而在化學工程領域，利用人工智能來輔助合成規劃和性能，為科學家提供了這樣一種前景：他們只需要一個想法和一個互聯網連接，就可在最先進的遠程實驗室里生成新分子。

　　2020年8月，國際商業機器公司(IBM)宣布推出RoboRXN化學實驗室，讓人們看到了將人工智能和實驗室自動化結合起來的潛力。該系統既可提供化學配方來生產目標有機分子，還可以通過市售的硬件，如IBM的演示器將這些分子自動合成。該演示器由位于瑞士Füllinsdorf 的Chemspeed Technologies公司制造，是一種Flex自動合成工作站(圖1)。

　　圖1 IBM的RoboRXN化學實驗室系統合成分子的實時照片。在圖的左下方，可以看到自動合成工作站6 個反應室中的幾個。右邊帶著藍色瓶蓋的是裝有配料的廣口瓶。來源：IBM RoboRXN for Chemistry，經許可

　　最好將RoboRXN分為兩部分進行考慮，即合成器硬件以及經化學合成實驗程序訓練的人工智能算法“大腦”，其中化學合成實驗程序基于自然語言處理進行機器學習，從大約100 萬項專利中提取有用程序。該處理過程甚至可以將用英語編寫的非結構化實驗程序轉換為進行這些實驗所需的結構化步驟，包括振蕩、攪拌和加熱等步驟。該系統的人工智能還可以預測復雜有機化學反應的結果。

　　重要的是，對于有興趣設計和合成某些新的有機分子的科學家，該系統可以建議逆合成路線。換句話說，用戶告訴它需要什么分子，系統就會提供生產這種分子的各種實用配方選擇，主要提供用市售原料進行反應的配方。

　　IBM已經通過其云應用程序——RXN化學實驗室將這一見解與人們無償分享。位于瑞士蘇黎世的IBM 歐洲研究中心的加速發現實驗室(Accelerated Discovery at IBM ResearchEurope)的負責人Teodoro Laino說道：“挑戰在于，你能否通過收集過去200 年的所有知識，訓練出能夠預測分子合成的模型，同時將這些知識轉化為可由商業自動化硬件執行的指令?”

　　RoboRXN的原理驗證實驗表明，從本質上講，這是可以做到的。首先，RoboRXN將化學配方轉換成機器可讀的指令，然后由一個能合成所需分子的自動化實驗室執行該指令。那么，現實生產中該如何應用這樣的系統?

　　Laino 說道：“對這種系統感興趣的主要是制藥領域，近年來，制藥領域的化學品制造環節普遍外包。目前，越來越多的制藥企業開始關注由自己來制造化學品。有了人工智能組件，科學家無需像以往那樣必須花費幾十年時間去開發某種化學品，自動化硬件的出現，使得各種流程的作業時間擴大到每天24 h?！?/p>

　　另一種實現人工智能機器人實驗室的方法是實現研究和儀器的自動化。在2020年3月的一次論證報告中，英國利物浦大學的化學教授兼材料創新公司(Materials InnovationFactory)主任Andrew Cooper 領導的一個團隊，利用德國奧格斯堡庫卡公司(Kuka)生產的靈巧移動機器人，研究用水生產氫氣的新型光催化劑(圖2)。

　　該機器人自主運行了8天，完成了688項實驗，每項實驗分批進行，分16批次，測試了由10種不同的化學溶液組成的混合物，其中包括一種催化劑、兩種表面活性劑和三種染料。隨后用氣相色譜法對每項實驗進行評價，以確定實驗效能。Cooper 說道：“在這個自動化機器人之前，學生每天只能親手做一項實驗。雖然出于安全考慮，這個機器人運行較慢，但它就像終結者——它永遠不會停下來。它一周工作7天，一天工作24h，一次做16項實驗?！?/p>

　　圖2 英國利物浦大學Cooper 小組實驗室運行中的“自動化研究員”。庫卡移動機器人(KUKA Mobile Robot)可在82 cm范圍內自如移動。該機器人通過結合激光掃描和觸摸反饋確定自身的位置，從而進行精確定位。出于安全考慮，它移動緩慢，但與人相比，該機器人系統做實驗的速度很快，因為它做實驗是批量進行的，且“思考速度如閃電般快”，Andrew Cooper教授說道。來源：Andrew Cooper，經許可

　　Cooper表示，能處理如此多的變量是機器學習的獨特優勢。因為這個實驗的“研究空間”包含了近1億種可能的成分組合，該自動化系統采用貝葉斯優化算法來評估每個實驗的結果(此處指實驗中氫的產量)，然后決定在下一批中試驗哪些成分的混合物。當系統發現某種組合效果好時，它會嘗試優化該組合，同時繼續尋找“研究空間”中其他領域的成分。

　　Cooper 說道：“對于人類來說，在優化的同時進行新的嘗試是非常困難的。它的維數太高了，人類的大腦甚至無法將其概念化。”他表示，人類化學家傾向于一次測試一個變量，而這種人工智能方法恰恰相反，它一次就能改變所有變量，每批實驗都對其機器學習模型進行改進。實驗結果表明，光催化劑混合物的活性是初始配方的6倍。

