GPT-4搞科研登Nature！_风闻

　　西风 发自 凹非寺

　　量子位 | 公众号 QbitAI

　　AI大模型“化学家”登Nature！

　　能够自制阿司匹林、对乙酰氨基酚、布洛芬的那种。

　　就连复杂的钯催化交叉偶联反应，也能完成！

　　要知道，2010年诺贝尔化学奖获得者就因为对该反应的研究才获奖的，这类反应可以高效地构建碳-碳键，生成很多以往很难甚至无法合成的物质。

　　而现在名为Coscientist，基于GPT-4等大模型的AI系统，可快速准确地自主完成检索信息、规划及设计实验、编写程序、远程操控自动化系统做实验、分析数据的一整套流程。

　　一位主页标注自己是化学家的网友表示：

　　栓Q，你们创造了更多失业的博士生。

　　那么Coscientist究竟是如何做到的？

　　“化学家”Coscientist长啥样？

　　Coscientist由卡内基梅隆大学的研究团队开发。

　　前不久谷歌DeepMind造的AI“化学家”也登上了Nature，号称一口气能预测220万种新材料。

　　而现在Coscientist则是实打实能自主完成后续所有实验流程。

　　能够完成如此复杂的实验任务，关键在于多模块交互的系统架构。

　　Coscientist内含五大模块：Planner、Web searcher、Code execution、Docs searcher、Automation。

　　其中Planner模块是整个系统的智能中枢，它基于GPT-4打造，负责根据用户的输入，调用和协调其它模块来规划和推进整个实验。

　　Planner可以发出GOOGLE、PYTHON、DOCUMENTATION和EXPERIMENT四个指令。

　　GOOGLE指令负责使用Web searcher模块在互联网中检索关于实验的信息，Web searcher本身也是一个大模型。

　　PYTHON指令控制Code execution模块，Code execution是一个隔离的Docker容器，提供一个独立的Python执行环境，可以完成实验相关的计算工作。

　　DOCUMENTATION指令控制Docs searcher模块，也是用来为中枢提供信息。

　　但与Web searcher不同，Docs searcher是用于文本检索和文档理解。它可以定位实验设备的技术文档，比如机械手编程手册，通过文本挖掘提供给Planner模块必要的实验参数及操作细节。

　　而后，Automation模块负责自动化连接实际实验设备的API，将Planner制定的实验方案转换为设备控制代码，下发执行，完成实验操作。

　　比如，在“云实验室”中远程操控移液机器人开展实验。

　　如此一来，假设要求Coscientist合成某种物质时，Coscientist会在互联网上搜索合成路线；然后设计所需反应的实验方案；下一步编写代码来指导移液机器人；最后运行代码，使机器人执行其预定的任务。

　　值得一提是，Coscientist还可以进行迭代优化，从反应结果中学习，并建议修改方案来改进实验。

　　总的来说Coscientist能完成六大任务：

　　根据公开数据规划已知化合物的合成；

　　有效搜索和浏览大量的硬件文档；

　　使用文档中的信息在云实验室执行高级命令；

　　用低级指令精确控制液体处理仪器；

　　处理需要同时使用多个硬件模块并整合不同数据源的复杂科学任务；

　　通过分析之前收集的实验数据解决优化问题。

　　成功完成钯催化交叉偶联反应

　　Coscientist表现究竟如何？研究人员对多个模块进行了测试。

　　其中，为测试Coscientist设计化学反应流程的能力，研究团队要求Coscientist通过检索学习分别生成阿司匹林、对乙酰氨基酚和布洛芬等药物分子。

　　并且还设置了GPT-3.5、GPT-4、Claude 1.3、Falcon-40B-Instruct不同模型的比较。

　　基于GPT-4的Web Searcher显著改进了合成计划，在对乙酰氨基酚、阿司匹林、硝基苯胺和酚酞的所有试验中都达到了最高分（上图b，数字“5”代表生成了一个非常详细且化学上准确的操作步骤）。

　　重点还要看Coscientist的一体化能力。为此，研究人员还设计了催化交叉偶联实验。

　　研究人员设置了可利用的实验设备，包含：OpenTrons OT-2液体处理机器人；数个微板，包括放置反应物的源微板和放置在加热震荡模块上的目标微板。

　　源板上准备了实验所需的试剂，包括己烷基碘、溴苯、氯苯、苯基乙炔、苯硼酸等原料，还有催化剂、碱和溶剂。

　　Coscientist的目标是利用这些试剂成功设计和运行两种常见钯催化偶联反应Suzuki反应和Sonogashira反应。

　　Coscientist首先通过Web searcher模块搜索确定Suzuki反应和Sonogashira反应的最佳反应条件，如温度、当量比等参数。

　　然后合理选择了不同的试剂，例如Suzuki反应时优先选择溴苯而不是氯苯。同时Coscientist提供选择的化学依据，如反应活性。

　　接着，Coscientist调用Code execution模块，根据各反应物的浓度和当量计量计算所需体积。

　　生成控制机器人进行移液操作的Python代码，指定源孔板与目标孔板之间的转移体积。

　　但中间出现个小插曲，最初使用的加热震荡模块的方法名错误。

　　之后Coscientist迅速查阅了Opentrons设备文档纠正了方法名，重新生成正确代码，成功完成了Suzuki反应和Sonogashira反应。

　　最终，产物通过GC-MS技术验证，检测到目标产物的特征质谱信号，证实目标产物生成。

　　论文链接：https://www.nature.com/articles/s41586-023-06792-0