DeepRetro — это открытый фреймворк, который объединяет обычные ретросинтетические движки с большой языковой моделью (наподобие ChatGPT) в итеративном цикле. Ты можешь сказать: «Этот маршрут мне не нравится — слишком дорого», и языковая модель поймёт тебя, передаст пожелание движку, и тот предложит альтернативу. Диалог между химиком и ИИ становится непрерывным уточнением задачи.
Ещё один интересный инструмент — MHNpath, построенный на современных сетях Хопфилда. Он позволяет заранее настроить систему приоритетов: цена, температура, токсичность, доступность реагентов. Ты выставляешь ползунки: «Хочу подешевле, до 100°C и без сверхтоксичных веществ». И сеть Хопфилда ищет такой маршрут, оптимизируя сразу все параметры. Фактически, ты становишься не просто химиком, а менеджером проекта, который задаёт критерии успеха, а машина подбирает варианты. Лучше всего это сравнить с конструктором, где ты из молекул-прекурсоров можешь собрать сложную модель — целевое лекарство. Раньше ты сидел часами и придумывал инструкцию сам, перебирая детали, теперь ты просто показываешь нейросети фотографию модели и говоришь: «Сделай мне инструкцию, но так, чтобы использовать только детали из этого ящика и чтобы собрать можно было за час». И нейросеть выдаёт несколько пронумерованных шагов: шаг 1 — возьми бензойную кислоту, шаг 2 — добавь уксусный ангидрид, шаг 3 — подогрей до 60°C… И сортирует эти инструкции по цене, скорости и количеству шагов. Можно собрать быстро и дорого, можно долго и дёшево, а можно — оптимально.
Все эти системы работают уже сейчас, и многие из них бесплатны. Впервые в истории любой химик может сесть за ноутбук и спланировать синтез сложной молекулы, на который у профессоров XX века уходили недели. Всё, что требуется, — нарисовать молекулу и задать правильные вопросы. А критическое мышление понадобится, чтобы отсеять красивые, но нереализуемые предложения — всё-таки даже самый умный ИИ иногда галлюцинирует. В следующей главе мы посмотрим, как роботы не только планируют, но и сами ставят реакции, замыкая цикл «гипотеза → эксперимент», о чём Кори мог только мечтать.
Попробуй сам
А теперь давай ненадолго включим «режим LHASA». Возьми простую молекулу — например, всё тот же аспирин. Попробуй записать на бумаге правила, просто сформулируй словами, как бы ты объяснял способ его синтеза воображаемому компьютеру-новичку. Начни с очевидного: «Найди все связи, которые можно мысленно разорвать», «Посмотри, какие фрагменты получаются», «Для каждого фрагмента проверь, есть ли коммерчески доступный реагент». А теперь представь, что тебе нужно записать все исключения. Что делать, если в молекуле и спиртовая группа, и кислотная? Что, если она полициклическая? Сколько правил и запретов у тебя получилось уже через пять минут? Если счёт пошёл на десятки и ты начал путаться — добро пожаловать в мир экспертных систем. Именно в нём пытался навести порядок Кори, вооружившись карандашом и верой в алгоритмы. А теперь вообрази, что кто-то предложил не дописывать правила до бесконечности, а просто показать машине миллион удачных синтезов. Чувствуешь разницу в подходе?
А сейчас открой две вкладки в браузере: IBM RXN for Chemistry (нужна бесплатная регистрация) и ASKCOS. Нарисуй в обеих системах аспирин — ту самую 2-ацетоксибензойную кислоту, которая уже стала нашим талисманом. Запусти предсказание ретросинтеза и через минуту получишь два независимых набора маршрутов. А теперь поработай детективом. Сравни, какой путь короче, какой использует более дешёвые и доступные реагенты, какой предлагает жёсткие или опасные условия. Где системы сошлись во мнении, а где разошлись? Представь, что ты руководитель фармацевтического отдела и у тебя в лаборатории нет уксусного ангидрида, зато есть уксусная кислота — какой маршрут останется, а какой отправится в корзину? Запиши свои выводы в любой блокнот: два независимых свидетеля надёжнее одного, и привычка фиксировать ход мыслей пригодится, когда мы доберёмся до лабораторного дневника 2.0. Если хочешь продолжить расследование, повтори эксперимент с парацетамолом или кофеином и сравни, насколько предсказания зависят от структуры молекулы.
