AI化學與生物（口袋裏的人工智能）

這是本不錯的小書，個人認爲雖然定位在“科普”上，其中的大部分內容也並不陳舊，基本都是2023年附近的參考文獻，哪怕現在關於AI的科技水平日新月異也仍然可以作爲生化環材專業研究人員作爲“人工智能應用”的第一本讀物。閱讀過程中我基於書中的脈絡，結合自己截止到2026年8月14日的一些認識上的迭代進行了調研、補充並做了批註，所以作爲“啓發性”的讀物，這本書也是合適的。 我從一個化學與生物醫學交叉工作者的角度來回看，覺得這本書讀起來很舒服的一個原因在於主線清晰、明確。我的理解是：化學是生命科學、材料科學與環境科學很多問題的理論基礎，也是人工智能作爲全新工具應用的“入口”，而在AI輔助下，化學、生命、材料、環境多個學科都在重塑着研究範式。過去依靠理論推演、經驗試錯的科研路徑，正在與數據驅動的AI方法交匯融合，開啓了理性預測、高通量篩選的新階段，同時也帶來了新的侷限與思辨。不過這裏也有個我個人的疑問——究竟何時，重複性的“體力活”才能完全被替代呢？起碼站在2026年的視角來思考，從大部分本世紀初獲得教職的科學家們到他們的研究生們多少都受到了些AIGC、大量智能體的衝擊，但在實驗學科中，AI的幻覺問題會進一步放大，“四大天坑”的話語體系距離被顛覆確實還有十萬八千里。如此看來，AI新工具可以瞭解、使用，非常適合對已經非常熟悉的事情進行簡化、提效，但尚不必對此過度焦慮而打亂自己原本的節奏。AI的初衷是降本增效，工具能夠發揮多大價值，受制於數據質量、課題特點與學科階段；研究者的問題意識、實驗設計與思辨判斷依舊是不可替代的。 下面總結一下我閱讀這本書時的一些啓發，涉及一些我個人對近三年進展的延伸補充。在化學領域，從薛定諤方程到計算化學，量子化學與密度泛函理論完成了分子性質、反應過程的定量計算，但是算力瓶頸始終限制大規模應用。AI並非取代計算化學，而是以大量計算化學數據爲基礎，建立分子結構和性質之間的關聯，實現快速高通量預測，形成“理論計算+人工智能”的新型科研範式。 面對新藥研發，我們這一代科研人正處在範式更迭的節點，一邊享受自動化工具帶來的便利，一邊也會因爲原有能力被稀釋、前路缺少成熟參照而陷入內耗。AI真正的定位，是把人從重複性工作中釋放出來，聚焦更深層的科學問題。書中講到了幾類波譜分析藉助AI實現圖譜解析提速，我覺得這一思路還可以延伸至質譜支撐的蛋白質組學、代謝組學，爲疾病標誌物挖掘、臨牀診斷提供新路徑。 在生命科學部分，合成生物學以自下而上的工程思路改造生命體系，當前優先改造微生物搭建細胞工廠，用來低成本生產目標產物；動物細胞改造多用於複雜大分子與類器官等少數場景，受複雜度、週期、倫理制約難以大規模量產。我從合成生物學的工程思想聯想到了今天的類器官、虛擬細胞與虛擬器官的發展，覺得這也是這些方向發展的思想與工具基礎。 年初讀過道金斯的《自私的基因》和《延伸的表型》也給我帶來了不少啓發，我的理解是，從基因型到表型並不是簡單的一步映射，需要納入蛋白、修飾、代謝等多層次數據，纔可以構建更完整的解釋鏈條；因而也可以把生命體系廣泛存在湧現行爲，從種羣、個體拓展到對細胞、分子通路等的理解上，這些體系都呈現着局部隨機混沌、整體穩定有序的集羣特徵，所以我聯想到了現在熱門的組學研究，其本質就是對多層生命集羣進行定量解析。而在行爲學研究上，AI可以提取動物行爲軌跡，卻暫時無法解決行爲指標缺少統一定量標準、行爲和內在神經活動難以精準對應的難題。AI擅長從羣體共性中識別個體差異，這也正是精準醫學的核心思路。針對海量未知基因，AI基因功能註釋可以實現高通量初步預判，但依舊不能替代溼實驗驗證。 材料科學一章提出的材料基因組思想，本質上是“單元‑結構‑性能”的對應關係，很大程度擺脫了試錯式研發，我覺得這一思維範式在生命科學、環境科學中也同樣適用：由基礎單元的結構，向上決定宏觀功能與效應，這就又回到了我前面的理解上——化學是貫穿於其中的基礎。 這本書在環境科學板塊談到了很多關於地球化學、二氧化碳應用等非常實際、有趣的問題。不過給我啓發比較大是環境毒理學部分，這裏書中涉及不多，我基於自己的理解來拓展一下分享在這裏。AI依託於分子結構可以預測污染物遷移、轉化與毒性等非線性過程，並且能夠向環境毒理學延伸，結合暴露組學、毒代動力學，也有潛力進一步打通“環境暴露‑體內代謝‑機體損傷”的研究鏈條。環境監測已經實現物聯網式自動採樣，而我也聯想到了人體生物樣本的採集問題，不過當下最大的限制在於創傷風險、倫理約束、個體差異、基質干擾等，也很難照搬這套模式，如果大膽設想，未來的可行方向或許是無創、微損採樣結合AI信號校正換算。不過類似於污染物結構預測，同樣的思路也可以用於代謝組學研究，爲營養物質吸收、分佈、轉化、排泄提供更全面的註釋，也能爲機理層面研究提供些線索，我覺得未來要解決研究人員化學基礎對海量質譜解讀的困難，這是一定會逐漸發展起來的方向。 本書中客觀點明瞭AI應用的兩大短板：原始數據偏差會被模型放大，數據質量遠比數據總量重要；純數據驅動模型帶有黑箱屬性，缺少物理化學機理約束。我覺得對應的解決路徑還是要做好全流程的數據質控校驗，而在建模上可能一時半會兒離不開機理與數據融合、分層使用傳統模型與AI模型的思路，就好像分析方法的迭代總是離不開與“金標準”的比較一樣，在精度和可解釋性之間總是需要不斷取得平衡。 整體而言，目前看來，AI是一件強有力卻有邊界的科研工具。它能夠加速預測、降低試錯成本，打通化學、生命、材料、環境之間的研究方法；但生命與環境系統高度複雜，存在湧現、反饋、個體差異，AI輸出的大多是假說和趨勢，並不能直接等同於客觀事實。我覺得未來的科研中，“化學機理”的重要性會越來越高，很有可能不再限於化學本專業的人羣，甚至所謂“四大天坑”之間可能也會逐漸融合成一個彼此交叉的大方向。無論如何，我們應該不斷摸索、善用AI作爲輔助，同時也應該保持審慎驗證的態度，在技術變革的浪潮中，守住作爲研究者作爲“人類”獨立思考的價值。

恰逢其時的科普書，AI作爲強大的工具與研究方法，在化學和生物領域，有着廣闊的應用。按目錄求索，花兩個小時，簡簡單單地瞭解最新情況，值得推薦