在不远的未来，化学和生物实验操作是否会被全自动合成仪取代？

风云

阿法狗已经可以下赢围棋，如果让类似的人工智能能够识别化学键性质，判断合成路线可行性，是不是可以单纯用穷举法，甚至用不上更高级的算法，就设计出全合成路线，用机械臂完成合成操作？或者单纯按照人工设计的实验路线进行合成？而且机器的操作更快速更精确，那么到时候用人工合成岂不成了非主流，甚至被完全取代？
原文地址：https://www.zhihu.com/question/54418462

同花顺

在美帝围观某些同学的实验室发现：

很多重复性的工作，美国本土本科毕业的技术员做得更好、更专一。
但是，老板还是更喜欢让每5年更替一轮的海外（主要是中国）博士后来做。
因为本土技术员无论工资还是其他成本（例如辞职的可能性福利保障的严格性等），都太高。

所以原题更可能是个经济学和政治学问题，而不全是生/化或者机械工程学的问题。

队长是我

我的科研学习生涯中涵盖了有机化学，无机化学，高分子化学，理论与计算化学，生物化学等几乎所有主流化学操作，得益于我太太的熏陶，我也会用python，并会一些简单的machine learning和data ming。正因为如此，我更深刻体会到化学是一门是实验科学的精髓，计算机和自动化可以极大提高效率，他们将是科学家的好助手，而非掘墓人。

操作机械化是必须的，是正在发生的，也是未来的必然。但是科学家是不会被取代的，反而会因为从繁重的重复劳动中解放出来，过得更好。

举两个例子。
第一个是通过x射线衍射解析晶体结构。在布拉格方程提出后，其实已经没有理论上的困难了，在很长一段时间里，解方程成了很多晶体学学者的主要日常。很快，自上世纪70年代起，得益于计算机的飞速发展，通过程序辅助解析，极大提高了工作效率。时至今日，原来很多需要博士生解数年的结构，现在只要几天甚至几个小时就能完成。
而晶体学并没有因此衰落，晶体学家也没有失业，反而随着晶体解析越来越容易，各个相关学科都更愿意利用晶体学方法帮助自己，优秀的晶体学家比上世纪70年代时甚至更加紧俏。
第二个例子是HPLC和GCMS对有机化学，尤其是合成化学的促进。做过有机的都知道过柱子纯化分离是日常，非常无聊且痛苦的日常。HPLC的引入，配合GCMS和NMR，可以使你迅速判断一个反应有没有生成你的目标产物，即这个反应有没有必要继续优化下去。甚至偶尔还会发现意外产物，促进你反思反应机理，得到更大的惊喜。
自动化分离检测手段的出现也没有让有机砖工失业，反而极大推动了合成化学，许多小分子药物和新材料的发现也得益于此。
据说自动加不同浓度配体，加催化剂，进而自动筛选方法学条件的，自动做实验机！也得到了越来越广泛的应用。我是很欣慰的，因为科学家最宝贵的在于脑力劳动，这些繁重的体力工作可以被更安全可靠的机器替代，只会让相关学科更繁荣，让人类生活更美好。
没有必要神话machine learning，我最近也看到很多文章用ML来指导配体设计，进而优化反应，都发表在很好的杂志和期刊上。但是说实话，这些工作更多的是自娱自乐，骗骗行外人，对反应本身没有太多指导意义。没有深刻被各种奇葩反应折磨过，无法体会什么叫实验科学的。。。美妙。。。
##
一个笑话，你们就能体会，化学，这门实验科学，现阶段为什么指望不上machine learning了。
当年研究生那会，上全合成大神杨震老师的课，作业是给定分子，设计一条全合成路线。杨老师瞟了一眼我设计的路线，淡淡的说到，
“还行吧，反正fundamentally你是对的，当然不靠谱的地方还是很多。不过我觉得挺好的，我设计了那么多看上去靠谱的路线，结果到最后都因为各种各样的原因不work，你这个说不定看上去不靠谱，结果work呢？Pass!”

长长的路

化学咋样不清楚，生物学实验一般是这样的：
你看了一篇文献，提出了一个假说。
先把实验设计好，种几个孔怎么处理什么的，写在纸上
然后你需要去收细胞，加样，加入各种奇奇怪怪的东西
静静等待反应进行（此时你需要去做一些日常工作维持实验室的基本运行，比如给细胞换液）
反应完之后收样，根据你的需要，可能是跑wb，可能是跑流式，可能是跑PCR，可能都需要。
最后处理实验结果。
以上内容，除了斜体那两项之外，剩下的都可以让一个训练有素的清洁工阿姨完成，可能做得还比你做的好很多。
如果换做一个机械手的话，效率肯定还可以再提高一个档次。
于是我们就有了一个好消息和一个坏消息。
好消息是：分子生物学里90%的实验其实可以让机器来完成，人只管设计实验就足够了。
坏消息是：人力在这个领域无比廉价，机器的高昂成本注定了短期内难以普及。
更坏的消息是：就算中国的劳动力价格涨了，老板们也可以从亚非拉招收更多搬砖工来干活，就像现在的美国人一样。
另：现在生物学实验室这么多人不光是劳动力价格低的问题，还有后续人才储备的问题，学生总是会往高处走，老板则希望手下是跟随自己比较久的搬砖工。

清风寡欲

不远的未来？自动化的实验操作平台，已经是完成时的，用了N多年了吧……………………………………



我前几个月应邀写了两篇文章，知乎专栏上也有。一言以蔽之，常规的化学、生物化学、分子生物学、微生物实验，都已经有了成熟的商品化平台，可以实现半自动甚至全自动的实验操作。
上篇：Automated Science系列：解放手工作业科研劳动者（上）——实验室自动化 - 蓝晶实验室 Bluepha Lab - 知乎专栏
下篇：Automated Science系列：解放手工作业科研劳动者（下）——云端实验室 - 蓝晶实验室 Bluepha Lab - 知乎专栏
做文献阅读并产生假说的AI也已经是完成时了，也已经N多年了，甚至都用不着deep learning：The Automation of Science
至于实现理性设计的人工智能，我看还得有几年…不妨考虑一下Machine learning基本盘：
1. 首先得有个能够形式化（代码）清晰定义的目标函数。
2. 确定的规则。
3. 足够大的训练集
到目前为止，目标函数的问题在很多成熟的领域基本上算是比较好解决的。但如果你比如说只是有个idea要设计个什么什么小分子治疗什么什么癌症，那你还缺很多很多码农。
确定规则的这个要求，基本上能卡死绝大多数学科。基本原理研究清楚不是最难的，困难的是模型中的“参数”，如果参数不能测量，或者不准，就算搞一个AI，也只能效率很高地生产错误结果。
足够大的训练集，好歹得有精确测量的几万个实验做依托吧……又一批一批的学科倒下了。

再者说，如果我们能解决这三项之后，ML是不是必须的？就我所在的合成生物学领域，解决了前两项，就已经能生成一个比较靠谱的程序了：Genetic Circuit Design Automation，一个名叫Cello的算法，差不多是2015年完成的，可以自动设计遗传线路。

检验医师

做合成的机器应该十年之内就会有商业化产品出现。设计合成路线的人工智能可能短期内还比较难。简单的分子可以通过数据库里有的经典切断逆推，但是只能做简单的显然意义不大，我猜暴力穷举然后给每条路线打分给出最优的一种或者几种然后让人类来选比较有可能。有没有转CS的砖工试试的。。。