完成博士数月研究，“AI化学家”登上Science

在化学领域，人工智能（AI）再次战胜了人类。

一个名为“RoboChem”的自主化学合成 AI 机器人，不仅在速度和准确性方面都优于人类化学家，同时还显示出了高度的独创性。

相关研究论文也以“Automated self-optimization, intensification, and scale-up of photocatalysis in flow”为题，发表在了权威科学期刊 Science上。

据介绍，RoboChem 是一个精确可靠的“AI 化学家”，不仅可以进行全天候的自主工作，快速、不知疲倦地提供实验结果，还可以迅速优化化学合成过程，进行各种反应，同时产生极少量的废物，有望大大加快用于制药和许多其他应用的分子的化学发现。

该论文的通讯作者、阿姆斯特丹大学教授 Timothy Noël 表示，“一周之内，RoboChem 可以优化合成大约十到二十个分子，而这一般需要一个博士生花费几个月的时间。”

值得一提的是，RoboChem不仅发现了只需要很少光的光催化反应，而且成功复现了 4 篇随机选取的论文中的研究成果，在大约 80% 的情况下产生了更好的结果。

对此，Noël 表示，“这让我毫不怀疑，AI 辅助方法将在最广泛的意义上有益于化学发现。”

为什么 RoboChem 这么厉害？

传统化学合成通常需要较长时间，具体时间主要取决于合成目标的复杂性、反应步骤的多少以及反应条件的选择。

一般而言，合成一个新的有机分子可能需要几天甚至几个月的时间。这是因为传统合成通常采用手工操作，需要不断优化反应条件、纯化产物以及分析结构，这一系列步骤十分耗时。

在传统的有机合成中，化学家需要根据经验和文献设计实验方案，进行一系列试验以找到最优条件。该过程需要反复调整和优化。此外，传统合成过程也存在人为失误的风险。

而采用开源组件和简单物联网设备进行控制、但装有 AI 大脑的 RoboChem，就很好地解决了化学合成中的效率问题。

图｜自主化学合成 AI 机器人 RoboChem。

据论文描述，RoboChem 可以借助贝叶斯优化算法，不断学习和优化反应条件，最终达到最佳的合成结果。这种高效的自主学习能力，使其在短时间内超越了其他自主合成机器，不仅提高了合成速度，还大大提高了反应的效率。

另外，与传统反应器相比，RoboChem 采用的流动化学系统不仅减小了反应体系的体积，降低了废弃物的生成，还提高了实验的可控性，在进行多步反应的同时，还能更加精准地控制反应条件，进而提高产物纯度。

更厉害的是，RoboChem 不仅仅是一台实验设备，还是一套全自动的数据收集和分析系统。在每次实验中，RoboChem 能够记录大量数据，并及时反馈给 AI 大脑，使其更准确地评估不同反应条件下的优劣。这种全方位的数据处理方式，使得 RoboChem 的优化过程更为科学和可靠。

令人惊喜的是，RoboChem 也有着非比寻常的创造力。研究团队指出，在一些实验中，RoboChem 选择了只需要微弱光照的反应条件。这不仅提高了反应的选择性，还显著减少了光催化过程中的能量消耗。

