Химик в мире нейросетей - Максимилиан Копылович

функция с одним максимумом. Сначала запусти случайный перебор — десять случайных точек, и посмотри, какой максимальный выход нашёлся. Потом запусти оптимизацию: она сама выбирает следующую точку, основываясь на предыдущих результатах. Сравни, за сколько шагов байесовская оптимизация нашла оптимум, пока случайный поиск всё ещё блуждает в потёмках. Никакой магии — просто умный алгоритм, который учится на ходу. Именно так работают self-driving labs: они не перебирают всё подряд, а с каждым опытом становятся умнее.

 

 

Глава 11. Когда ИИ берёт в руки инструменты

В предыдущей главе мы познакомились с роботами, которые смешивают, греют и анализируют. Но у каждого робота есть программа, которая говорит ему, что делать. Часто это просто список команд, заложенный человеком. Но всё чаще этим мозгом становится ИИ-агент — автономная программа, которая не просто выполняет приказ, а сама решает, какой инструмент взять, чтобы решить задачу. В этой главе разберёмся, как такие агенты берут в руки не пробирки, а программные инструменты — и становятся «менеджерами-учёными».

Мы уже сравнивали роботов-химиков с автопилотами: у них есть уровни автономности. Но там речь шла о физическом исполнении — дозировании, нагреве. Агент же живёт в мире программ. У него нет рук; его «инструменты» — это API, базы данных, расчётные модули. Он может запустить предсказание ретросинтеза в ASKCOS, посчитать энергию в DFT, поискать статьи в PubMed, сгенерировать гипотезу и даже написать код для управления роботом. Именно соединение «головы» (агента) с «руками» (лабораторным роботом) даёт ту самую автономность уровня 4, о которой мы говорили. Чтобы не запутаться, запомни главное различие: робот — это исполнительный механизм, лабораторная посуда с моторчиком. Агент — это стратег, который сидит в облаке, перебирает цифровые инструменты и говорит роботу: «Сделай так».

Одним из первых таких агентов стал ChemCrow — проект, соединивший большую языковую модель (на основе GPT-4) с восемнадцатью химическими инструментами. Это как швейцарский нож, где есть такие «лезвия», как RXN for Chemistry (предсказать реакцию), AiZynthFinder (найти путь синтеза), модули поиска литературы, расчёта свойств и даже генератор синтеза полимеров. Ты даёшь ChemCrow текстовое задание: «Синтезируй репеллент от комаров, используя доступные реагенты, и предложи методику». Модель анализирует запрос и выбирает нужные инструменты: сначала запускает ретросинтез, чтобы понять, из чего сделать диэтилтолуамид (DEET), потом проверяет свойства реагентов в базе данных, генерирует протокол и может передать его роботу-исполнителю. При этом ChemCrow не просто копирует готовый рецепт, а рассуждает (или, по крайней мере, имитирует рассуждение) о том, какой растворитель выбрать, почему эта стадия может пойти с плохим выходом и стоит ли попробовать альтернативный путь. Это шаг к тому, чтобы машина стала не просто библиотекарем, а напарником в мозговом штурме.

Ещё интереснее системы, которые называют AI co-scientist (ИИ-соучёный). Их задача — не просто выполнить приказ, а помочь тебе придумать гипотезу. Например, ты хочешь разработать новый катализатор для расщепления воды. В мире опубликованы тысячи статей по катализу. Прочитать их все невозможно. Но ИИ-агент может «проглотить» эту гору текстов за часы и найти закономерности, которые никто не замечал. Он говорит: «Смотри, в таких-то статьях 2015, 2018 и 2022 годов упоминаются похожие комбинации металлов, но никто не пробовал их при высоком давлении. Давай проверим?» Такие агенты формулируют гипотезы, ищут «белые пятна» — области, где данных мало, а потенциальный прорыв велик. Фактически они работают как идеальный ассистент, который никогда не спит и помнит каждую прочитанную статью. Конечно, окончательное решение, какую гипотезу проверять, остаётся за тобой. Но перебрать миллион вариантов и отсеять заведомо безнадёжные машина может за минуты.

А что будет, если запустить не одного, а нескольких ИИ-агентов, у каждого из которых своя специализация (вспомни принцип MoE)? Один — эксперт по термодинамике, второй — по кинетике, третий — по токсичности. Они получают общую задачу и начинают спорить друг с другом, пока не придут к согласованной гипотезе. Такие мультиагентные системы, например SciAgents, работают как научная группа. Один агент предлагает: «Давайте использовать марганцевый катализатор». Второй возражает: «Но побочная реакция с водой даст нестабильный интермедиат». Третий подсказывает: «Если добавить хлорид-ион, он стабилизирует комплекс, смотрите статью 2024 года». В итоге они вырабатывают взвешенное предложение, которое уже потом предъявляют человеку. Это похоже на консилиум врачей или защиту диплома, только очень быстро.

Теперь соедини агента-стратега с роботом-исполнителем. Получится полностью автономный цикл: ты ставишь общую задачу («найди новый ингибитор для этого белка»), агент формулирует гипотезы, выбирает кандидатов, планирует синтез, а робот выполняет реакцию и проводит тесты. Результат возвращается агенту, и тот уточняет модель. Так работают самые продвинутые лаборатории уровня 4, и именно этот альянс — главный тренд ближайших лет. Скорее всего, химик будущего будет не столько стоять у прибора или лабораторного стола, сколько управлять парком ИИ-агентов, как дирижёр оркестром.

Попробуй сам

Для начала почувствуй себя в роли «агента» с самым простым инструментом — обычным чат-ботом. Открой ChatGPT или любой аналогичный сервис с доступом в интернет и дай ему задание: «Предложи план синтеза аспирина из подручных средств, найди методики и сравни их по безопасности. Аргументируй выбор». Ты увидишь, как он «размышляет»: проверяет несколько источников, взвешивает плюсы и минусы, даже указывая, какой растворитель безопаснее. Это и есть упрощённая модель того, как работают химические агенты: они точно так же комбинируют информацию. Если чат-бот сказал что-то подозрительное, не поленись перепроверить источники — мы же помним про критическое мышление.

Теперь шаг посложнее — для тех, кто не боится Python. Настоящий ChemCrow устроен так: языковая модель не просто общается, а дергает за ниточки, запуская определённые функции — например, запускает расчёт молярной массы. Ты можешь собрать своего мини-агента прямо сейчас. Напиши простенькую функцию на Python, которая принимает химическую формулу (строку вроде C6H12O6) и возвращает молярную массу. Затем подключи эту функцию к языковой модели через механизм function calling — в OpenAI API это делается парой строк кода. Задай боту вопрос: «Какая молярная масса у глюкозы?». Вместо того чтобы угадывать число из памяти или лезть в интернет, бот вызовет твою функцию, получит точный расчёт и выдаст ответ со ссылкой на неё. Ты только что собрал простейшую версию ChemCrow: связку «языковая модель + инструмент». Не магия, а архитектура, которую ты можешь повторить сам.

Если хочешь увидеть, как выглядит взрослая версия, загляни на GitHub по запросу «ChemCrow» — там выложен открытый код, который при желании можно запустить с настоящими химическими API. Но даже просто полистать документацию полезно: ты увидишь, как языковая модель вызывает внешние сервисы, и поймёшь, что под капотом у