尽管应用人工智能这一过程充满挑战，但正如本次网络研讨会的讲者所言，AI工具具有巨大的潜力，它能够探索传统化学库之外的广阔化学空间。但同时，人工智能应被视为对人类专业知识的辅助，而非替代品。
“人工智能不是魔法，”法国创新人工智能公司Iktos首席科学家兼计算化学负责人Brice Hoffmann博士强调道，“它是一种工具，可以帮助你决定该制造什么——这在现阶段已经足够好了。”
Principal Scientist, Head of Computational Chemistry at Iktos
根据芬兰VTT技术研究中心的研究团队负责人Arash Hajikhan博士的观点，AI 已经重塑了现代研究中计算化学家的角色。
Arash博士还研究并评估了AI的多重影响。
从基本层面上来说，生成式AI可以打破语言障碍，为曾经受到语言限制的社区打开大门。Arash强调了生成式AI在消除语言障碍，,实现科学民主化方面的巨大贡献——这一进步至关重要，因为全球95%的人口并非以英语为母语。
然而，尽管生成式AI有助于实现科学的民主化，但我们也必须竭力保护科学的完整性。Arash警告说，生成式AI 正在充斥互联网并污染着科学话语与文献，从而形成一种新兴的“恶性循环”。
Research Team Leader at VTT Technical Research Centre, Finland
“我们承担着解决这种自我维持的错误信息循环的重要任务，”他指出了当前的趋势：AI现在被用于对可能由 AI 生成的论文进行同行评审。“这创造了一个存在潜在危险的“回声室”，很可能进一步削弱科学的完整性。”
简而言之，研究人员必须保持警惕，并采取策略识别AI生成的内容，同时，同行评审过程也必须进行调整，以应对这些挑战。
与此同时，生成式AI已经证明了其价值。
Arash提出了将大型语言模型（LLMs）与知识图谱相结合的实际解决方案。通过其“理解”上下文和建立语义连接的能力，这种整合帮助研究人员更有效地浏览不断增长的科学文献，同时尽量减少生成式 AI 在未经过正确训练时，出现幻觉的倾向。
例如，当搜索“AI在癌症诊断中的突破”时，集成系统可以优先考虑最近的出版物，同时识别研究论文、数据集和临床试验中的相关连接。
与此同时，Brice提供了他的公司在如何利用AI驱动的方法帮助制药公司加速其设计-制造-测试-分析（DMTA）药物开发研究周期方面的一个引人注目的案例研究。Iktos 的端到端药物发现平台整合了 AI 驱动的设计和合成预测，可以将开发时间缩短一半。
Brice 分享了一个具体的例子，即 AI 辅助设计的 C1s 抑制剂药物。Iktos系统通过战略性分子结构优化生成分子，使结合亲和力提高了十倍。
“通过结合多参数优化AI驱动的逆合成，我们可以设计出合成和测试速度非常快的分子，”Brice 解释道。“通过这种快速周转，我们可以加速DMTA周期。”
诸如自主 AI 代理等新兴趋势正在出现，其中AI可以跨各种AI和数据源进行搜索，这将进一步改变和加速研究方法与决策过程。先进的技术也无疑也将加速DMTA中的“测试”环节。
然而，我们也必须努力理解这些日益复杂的系统是如何生成其输出的。
“我们需要确保所有创新遵循以人为本的设计原则，并经过同行评审验证，”Brice 强调道，他将讨论带回到 Arash 最初对科学完整性的关注。系统还需要包含自身的检查和平衡机制。例如，在 Iktos 的双重方法中，一个 AI 负责生成分子，另一个 AI 评估该建议的可行性——这种方还可以筛选出环保性和成本。
Arash 还建议研究人员不要局限于一个大型语言模型（LLM），指出目前有 15,000 个可用的 LLM，每个都针对不同目的进行训练。然而，他强调数据质量的重要性，并以“10:10 时钟现象”为例说明：当被要求创建一个时钟时，LLMs 总是将时间设置为 10:10，因为这是它们在训练数据（即互联网）中看到的钟表样式。正如 Arash 所说：“输入的是垃圾，得到的便是垃圾。LLMs受限于训练数据，所以科研人员更要仔细审视那些数据！”
关于整体实施，Arash 认为成功的关键在于个人责任：
“我们是这个解决方案的受益者。如果我们不负责任地使用并污染它，我们将受到同样解决方案的影响。”
Arash 还警告说，过度依赖这些工具可能会影响研究人员的认知能力。“当我们写作时，我们也在思考，”他指出，暗示将过多的科学过程外包给 AI 可能会削弱人类的分析能力：“我尝试将它们作为导师来提升我的能力，例如在写作方面。与其要求校对，我会请 LLM 给我提示和建议，这样我可以逐步学习。”
“我们需要成为负责任的公民，对AI工具的负责任使用负责，并确保我们发布的内容是真实且经过验证的。”在讨论的最后，Ivan如是说。
尽管AI为科学界带来了机遇和挑战，但成功在于找到正确的平衡：利用AI的能力，同时保持人类监督，加速流程，同时确保准确性，并在拥抱创新的同时维护科学完整性。
随着研究越来越多地由AI驱动，这种平衡方法将是实现AI变革科学发现和改善患者治疗效果潜力的关键——进一步激发生命科学领域研究人员的热情。