这种创造性的反应路径选择，挑战了传统化学家的思维，展示了机器人在优化化学反应中的巨大潜力。

RoboChem 是如何工作的？

RoboChem 的工作原理基于流动化学和人工智能（AI），具体工作涉及光催化的优化、复制和可扩展性，以及自动取样与混合和实时核磁共振（NMR）分析等。如下：

• 流动化学平台：RoboChem 采用流动化学系统，取代传统的分步骤手工操作。在流动化学中，化学反应发生在微型连续流通道中，这有助于更精确地控制反应条件，提高反应效率。
• 自动取样与混合：通过自动液体处理系统，RoboChem 能够准确地取样不同的试剂，然后在微型反应器中混合它们。这确保了试剂的精确配比，避免了手工操作中可能出现的误差。
• 光催化反应：RoboChem 中采用了光催化技术，通过强大的 LED 光源激发光催化剂，启动化学反应。这种方法在合成有机分子时特别有用，可以实现高选择性和高效率的反应。
• 实时 NMR 分析：在反应过程中，RoboChem 通过实时 NMR 监测反应进程。NMR 可以提供关于反应物和产物的结构信息，帮助确定反应的进行情况。
• AI 算法：RoboChem 的“大脑”是由 AI 算法驱动的计算机系统。该系统通过机器学习不断优化反应条件，根据实时的 NMR 数据调整参数，从而实现最佳的合成效果。这使得 RoboChem 能够自主学习和适应不同的化学反应。

图｜自动化机器人平台。A. 平台架构的高级视图；B. 由相位传感器在平台上进行反应跟踪，从而及时触发，当反应段塞经过相位传感器时，传感器可以对其进行跟踪，并通过算法进行研究，以形成触发器，用于接下来的优化循环。

尽管 RoboChem 展现了令人印象深刻的自主学习和化学优化能力，但该研究仍然存在一些局限性：

首先，RoboChem 在实验过程中使用了特定的流动反应器和 NMR 设备。这些设备的设计和容量可能会对反应条件和实验规模产生一定的限制，使得某些类型的反应或大规模生产难以实现。

其次，由于机器学习算法的训练是基于已有的数据集，RoboChem可能在某些特殊情况下无法提供最优的反应条件，尤其是当涉及到复杂或罕见的化学反应时，机器学习模型的泛化能力可能受到挑战。

并且，RoboChem 的性能依赖于实验中使用的光催化剂、反应物等化学品的质量和纯度。若这些化学品存在差异，可能影响实验结果的准确性和可重复性。

值得注意的是，AI 算法通常被认为是“黑匣子”，即其决策过程难以解释。在某些情况下，研究人员可能难以理解 RoboChem 提供的优化条件背后的具体化学逻辑。

最后，RoboChem 目前展示的研究成果主要集中在特定类型的光催化反应中，在其他领域的适用性和推广性尚需更多实践和验证。

不只是自主完成化学合成

由 AI 驱动的机器人，不仅可以自主完成化学合成工作，还能以不同的形式在化学乃至整个科学领域中大展身手，辅佐、甚至超越人类。

例如，去年 12 月登上 Nature 杂志的 Coscientist 在 GPT-4 的驱动下，只需要经过一次尝试、花费几分钟时间便成功复现一项诺奖研究。这一研究表明，人类有可能有效地利用 AI 提高科学发现的速度和数量，并改善实验结果的可复制性和可靠性。

另外，一个同样登上 Nature 杂志、名为 A-Lab 的 AI 实验室，只用了 17 天，人工智能（AI）便独自创造了 41 种新材料。相比之下，人类科学家可能需要几个月的尝试和实验，才能创造出一种新材料。（点击查看原文）

此外，自动合成流平台、智能化学合成系统、高通量实验方法等也是化学实验室实现自动化的方法之一。

这些研究在不同方向上推动了化学合成领域的自动化和智能化发展，为提高实验效率和发现新领域的化合物提供了新的思路和方法。

综合来看，RoboChem 通过整合流动化学和 AI 算法，实现了高度自动化的化学合成过程。这种方法不仅提高了合成效率，还减少了实验中的人为误差，为化学研究提供了一种更快速、可控的新途径。
但在 Noël 看来，RoboChem 与其他“计算机化”的化学系统的意义，还在于生成高质量的数据，这将有利于 AI 在未来的应用。

未来，随着 RoboChem 的成功应用，类似的自主合成机器有望广泛应用于药物合成、新材料开发等领域，加速科学研究的进程。

同时，结合机器学习和流动化学的策略也将成为化学领域的新趋势，为更多复杂反应的自主优化提供新的可能性。

标签：

版权声明：本文由用户上传，如有侵权请联系删除！