Глава 10. Роботы-химики
В прошлой главе мы стали виртуальными планировщиками синтеза: нажали кнопку — и получили маршрут. Но кто-то ведь должен смешать реагенты, нагреть колбу и проверить, получился ли белый порошок или бурая жижа? Когда-то это делал ты сам, стоя у вытяжного шкафа с пипеткой. Потом появились простые автоматы: загрузил пробирки, нажал «старт» — и машина сама дозирует. Но сегодняшние роботы-химики умеют гораздо больше: они не просто выполняют твои команды, а сами решают, какой эксперимент поставить следующим, и даже находят рецепты, которые тебе и в голову не пришли бы. Давай посмотрим, как выглядит эта эволюция — от «умной кофеварки» до почти самостоятельного учёного.
Разреши представить робота-кондитера, который однажды замечает, что у булочек, которые он случайно проткнул вилкой перед выпечкой, корочка получилась хрустящей, а мякиш — воздушнее. Ты такого не просил. В учебниках такого нет. Но робот запомнил и теперь всегда протыкает булочки. Он не просто повторил твой рецепт — он его улучшил, найдя скрытую закономерность, которую никто из пекарей не замечал, потому что «так не положено». Именно так работают современные роботизированные лаборатории. Они не просто экономят время, а ставят эксперименты, которые ты никогда бы не поставил, потому что их слишком много или они кажутся бессмысленными. И в этом они опираются на искусственный интеллект.
Возможно, ты слышал про уровни автономности автомобилей: от 0 (ты всё делаешь сам) до 5 (машина едет вообще без руля и педалей). В химии происходит то же самое, только вместо дороги — лабораторный стол.
Уровень 0 — «Ручной труд»: Ты сам дозируешь реагенты, включаешь нагрев, записываешь показания. Компьютер разве что печатает методику.
Уровень 1 — «Помощник»: Автоматический дозатор или автоподатчик проб. Ты по-прежнему принимаешь все решения, но пара рутинных действий переложена на машину.
Уровень 2 — «Исполнитель»: Робот выполняет заложенную программу: смешать А и Б, греть 2 часа при 80°C. Но если что-то пойдёт не так (например, давление подскочит), он не среагирует — только подаст сигнал тревоги. Большинство промышленных синтезаторов — это уровень 2.
Уровень 3 — «Условная автономность»: Робот может варьировать параметры в заданном диапазоне: температуру, концентрацию, время. Он использует алгоритмы оптимизации, чтобы найти наилучший выход. Но цель и границы по-прежнему ставит человек.
Уровень 4 — «Высокая автономность»: Робот сам решает, какой эксперимент поставить следующим, интерпретирует аналитические данные (спектры, хроматограммы) и меняет стратегию. Он может предложить новый путь синтеза. Человек нужен в основном для того, чтобы пополнить запасы реагентов и починить сломавшийся насос.
Уровень 5 — «Полная автономность»: Лаборатория работает без участия человека: заказывает реагенты, калибрует приборы, ремонтирует себя, публикует статьи. Это пока научная фантастика, и ни одна система в мире к нему даже не приблизилась. Большинство описанных ниже роботов находятся между уровнями 3 и 4. Они «условно автономны» или «высокоавтономны» в очень узкой области.
Начнём с самого доступного. RoboChem (и его гибкая версия RoboChem-Flex) — это проект, который доказывает: «self-driving lab» можно собрать из недорогих компонентов и 3D-печатных деталей. Стоимость базовой версии — около 5000 долларов, а все файлы для печати и код выложены в открытый доступ. По сути, это небольшая проточная система с насосами, камерами и спектрофотометром, которая умеет оптимизировать химические реакции. Внутри стоит алгоритм байесовской оптимизации: робот ставит несколько опытов, строит вероятностную модель, предсказывает, где выход будет максимальным, и ставит следующий опыт именно там. За несколько итераций он находит условия, которые дают выход 90%+, хотя изначально было 20%. Причём ему не нужна теория — только измерения.
