【儀表網 儀表深度】導讀：人工智能已經對眾多科研領域產生了深遠影響，例如在蛋白質折疊領域AI已經超越了人類。那么在化學領域會出現AI化學家嗎？
傳統有機合成模式需要大量經驗積累、成本和實驗人員。人工智能和機器人已被引入，但由于化學合成的復雜性，尚未真正走入普通實驗室。機器人化學家可能更適合在制藥公司工作，因為它們只是重復合成化合物，沒有那么大的挑戰性。但對天然產物合成會遇到問題，需要重新設計合成路徑。
人工智能與化學研究
化學是一門以實驗為基礎的學科。它是在原子層次上研究物質的組成、結構、性質、及變化規律的自然科學，所以需要科學家做大量的實驗去研究它。由于人工智能的優越表現，毫無疑問它也逐漸被引入到各個科學領域，其中就包括化學領域。
當前，化學領域中，人工智能的主要研究有：應用自然語言處理技術的化學領域文獻文摘的自動生成、化學數據中的智能檢索方法、化學實驗室的自動化與機器人、神經網絡方法的化學應用、化工過程系統綜合、故障診斷、過程控制中的人工智能方法等。
其中，最成功的是：研究開發由譜圖數據借助于計算機快速推定未知化合物結構的解析系統。譜圖數據包括紅外、質譜、核磁共振等數據，特別是二維和高維核磁共振數據。此外，人工智能在化學合成領域也扮演著舉足輕重的作用。自然界中有千千萬萬種化學反應，如何能從中規劃出新穎且可行性的合成路線一直是困擾化學家的一大難題。
以往研究人員需要絞盡腦汁地去設計出一條化學合成路線，因為在不同條件下化學反應是無窮變化的，而如果基于大數據與人工智能的計算機程序輔助研究人員進行化學合成路線設計，就可以大大提升科研人員研發新藥和其它化合物的效率。
AI未來的四波浪潮
人工智能是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。但不同的時代、不同的人對這種“復雜工作”的理解是不同的。
第一波是互聯網AI人工智能化，搜集大數據。以數據作為能源和燃料，數據越多，發展就越快。
第二波是商業AI人工智能化。它們因為商業模式的塬因，累積了一套數據，這些數據足夠大，激活后也會在商業流程產生價值。讓已有的數據產生價值，并進入商業。
第三波是實體世界感知AI人工智能化，把世界上還沒有數據化的東西數據化，變成AI人工智能化。例如人臉識別、語音識別，在機場、購物中心用很多監視器來捕捉數據。
第四波浪潮是全自動AI人工智能化 ，AI人工智能化一定是在采集大量的數據基礎上，實現技術迭代，第一是無人駕駛;另一個就是工業自動化。這兩個將是未來5年的重點。
結語
人工智能技術大多是基于概率模型的，所以對一些現象和結果不能提供充分解釋。化學領域有一定的特有知識、機理或者機制為標準，并不是所有問題都可以單純用人工智能技術來解決。如何將基于人工智能技術的黑箱模型與化工領域的白箱模型(比如能量守恒、物料守恒等)結合，形成一套完善的研究方法，是目前化學領域面臨的難題。
所有評論僅代表網友意見，與本站立場無關。