GPT-4搞科研登Nature！_風聞

　　西風 發自 凹非寺

　　量子位 | 公眾號 QbitAI

　　AI大模型“化學家”登Nature！

　　能夠自制阿司匹林、對乙酰氨基酚、布洛芬的那種。

　　就連複雜的鈀催化交叉偶聯反應，也能完成！

　　要知道，2010年諾貝爾化學獎獲得者就因為對該反應的研究才獲獎的，這類反應可以高效地構建碳-碳鍵，生成很多以往很難甚至無法合成的物質。

　　而現在名為Coscientist，基於GPT-4等大模型的AI系統，可快速準確地自主完成檢索信息、規劃及設計實驗、編寫程序、遠程操控自動化系統做實驗、分析數據的一整套流程。

　　一位主頁標註自己是化學家的網友表示：

　　栓Q，你們創造了更多失業的博士生。

　　那麼Coscientist究竟是如何做到的？

　　“化學家”Coscientist長啥樣？

　　Coscientist由卡內基梅隆大學的研究團隊開發。

　　前不久谷歌DeepMind造的AI“化學家”也登上了Nature，號稱一口氣能預測220萬種新材料。

　　而現在Coscientist則是實打實能自主完成後續所有實驗流程。

　　能夠完成如此複雜的實驗任務，關鍵在於多模塊交互的系統架構。

　　Coscientist內含五大模塊：Planner、Web searcher、Code execution、Docs searcher、Automation。

　　其中Planner模塊是整個系統的智能中樞，它基於GPT-4打造，負責根據用户的輸入，調用和協調其它模塊來規劃和推進整個實驗。

　　Planner可以發出GOOGLE、PYTHON、DOCUMENTATION和EXPERIMENT四個指令。

　　GOOGLE指令負責使用Web searcher模塊在互聯網中檢索關於實驗的信息，Web searcher本身也是一個大模型。

　　PYTHON指令控制Code execution模塊，Code execution是一個隔離的Docker容器，提供一個獨立的Python執行環境，可以完成實驗相關的計算工作。

　　DOCUMENTATION指令控制Docs searcher模塊，也是用來為中樞提供信息。

　　但與Web searcher不同，Docs searcher是用於文本檢索和文檔理解。它可以定位實驗設備的技術文檔，比如機械手編程手冊，通過文本挖掘提供給Planner模塊必要的實驗參數及操作細節。

　　而後，Automation模塊負責自動化連接實際實驗設備的API，將Planner制定的實驗方案轉換為設備控制代碼，下發執行，完成實驗操作。

　　比如，在“雲實驗室”中遠程操控移液機器人開展實驗。

　　如此一來，假設要求Coscientist合成某種物質時，Coscientist會在互聯網上搜索合成路線；然後設計所需反應的實驗方案；下一步編寫代碼來指導移液機器人；最後運行代碼，使機器人執行其預定的任務。

　　值得一提是，Coscientist還可以進行迭代優化，從反應結果中學習，並建議修改方案來改進實驗。

　　總的來説Coscientist能完成六大任務：

　　根據公開數據規劃已知化合物的合成；

　　有效搜索和瀏覽大量的硬件文檔；

　　使用文檔中的信息在雲實驗室執行高級命令；

　　用低級指令精確控制液體處理儀器；

　　處理需要同時使用多個硬件模塊並整合不同數據源的複雜科學任務；

　　通過分析之前收集的實驗數據解決優化問題。

　　成功完成鈀催化交叉偶聯反應

　　Coscientist表現究竟如何？研究人員對多個模塊進行了測試。

　　其中，為測試Coscientist設計化學反應流程的能力，研究團隊要求Coscientist通過檢索學習分別生成阿司匹林、對乙酰氨基酚和布洛芬等藥物分子。

　　並且還設置了GPT-3.5、GPT-4、Claude 1.3、Falcon-40B-Instruct不同模型的比較。

　　基於GPT-4的Web Searcher顯著改進了合成計劃，在對乙酰氨基酚、阿司匹林、硝基苯胺和酚酞的所有試驗中都達到了最高分（上圖b，數字“5”代表生成了一個非常詳細且化學上準確的操作步驟）。

　　重點還要看Coscientist的一體化能力。為此，研究人員還設計了催化交叉偶聯實驗。

　　研究人員設置了可利用的實驗設備，包含：OpenTrons OT-2液體處理機器人；數個微板，包括放置反應物的源微板和放置在加熱震盪模塊上的目標微板。

　　源板上準備了實驗所需的試劑，包括己烷基碘、溴苯、氯苯、苯基乙炔、苯硼酸等原料，還有催化劑、鹼和溶劑。

　　Coscientist的目標是利用這些試劑成功設計和運行兩種常見鈀催化偶聯反應Suzuki反應和Sonogashira反應。

　　Coscientist首先通過Web searcher模塊搜索確定Suzuki反應和Sonogashira反應的最佳反應條件，如温度、當量比等參數。

　　然後合理選擇了不同的試劑，例如Suzuki反應時優先選擇溴苯而不是氯苯。同時Coscientist提供選擇的化學依據，如反應活性。

　　接着，Coscientist調用Code execution模塊，根據各反應物的濃度和當量計量計算所需體積。

　　生成控制機器人進行移液操作的Python代碼，指定源孔板與目標孔板之間的轉移體積。

　　但中間出現個小插曲，最初使用的加熱震盪模塊的方法名錯誤。

　　之後Coscientist迅速查閲了Opentrons設備文檔糾正了方法名，重新生成正確代碼，成功完成了Suzuki反應和Sonogashira反應。

　　最終，產物通過GC-MS技術驗證，檢測到目標產物的特徵質譜信號，證實目標產物生成。

　　論文鏈接：https://www.nature.com/articles/s41586-023-06792-0