Следующий уровень — AlphaFlow, о которой говорилось ещё во введении. Эта проточная лаборатория использует обучение с подкреплением — тот же метод, что учит нейросети играть в шахматы и го. AlphaFlow не просто оптимизирует одну стадию; она способна выстроить многостадийный синтез без априорного знания стандартных протоколов. Её запустили с задачей найти маршрут синтеза, и она, пробуя разные последовательности реакций и условия, самостоятельно открыла и оптимизировала путь, который оказался лучше общепринятых прописей.
А теперь представь, что ты можешь просто написать чат-боту: «Синтезируй мне аспирин, используя салициловую кислоту и уксусный ангидрид». И робот всё сделает. Именно это и продемонстрировал Coscientist — проект Carnegie Mellon и Emerald Cloud Lab (2023). Coscientist — это ИИ-агент на базе большой языковой модели (той же породы, что ChatGPT), который умеет писать код на Python для управления облачной лабораторией. Ты даёшь ему текстовое задание, он ищет в интернете методику, пишет скрипт для дозирования, нагрева и анализа, отправляет его в удалённую роботизированную лабораторию и получает результат. Ему удалось успешно синтезировать аспирин и парацетамол. Coscientist — прекрасный пример интеграции языкового интеллекта с физическим миром. Правда, он пока не придумывает новые реакции, а использует известные; его автономность — на стыке уровней 3 и 4, но с мощной языковой прослойкой.
Для неоргаников и материаловедов в Беркли построили A-Lab — автономную лабораторию, которая завязана на предсказания GNoME. Это цех с роботами-манипуляторами, печами и рентгеновским дифрактометром. Порошки оксидов дозируются, прессуются, обжигаются, а затем автоматически анализируется их кристаллическая структура. Алгоритмы активного обучения сравнивают полученную дифрактограмму с предсказанной и решают: синтез удался или нужно изменить температуру/время/соотношение реагентов. A-Lab может работать без выходных, перебирая сотни рецептов и постепенно улучшая свою модель. За несколько месяцев она синтезировала и подтвердила десятки новых соединений, которые GNoME пометил как перспективные. Это уровень 4: лаборатория сама решает, что делать дальше, основываясь на предыдущих результатах. Но даже она не умеет заказывать закончившийся оксид титана — это делает лаборант.
На промышленном уровне концепция «self-driving lab» воплощается в гигантских облачных фабриках. Ginkgo Bioworks (совместно с OpenAI) строит облачную лабораторию синтетической биологии, где роботы конструируют ДНК, тестируют штаммы микроорганизмов и масштабируют ферментацию. Доступ к таким платформам продаётся как сервис: ты загружаешь проект, а роботы выполняют его на своём оборудовании. Это всё ещё уровень 3–4, потому что человек формулирует задачу и интерпретирует результаты высокого уровня, но рутинные операции полностью автоматизированы.
Несмотря на огромные успехи, достигнутые в этом направлении, ни одна из упомянутых работизированных лабораторий пока ещё не является полностью автономной. Они не заказывают реагенты сами, не могут починить сломавшийся шприцевой насос, не меняют лампочки в спектрофотометре и не пишут в журнал «закончился гексан, закажите ещё». И ни один эксперт отрасли не скажет, что робот-химик сегодня способен заменить человека-исследователя. Скорее, робот становится суперлаборантом: неутомимым, точным, способным перебрать тысячи вариантов, пока ты думаешь о смысле.
Попробуй сам
Для начала просто посмотри, как это выглядит вживую. Найди на YouTube видео «A-Lab Berkeley autonomous lab» или «RoboChem flow chemistry» и полюбуйся, как робот-манипулятор переставляет тигли и загружает их в печь — зрелище завораживает не меньше, чем марсоход. Если тебя зацепила идея собрать такого робота самому, загляни на GitHub по запросу «RoboChem» — все файлы для 3D-печати и код лежат в открытом доступе, и, возможно, ты построишь своего химического ассистента. А если хочешь уже сейчас почувствовать, как думают эти роботы, открой Google Colab и найди любой учебный блокнот по байесовской оптимизации. Придумай простую «игрушечную» химическую задачу: пусть выход реакции зависит от температуры и времени как какая-нибудь математическая 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».