某「新化合物」90年前就有了？伦敦大学学院教授对DeepMind参与的「A-Lab」提出质疑

编辑 | 紫罗

上周，Google DeepMind 和加州大学伯克利分校的一组研究人员在《Nature》杂志上发表了一篇备受期待的论文，提出了一个「自主实验室」——A-Lab，旨在利用 AI 和机器人技术加速新材料的发现和合成。

被称为「自动驾驶实验室」的 A-Lab 展示了一个雄心勃勃的愿景，即当配备计算建模、机器学习、自动化和自然语言处理方面的最新技术时，人工智能驱动的系统可以在科学研究中实现什么目标。

然而，在发表后的几天内，人们开始对论文中提出的一些关键主张和结果产生怀疑。

Robert Palgrave 是伦敦大学学院（University College London，UCL）无机化学和材料科学教授。他在 X 射线晶体学领域拥有数十年的经验。Palgrave 在 X（前身为 Twitter）上提出了一系列技术担忧，因为他注意到数据和分析中存在不一致之处，而这些数据和分析是 A-Lab 所谓成功的证据。

这篇令人兴奋的论文展示了材料的人工智能设计、机器人合成。17 天内产生了 10 多种新化合物。但他们做到了吗？这篇论文在材料表征方面存在非常严重的问题。在我看来，它根本就不应该出版。

Twitter 链接：https://twitter.com/Robert_Palgrave/status/1730358675523424344?s=20

Palgrave 特别指出，A-Lab 的人工智能通过粉末 X 射线衍射 (XRD) 进行的合成材料相鉴定在一些情况下似乎存在严重缺陷。

并且一些新合成的材料此前早已被发现。

比如，Mg6MnO8 和 Ni6MnO8 都是已知的化合物，并且都是立方体。事实上，这两种化合物的固溶体（可能写作 Mg3MnNi3O8）于 1995 年被报道过。

相关论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0022459685713187

还有 MnAgO2，这个问题在 2021 年就被报道过。

相关论文链接：https://journals.aps.org/prmaterials/abstract/10.1103/PhysRevMaterials.5.105003

还有的化合物 90 年前就有了。

除此以外，还有......

AI 的有前途的尝试及其陷阱

Palgrave 在接受 VentureBeat 采访和写给 Nature 的一封直言不讳的信中表达了他的担忧，这些担忧围绕着人工智能对 XRD 数据的解释——这种技术类似于获取材料的分子指纹来了解其结构。

将 XRD 想象为一台高科技相机，可以拍摄材料中原子的照片。当 X 射线撞击原子时，它们会发生散射，形成科学家可以读取的图案，就像利用墙上的阴影来确定源物体的形状一样。

与儿童利用手影模仿动物形状的方式类似，科学家们制作材料模型，然后观察这些模型是否产生与他们测量的相似的 X 射线图案。

Palgrave 指出，人工智能的模型与实际模式不符，这表明人工智能的解释可能有点过于创造性。

Palgrave 认为，这代表着从根本上未能满足识别新材料的基本证据标准，以至于该论文的中心论点——已经生产出 41 种新型合成无机固体——无法得到支持。

在写给《Nature》杂志的一封信中，Palgrave 详细介绍了一系列例子，其中数据根本不支持所得出的结论。在某些情况下，为匹配 XRD 测量而提供的计算模型与实际模式存在巨大差异，以至于「对本文的中心主张（即新材料的产生）存在严重怀疑」。

尽管 Palgrave 仍然是人工智能在科学领域应用的支持者，但他质疑这样的任务是否可以用当前的技术完全自主地完成。「仍然需要一定程度的人工验证，」他认为。

Palgrave 直言不讳地说：「他们制作的模型在某些情况下与数据完全不同，甚至一点也不接近，完全不同。」他的消息？人工智能的自主努力可能没有达到目标，而人类的 touch 可能会引导它走向正确的方向。

AI 崛起中的人情味

为了回应质疑浪潮，加州大学伯克利分校 Ceder Group 负责人 Gerbrand Ceder 在 LinkedIn 上发布了一篇帖子，加入了这场争论。

LinkedIn 链接：https://www.linkedin.com/pulse/regarding-our-recent-a-lab-article-gerbrand-ceder-0sz6c/

Ceder 承认存在差距，并表示：「我们感谢他对我们共享的数据提供的反馈，并旨在解决（Palgrave）在此回应中的具体问题。」 Ceder 承认，虽然 A-Lab 奠定了基础，但它仍然需要人类科学家敏锐的眼光。

Ceder 的更新包含了新的证据，支持人工智能成功地用正确的成分创造了化合物。然而，他承认，「人类可以对这些样本进行更高质量的 [XRD] 细化」，并认识到人工智能目前的局限性。

Ceder 还重申，该论文的目标是「展示自主实验室可以实现的目标」，而不是声称完美。仍需要更全面的分析方法。

谈话又蔓延到了社交媒体上，Palgrave 和普林斯顿大学教授 Leslie Schoop 对 Ceder Group 的回应发表了看法。他们的反复强调了一个关键要点：人工智能是材料科学未来的一个有前途的工具，但它还没有准备好单打独斗。

Palgrave 和他的团队计划对 XRD 结果进行重新分析，旨在对实际合成的化合物进行更全面的描述。

探索 AI 与人类在科学领域的合作伙伴关系

对于那些担任高管和企业领导角色的人来说，这个实验是 AI 在科学研究中的潜力和局限性的案例研究。它说明了将人工智能的速度与人类专家的细致监督相结合的重要性。

主要的教训很明显：人工智能可以通过处理繁重的工作来彻底改变研究，但它还无法复制经验丰富的科学家的细致入微的判断。该实验还强调了同行评审和研究透明度的价值，Palgrave 和 Schoop 的专家批评强调了需要改进的领域。

展望未来，未来涉及人工智能和人类智能的协同融合。尽管存在缺陷，Ceder 小组的实验还是引发了一场关于人工智能在推动科学发展中的作用的重要对话。这提醒我们，虽然技术可以突破界限，但人类经验的智慧才能确保我们朝着正确的方向前进。

这个实验既证明了人工智能在材料科学领域的潜力，同时也是一个警示。这是研究人员和技术创新者改进人工智能工具的战斗口号，确保他们成为寻求知识的可靠合作伙伴。人工智能在科学领域的未来确实是光明的，但只有在那些对世界复杂性有深刻理解的人的指导下，它才会绽放出最耀眼的光芒。

参考内容：https://venturebeat.com/ai/ai-meets-materials-science-the-promise-and-pitfalls-of-automated-discovery/a