人工智能的未来有望执行远超过当前技术能力的任务

如今，人工智能(AI)和计算机程序已经渗透到我们生活的几乎每个角落。从面部识别，语言翻译，图像和视频制作，到自动驾驶汽车和个人护理助手。可能还不是主流知识的其他应用程序与科学探索，研究和开发有关。例如，人工智能有潜力通过增强医学诊断来革新医学实践，并已在药物发现中得到应用。在许多地方，研究人员还尝试使用AI算法以不同的设置配置来操纵生物学，化学和物理学，以检测表观遗传调控或基因突变期间引起的DNA修饰，选择合成中最理想的反应途径，

现在，AI不仅将其简单的反应计划扩展到化学实验室。在传统的化学实验室中，反应是由实验人员在单独的烧杯和锥形烧瓶中进行的，物质转移，实验设置，反应监控和产品纯化均由人工完成。

用机器和计算机程序取代这些耗时的实践正指导着现代合成化学的未来，在现代合成化学中，不再需要人工，减少了实验者的可，降低了技术转化和扩展的障碍。未来的情况可能需要新化学专业的学生接受最少的技术培训;假设他们可以在实验室中远程执行并行实验，而在咖啡厅或酒吧放松时一只手喝酒，另一只手拿着iPad。此外，当涉及风险因素时，例如使用强酸或爆炸性成分进行反应时，始终倾向于使用无人驾驶系统。

尽管工业化工厂已经采用了部分自动化，但是这种自动化水平几乎无法与汽车制造工厂相提并论，在汽车制造工厂中，大型车辆的复杂组装可以在几乎无人的环境中高效进行。

在实验室规模上完全自动化化学和化学工程的想法仍处于起步阶段，其中AI独立地探索新的反应并优化条件。但是，一些科研团队已朝着实现这一目标迈进了一大步。

一个著名的例子是Chemputer，它是由Lee Cronin教授及其格拉斯哥大学的团队开发的，有望革新药物发现。化学机器人系统(因此得名)的功能很像台式化学家：通过将化学程序的设计图上传到机器可读的步骤中，使药物化合物的合成自动化，这些步骤由具有嵌入式传感器的机器人依次进行，以判断在继续下一步之前，每个步骤的完成程度。同时，麻省理工学院的科学家设计了一个算法平台，通过“学习”数百万已发表的化学反应来计划合成化学的有效方案，然后命令机器人执行该任务。

使合成化学自动化的另一种策略涉及微流体系统，该系统最初于1992年作为分析工具出现，并以小型化形式提供了整个实验室的功能。微流体系统以简化的过程传输，混合和分离液体。这项技术不仅在化学领域而且在生物学，材料和医学领域都越来越受欢迎，因为可以以精确，省时和经济高效的方式进行实验。他们采用模块化设计，每个模块执行特定任务，例如试剂混合或产物纯化-这样，多个反应可以并行或顺序进行，而无需在每个步骤中中断反应。

清华大学的马少华教授及其团队已使用微流控系统进行合成反应，而使用传统技术则是具有挑战性或无法实现的。在拐弯处，反应分多个步骤进行，每个步骤都有多个(不需要的)可能的结果或“轨迹”，这些结果或轨迹很难控制。为了克服这一挑战，作者开发了一种微流体系统，该系统由按顺序排列的几个模块组成，每个模块执行特定的反应任务。使用计算机程序控制反应序列中的每个事件，该计算机程序使用注射泵通过橡胶管将液体供入反应中。

该设计的优点是能够通过分子扩散控制的质量传递来控制反应期间的反应物数量。较小的分子比较大的分子以更高的速率跨过多孔通道壁(膜)运输。可以通过使用具有不同孔径的膜来定制相对量。当具有多个反应性位点的一种反应物基本上使另一种反应物不堪重负时，通过偶联两个配偶体而发生的反应将变为单选择性，并朝一个特定方向进行。如果没有使用多孔膜和微流体控制建立极端的比率，则反应物将与多个配偶体反应，并且反应再次变为非选择性的。

标准的微流控系统(不包括流体化学中的标准仪器的注射泵)，消耗性塑料管的价格为几十美分，与有时在实验室中进行的高科技化学相比，其组装相对容易。计算负荷相当低，因为根据反应物流线性地编程了命令控制(算法)。该程序仅在暂时暂停和启动时向前运行，而没有形成循环的向后动作。当减少计算成本时，该软件不需要工作站，但是可以使用手机上的已编程应用程序运行。

想象一个有趣的世界，其中通过这种模块化系统完成研究化学。可以对模块进行标准化，并且更容易大规模地制造分子，同时降低成本并保证质量。每个系统，包括其命令程序，都是高度可定制的，并取决于用户的需求，从而可以轻松地重现性，因为可以在世界各地的实验室中设置完全相同的系统。这将使探索性化学实验更加简单-实质上减少了屏幕上的选项-并消除了冗长的设计-合成-测试迭代的需要。

但是，在“智能化学”概念成为现实之前，仍然有许多挑战需要克服。实时化学比一组简单的反应选择要复杂得多。与其他许多领域一样，这一领域的研究需要比AlphaGo更高的创造性和创造力来解决，也许人工智能还没有达到这一水平。

此外，当开发出针对特定反应类型的无人值守解决方案的自动化系统时，它可能不适合另一种，就像为自动驾驶仪开发的算法无法直接转换为诊断肿瘤一样，即使这两种方法均源于计算机视觉技术。即使对于一个目标反应，要使算法执行的水平能够超过人类的表现，这仍然需要迭代优化和增加计算量。这将提高计算能力并减小硬件尺寸甚至更具挑战性。

无论面临什么挑战，我们都希望新一代AI受新计算方法(例如可能会破坏摩尔定律的光电计算和新的神经体系结构)的增长所培育。人工智能的未来有望执行远远超过当前技术能力的任务，有望克服无数挑战。而且我们相信这会早日发生。