内容提要
卡内基梅隆大学团队开发了“Coscientist”系统,由网络搜索器、文档搜索器和规划器三个AI模块协作,能查阅文献、阅读设备手册并操作自动化设备完成化学实验。该系统可自主合成对乙酰氨基酚等常见药物、识别溶液颜色、纠正硬件操作错误,并通过“游戏化”方式优化反应产量。研究显示多模块协作可提升AI自主科研能力,但也引发了对危险化学品更易合成的担忧。
延伸解读
多智能体分工:从“单一大模型”到“协作系统”
Coscientist 没有依赖单一模型完成所有任务,而是将网络搜索、文档查阅和实验规划拆分为三个专门模块,由规划器统一调度。这种设计让系统能分别处理信息检索、硬件操作和实验设计,并在遇到错误时回溯调整。文章指出,这种多模块互动结构与大脑的运作方式有相似之处,可能是实现更复杂自主行为的关键。
从理论到实操:系统如何应对真实实验中的意外
在合成对乙酰氨基酚等常见药物时,Coscientist 能通过文献找到可行路径,但实际执行中曾因向加热和搅拌硬件发送错误命令而失败。它随后回到文档模块查阅手册并修正操作,最终完成反应。这一过程表明,系统不仅需要化学知识,还需理解设备接口和错误反馈,才能将理论转化为可重复的实验操作。
游戏化优化:反馈来源影响系统决策
研究人员将反应产量优化设计成“游戏”,产量越高得分越高。系统在第一轮曾做出不理想判断,但很快锁定更高产量。文章还发现,若提前提供随机初始混合物的产量信息,可避免首轮失误。这说明 Coscientist 既能从自身实验结果中学习,也能吸收外部信息来调整规划,但初始信息质量会影响其优化路径。
能力提升背后的风险:危险化学品合成门槛降低
Coscientist 展示了利用公开信息规划合成、阅读设备手册并操作硬件的能力,这提升了 AI 自主科研的潜力。但研究人员同时担忧,类似系统可能让神经毒气等危险化学品更容易被合成。文章提到,如何约束 GPT 实例不去执行某些操作仍是持续挑战。这一风险提示读者,能力扩展需与安全管控同步考虑。
Q&A
Coscientist 系统由哪些模块组成?各自负责什么?
Coscientist 由三个 AI 模块组成:网络搜索器负责用 Google API 搜索网页并提取信息;文档搜索器负责查阅实验室自动化设备的使用手册;规划器负责向其他模块发指令、执行 Python 代码、操作设备并分析实验。
Coscientist 在实验中遇到了哪些操作错误?如何解决?
在化学实验中,Coscientist 向控制加热和搅拌的硬件发送了错误命令,导致操作困难。它回到文档模块查阅手册进行调整,最终成功完成反应。此外,它还能识别自身 Python 脚本或硬件操作中的软件错误并修正。
Coscientist 如何优化化学反应产量?
研究人员将优化过程设计成游戏,反应产量越高得分越高。系统在第一轮测试中做出不理想判断,但很快锁定更高产量。提供随机初始混合物的产量信息可避免第一轮失误,表明它能融合自身反应和外部信息来优化规划。
Coscientist 使用了哪些大语言模型?哪个表现最好?
研究主要使用了 GPT-3.5 和 GPT-4,同时也测试了 Claude 1.3 和 Falcon-40B-Instruct。其中 GPT-4 和 Claude 1.3 表现最优。
Coscientist 能自主完成哪些化学任务?
它能合成对乙酰氨基酚、布洛芬等常见药物;用不同颜色液体填充样品盘图案;识别随机放置的三种颜色溶液;进行特定化学反应并通过光谱和色谱验证产物;还能优化反应产量。
Coscientist 的研究引发了哪些担忧?
研究人员担心该系统可能使神经毒气等危险化学品更容易合成,并且如何告诉 GPT 实例不要做某些事情也是一个持续挑战。