數字人的AB面：在元宇宙中過氣，在AIGC中重生
來源：光錐智能作者：郝 鑫“29800元一年的虛擬主播，號稱24小時不停播，月入十幾萬，實際上卻是關鍵詞都不能回復，播了半個月，直播間還因違規被快手封禁，最終投訴無門、退款無果。&
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。就連復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，基于 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。
一位主頁標注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。
那么 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后續所有實驗流程。
能夠完成如此復雜的實驗任務，關鍵在于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，它基于 GPT-4 打造，負責根據用戶的輸入，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于實驗的信息，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 是用于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。
而后，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“云實驗室”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；然后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；最后運行代碼，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，并建議修改方案來改進實驗。
總的來說 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云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并整合不同數據源的復雜科學任務；
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，并且還設置了 GPT-3.5、GPT-4、Claude 1.3、Falcon-40B-Instruct 不同模型的比較。
基于 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蕩模塊上的目標微板。
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、堿和溶劑。
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，如溫度、當量比等參數。
然后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。
接著，Coscientist 調用 Code execution 模塊，根據各反應物的濃度和當量計算所需體積。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，最初使用的加熱震蕩模塊的方法名錯誤。
之后 Coscientist 迅速查閱了 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征質譜信號，證實目標產物生成。
論文鏈接：
https://www.nature.com/articles/s41586-023-06792-0
本文來自微信公眾號：量子位 （ID：QbitAI），作者：西風
本文鏈接：http://www.tebozhan.com/showinfo-45-3042-0.htmlGPT-4 搞科研登 Nature！布洛芬配方輕松拿捏，諾獎得主提出的復雜反應也能完成
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號