在AI中 ， 机器学习算法分析所有已知的过去实验 ， 这些实验试图发现并合成感兴趣的物质 。 基于它们所识别的模式 ， 这些算法可以预测潜在有用的新分子结构以及制造它们的可能方法 。 没有任何单独的机器学习工具可以在按下按钮时就能完成所有这些工作 ， 但AI技术正在迅速进入药物分子和材料的现实设计世界 。
举例来说 ， 德国明斯特大学的研究人员开发了一种AI工具 ， 它可以反复模拟已知的1240万个单步化学反应 ， 并以比人类快30倍的速度设计出多步合成路线 。 在制药领域 ， 基于AI的“生成机器学习”技术也令人兴奋 。 大多数制药公司储存了数以百万计的化合物 ， 并对它们进行筛选 ， 以确定其作为新药的潜力 。 但是 ， 即使有了机器人技术和实验室自动化工具 ， 这种筛选过程也是缓慢的 ， 而且产生的结果也相对较少 。
此外 ， 这些“库”只包括理论上可能存在的超过1030个分子中的一小部分 。 利用描述已知药物(和候选药物)的化学结构及其特性的数据集 ， 机器学习工具可以构建具有相似的、可能更有用特性的新化合物的虚拟库 。 这种能力正开始显著加速药物潜力的识别 。 近100家初创企业已经在探索用AI发现药物 ， 比如Insilico Medicine、Kebotix以及BenevolentAI ， 后者最近筹集了1.15亿美元资金 ， 将其AI技术应用于运动神经元疾病、帕金森氏症和其他难以治疗的疾病的药物研发中 。
BenevolentAI将AI应用于整个药物开发过程 ， 从新分子的发现到临床试验的设计和分析 ， 旨在人类身上证明安全性和有效性 。 在材料领域 ， Citrine Informatics等企业正在采用与制药企业类似的方法 ， 并与BASF和松下等大公司合作 ， 以加速创新 。 美国政府也在支持AI设计的研究 。 自2011年以来 ， 美国已在材料基因组计划(Materials Genome Initiative)上投资逾2.5亿美元 。 该计划正在建立包括AI和其他计算方法在内的基础设施 ， 以加速先进材料的开发 。
过去的经验告诉我们 ， 新材料和化学品可能对健康和安全造成不可预见的风险 。 幸运的是 ， AI方法应该能够预测并减少这些不良结果 。 这些技术似乎可以显著提高新分子和新材料被发现并投入市场的速度和功效 。 在市场上 ， 它们可能提供诸如改善医疗和农业、更大程度地节约资源、提高可再生能源生产和储存等好处 。
4. 可辩论和提供指导的AI
如今的数字助手有时会欺骗你 ， 让你相信它们是人类 ， 但更强大的数字助手正在到来 。 Siri、Alexa等使用复杂的语音识别软件来识别你的请求和如何提供相应信息 ， 它们会生成听起来很自然的语音 ， 给出符合你问题的脚本答案 。 这样的系统首先必须经过“训练” ， 而且适当的响应必须由人类编写并组织成高度结构化的数据格式 。 这项工作非常耗时 ， 而且会导致数字助手在执行任务时受到限制 。 这些系统可以“学习”但程度有限 。 即便如此 ， 它们仍然令人印象深刻 。
在复杂性更高的层次 ， 技术正在开发中 ， 以便让下一代数字助手来吸收和组织更多的非结构化数据(原始文本、视频、图片、音频、电子邮件等) ， 然后自动组成有说服力的建议或充当辩论对手 ， 应对它们从未被训练过的问题 。 我们已经在许多提供聊天机器人的网站上看到这种功能 ， 这些聊天机器人可以用自然语言回答问题 ， 涵盖了他们训练过的各种数据集 。
推荐阅读
- 盘点男女之间暧昧的七种关系
- 盘点女人最容易让男人讨厌的地方
- 青岛最火爆的十大小吃 青岛什么好吃
- 盘点中国国产的牙膏品牌 舒客牙膏怎么样
- 十大经典爱情电影台词 情癫大圣经典台词
- 广东阳江十大景点有哪些？ 阳江旅游景点大全
- 十大强烈止痛药 止痛药多久起效
- 不同颜色的美瞳眼妆大盘点
- 全球十大人口国家排名 美国现在有多少人口
- 你在用哪款？ 世界十大杀毒软件排名