编辑：编辑部
【新智元导读】GPT-4等大模型组成的AI智能体，已经可以手把手教你做化学实验了，选啥试剂、剂量多少、推理反应会如何发生，它都一清二楚。颤抖吧，生化环材圈！不得了，GPT-4都学会自己做科研了？
最近，卡耐基梅隆大学的几位科学家发表了一篇论文，同时炸翻了AI圈和化学圈。
他们做出了一个会自己做实验、自己搞科研的AI。这个AI由几个大语言模型组成，可以看作一个GPT-4代理智能体，科研能力爆表。
难道这就是传说中，化学界的AI圣杯？
AI版绝命毒师来了？
3月份，OpenAI发布了震撼全世界的大语言模型GPT-4。
这个地表最强LLM，能在SAT和BAR考试中得高分、通过LeetCode挑战、给一张图就能做对物理题，还看得懂表情包里的梗。
而技术报告里还提到，GPT-4还能解决化学问题。
这就启发了卡耐基梅隆化学系的几位学者，他们希望能开发出一个基于多个大语言模型的AI，让它自己设计实验、自己做实验。
产品中缺少甲基，而模型查到正确的合成示例中，就会在云实验室中执行，以便进行更正。
告诉模型：研究一下铃木反应吧，它立刻就准确地识别出底物和产物。
另外，咱们可以通过API，把模型连接到化学反应数据库，比如Reaxys或SciFinder，给模型叠了一层大大的buff，准确率飙升。
而分析系统以前的记录，也可以大大提高模型的准确性。
举个栗子
咱们先来看看，操作机器人是怎么做实验的。
它会将一组样本视为一个整体（在这个例子中，就是整个微孔板）。
我们可以用自然语言直接给它提示：「用您选择的一种颜色，为每隔一行涂上颜色」。
当由机器人执行时，这些协议与请求的提示非常相似（图 4B-E）。
代理人的第一个动作是准备原始解决方案的小样本（图 4F）。
具体的设计是这样的：AI控制一个搭载了两块微型版的液体实际操作系统，而其中的源版包含多种试剂的源液，其中有苯乙炔和苯硼酸，多个芳基卤化物耦合伴侣，以及两种催化剂和两种碱。
上图中就是源版（Source Plate）中的内容。
而目标版则是装在加热摇床模组上。
上图中，左侧的移液管（left pipette）20微升量程，右侧的单道移液管300微升量程。
AI最终的目标就是设计出一套流程，能成功实现铃木和索诺格希拉反应。
咱们跟它说：你需要用一些可用的试剂，生成这两个反应。
然后，它就自己上网去搜了，比如，这些反应需要什么条件，化学计量上有什么要求等等。
抛开专业的化学过程不谈，我们来总结一下AI在这个过程中展现出的「专业素养」。
可以说，从上述流程中，AI展现出了极高的分析推理能力。它能够自发的获取所需的信息，一步一步的解决复杂的问题。
在这个过程中，还能自己写出超级高质量的代码，推进实验设计。并且，还能根据输出的内容改自己写的代码。
OpenAI成功展示出了GPT-4的强大能力，有朝一日GPT-4肯定能参与到真实的实验中去。
但是，研究人员并不想止步于此。他们还给AI出了个大难题——他们给AI下指令，让其开发一种新的抗癌药物。
这些模型的训练来源之一，就是和API相关的大量信息，比如Opentrons Python API。
但GPT-4的训练数据截止到2021年9月，因此就更需要提高AI使用API的准确性。
为此，研究者设计了一种方法，为AI提供给定任务的文档。
他们生成了OpenAI的ada嵌入，以便交叉引用，并计算与查询相关的相似性。并且通过基于距离的向量搜索选择文档的部分。
提供部分的数量，取决于原始文本中存在的GPT-4 token数。最大token数设为7800，这样只用一步，就可以提供给AI相关文件。
事实证明，这种方法对于向AI提供加热器-振动器硬件模块的信息至关重要，这部分信息，是化学反应所必需的。
这种方法应用于更多样化的机器人平台，比如Emerald Cloud Lab (ECL)时，会出现更大的挑战。
此时，我们可以向GPT-4模型提供它未知的信息，比如有关 Cloud Lab 的 Symbolic Lab Language (SLL)。
在所有情况下，AI都能正确识别出任务，然后完成任务。
这个过程中，模型有效地保留了有关给定函数的各种选项、工具和参数的信息。摄取整个文档后，系统会提示模型使用给定函数生成代码块，并将其传回 Planner。
强烈要求进行监管
最后，研究人员强调，必须设置防护措施来防止大型语言模型被滥用：
「我们呼吁人工智能社区优先关注这些模型的安全性。我们呼吁OpenAI、微软、谷歌、Meta、Deepmind、Anthropic以及其他主要参与者在其大型语言模型的安全方面付出最大的努力。我们还呼吁物理科学社区与参与开发大型语言模型的团队合作，协助他们制定这些防护措施。」
对此，纽约大学教授马库斯深表赞同：「这不是玩笑，卡内基梅隆大学的三位科学家紧急呼吁对LLM进行安全研究。」
参考资料：
相关文章
关于作者
猜你喜欢