　　Cooper 表示，自動化研究的一大好處是，使提高實驗室空間的處理能力變得更容易。“每個月我們都要增加一個新站點，以使我們的實驗室空間變得更加復雜。目前我們正在研究X射線衍射。這項研究很重要，因為它可以幫助我們確定材料的結構——不僅僅是材料可以做什么，更重要的是材料是什么?！盋ooper 400m2的實驗室現在有兩個機器人，還有兩個正在訂購中，所有這些機器人都可以作為一個團隊一起工作。

　　加拿大不列顛哥倫比亞大學的研究人員也開發了一個由人工智能驅動的自動化材料科學平臺，該平臺旨在加速發現用于清潔能源技術的先進材料。該“自動駕駛”機器人平臺名為Ada，無需人工監督即可生產和測試新型薄膜材料(圖3)。

　　在一項旨在最大化鈣鈦礦太陽能電池中常用的電子-空穴傳輸材料的載流子遷移率的實驗中，Ada通過制備三種溶液(包括氧化劑和摻雜劑)的混合物來制備薄膜。該系統以摻雜劑的相對濃度和退火時間作為輸入變量，將這些混合物沉積到玻璃基板上，然后對其進行退火。退火后，自動測量每個樣品的電學和光學特性。每個實驗周期需要20min。試驗結束后，該系統采用貝葉斯優化方法自行決定接下來要嘗試的變量組合。Ada確定最佳鈷濃度和退火時間用了35個循環(約12h)。

　　圖3 哥倫比亞大學的Ada 機器人實驗室平臺是一個“自動駕駛”系統。該系統旨在加速用于清潔能源技術的新型薄膜材料的研發。中間左側的淺色柱子頂部有一個鉸接式機械臂。它前面的黑色柱子是一個基板存放架，正中間右側的淺色圓柱體是旋涂儀。來源：UBC，經許可

　　與Cooper實驗室中的機器人一樣，Ada通過將人工智能與自動化結合起來，成功實現了在廣闊的實驗空間中快速導航。Ada項目經理Amanda Brown表示，Ada背后的加拿大團隊目前有6個這樣的平臺，用于開展6個不同項目，其中一個旨在開發二氧化碳電解槽，以提高直接從空氣中捕獲碳的效果。

　　首席研究員兼不列顛哥倫比亞大學化學以及化學與生物工程學教授Curtis Berlinguette 說道：“這是一項集很多學科知識于一體的工作。我們的平臺是由機電工程師、機械工程師、化學家、材料科學家、程序員和機器學習專家共同搭建的?！?/p>

　　盡管這項工作前景不可限量，但人工智能驅動的機器人實驗室在導航方面仍然存在許多限制。美國馬薩諸塞州劍橋市麻省理工學院的化學工程學助理教授兼藥物發現與合成機器學習聯盟(Machine Learning for Pharmaceutical Discovery and Synthesis Consortium，由麻省理工學院與13家生物制藥和化學公司組成)成員Connor Coley說道：“總的來說，該領域的發展使得與更宏偉的目標所對應的更加困難的問題開始得到解決，但我感覺我們已經陷入這個概念驗證階段很長一段時間了?！?/p>

　　Coley 表示，自動化需要應對一系列挑戰。Coley 的工作包括將人工智能驅動的合成規劃與機器人自動化結合起來，用以生產藥用化合物?！叭绻愕膶嶒炓幠２皇呛苄。敲捶艧岱磻褪且粋€問題。作為一個團隊，我們在機器人分配固體藥劑方面的工作仍然相對較差。一些反應性固體粉末往往會結塊，因此準確分配這些粉末并精確稱出特定質量的粉末仍然是一個問題。”

　　在IBM的RoboRXN化學實驗室中，該團隊目前使用的硬件無法執行多步驟化學過程中經常需要的那種純化。Laino 說道：“如果你想凈化某個化學試劑，就必須把它從循環中取出以完成凈化，然后重新啟動自動化過程，這對整個化學合成的性能有很大影響。”

　　如果這些挑戰以及許多其他挑戰在未來幾年可以得到解決，人工智能驅動的機器人實驗室不僅可以提供高通量的化學和材料研究，還可以進行更具創新性的研究。Cooper說道：“我有時太過于強調利用人工智能驅動機器人進行研究的速度，這不是重點。我們的根本目標始終是著眼于我們根本無法看到的事物。因為自動化的增強率如此之大，所以我們應該大膽進行一些猜測?！?/p>

　　然而，基于遠程訪問和擴展的組合，Laino對RoboRXN的未來的想象與其他人不同?！跋胂笥幸粋€大倉庫，那里不是一個裝滿計算機的大數據中心，而是按照要求進行化學反應的機器人。突然，你看到了將這項技術應用在化學等領域的潛力。這場革命肯定需要一些時間，但這將極大地改變我們看待和研究化學的方式?！?/p>