编辑 | 紫罗

GPT-4 在应对化学挑战方面显露出非凡的才智，但仍然存在明显的弱点。

东京工业大学的化学家 Kan Hatakeyama-Sato 表示：「它对化学有着显著的明白，这表明它可以以类似于人类思维过程的方式预计和提出实验结果。」

最近，Hatakeyama-Sato 和他的同事在《Science and Technology of Advanced Materials: Methods》杂志上发表题为《用于化学研讨的 GPT-4 指示工程：什么可以/不可以做？》（「Prompt engineering of GPT-4 for chemical research: what can/cannot be done?」）的综述文章，讨论了他们对 GPT-4 在化学研讨中的潜力的探索。

研讨评估了 GPT-4 在化学研讨中的才智和局限性。尽管 GPT-4 显露出了非凡的才智，但显然输入数据的质量会显著影响其性能。研讨职员探索了 GPT-4 在化学义务中的潜力，例如根源化学常识、化学信息学、数据分析、题目预计和提案才智。虽然言语模型在一定程度上优于传统方法（例如黑盒优化），但它与专用算法相比却显露不佳，这凸显了将它们组合应用的必要性。该论文分享了 GPT-4 的提示及其响应，为社区内的提示工程提供了资源，并最后讨论了应用大型言语模型进行化学研讨的未来。

论文链接：https://doi.org/10.1080/27660400.2023.2260300

GPT-4 可以收集和分析大量信息，以寻找用户提出的挑战的处理方案。GPT-4 的一项进步是，除了文本之外，它还可以应用图像形式的信息。

尽管其开发者尚未公开用于训练 GPT-4 的具体数据集，但它显然已经学到了大量详细的化学常识。

为了分析其功能，研讨职员为系统设置了一系列化学义务，重点关注有机化学。这些实质涵盖根源化学理论、分子数据的处理、预计化学品的性质、化学过程的结果以及提出新的化学过程。

研讨结果各不相同，既揭示了优点，也揭示了显著的局限性。GPT-4 显示了对有机化学一般教科书水平常识的良好明白。然而，当设定的义务涉及特意实质或制造特定有机化合物的独特方法时，它就很弱。它在解释化学结构并将其变换为标准符号方面仅显示出部分效率。一项有趣的壮举是它能够准确预计未经特意训练的化合物的特性。

总体而言，它能够胜过一些现有的计算算法，但与其他算法相比却显露不佳。

研讨职员通过介绍已知的研讨来定位结果，同时阐明大型言语模型可以对化学研讨做出哪些贡献以及它们仍然不能做什么。

图 1：GPT-4 用于化学研讨的功能概述。（来源：论文）

GPT-4 「掌握」了哪些化学常识？

化合物常识

化学家向 GPT-4 聊天机器人提出的第一个题目是有关化合物的根源常识。

GPT-4 知道甲苯等常见化合物的确切物理性质值和化学性质。GPT-4 准确地解释了分子量、熔点、沸点、气味、化学稳定性和反应性等特性，「甲苯，也称为甲基苯或苯基甲烷，是一种化学式为 C7H8 的有机化合物。它是一种芳香烃，广泛用作工业原料和溶剂」。GPT-4 通过学习普通化学教科书和网站上的数据来获取这些常识。

图 2：询问甲苯的物理和化学性质。（来源：论文）

此外，它还了解教科书上没有涵盖的专业常识，例如 2,2,6,6-四甲基哌啶-1-氧化物（TEMPO）的氧化还原电位。

物理化学常识

在物理化学方面，GPT-4 拥有大学教科书级别的常识，例如理想气体定律和定义物质折射率的 Lorentz-Lorenz 方程。此外，它还明白研讨生级别可以考虑的实质，例如 Vogel-Fulcher-Tammann (VFT) 方程。

但 GPT-4 不能完全阅读或明白化学领域的学术论文。

有机化学常识

GPT-4 可以明白一般有机化学教科书上写的实质。例如，它可以准确解释对乙酰氨基酚的合成路线。然而，GPT-4没有提供合成对乙酰氨基酚的实验程序。此外，GPT-4 也未能处理有机合成的应用题目。

图 3：GPT-4 建议的获得对乙酰氨基酚的反应方案。（来源：论文）

GPT-4 能够在多大程度上处理化学信息学相关的根源题目

化学信息学和材料信息学是从数据科学角度处理化学结构和性质之间相关性的学科。

人们对 GPT-4 在化学信息学领域的期望非常高。这是因为，尽管化学信息学到目前为止还无法充分处理言语数据，但化学领域和实际研讨活动通常是通过言语来描述和处理的。

在此，研讨职员验证了 GPT-4 能够在多大程度上处理化学信息学相关的根源题目。

以化合物称呼和简化分子输入线输入系统（SMILES） 变换为例。

形式上，GPT-4 可以在两者之间可逆地变换。对于甲苯这种最简单的结构，GPT-4 可以将化合物称呼正确变换为 SMILES。

图 4：GPT-4 将有机化合物称呼双向变换为 SMILES。（来源：论文）

然而，它未能转化稍微复杂的结构，如对氯苯乙烯、TMP 和 4-氰基 TEMPO。在将 SMILES 变换为复合称呼的义务中，在所有情况下都观察到失败。换句话说，GPT-4 只能在根源层面上变换 SMILES 和分子结构。对于此类精确且系统的义务，最好暂时应用在 ChemDraw 或特意的 LLM 等程序中实现的基于算法的变换工具作为补充工具。

大言语模型应用于化学研讨的未来

「结果表明，GPT-4 可以处理化学研讨中的广泛义务，从教科书级常识到处理未经训练的题目和优化多个变量，」Hatakeyama-Sato 说。「不可避免地，它的性能在很大程度上依赖于训练数据的质量和数量，并且其推理才智还有很大的改进空间。」

研讨职员强调，他们的工作只是初步研讨，未来的研讨应该扩大试验范围，更深入地挖掘 GPT-4 在更多样化的研讨场景中的显露。

他们还希望开发自己的特意针对化学的大型言语模型，并探索它们与现有技术的集成。

「与此同时，研讨职员当然应该考虑将 GPT-4 应用于化学挑战，展望未来，在我们等待比 GPT-4 更先进的模型的同时，我们应该考虑将其有效地应用于化学研讨，可能通过应用现有的专业技术创建混合模型。」Hatakeyama-Sato 总结道。

参考实质：https://phys.org/news/2023-10-gpt-artificial-intelligence-chemistry.html