普通人似乎對生成式 AI 有一定了解。像 Dall-E 這樣的圖像生成產品在某種程度上已經家喻戶曉。但很少有人意識到生成式 AI 在為我們的世界帶來新解決方案方面能走多遠。
這在生物層面尤其明顯。就像生成式 AI 能"破解"模擬文本、圖片和影片的能力一樣，它也可以轉向生物學領域，找到識別生物結構的新方法。
舉個例子：Microsoft 團隊正在研究如何使用擴散模型來發現能滿足高科技項目需求的新材料。
Microsoft 的博客作者寫道："為目標應用找到新材料就像大海撈針。"他們一直在研究一個恰當地被稱為 MatterGen 的項目。"歷史上，這項工作是通過昂貴且耗時的實驗試錯完成的。最近，對大型材料資料庫的計算篩選讓研究人員加快了這個過程。儘管如此，要找到具有所需特性的少數材料仍需要篩選數百萬個候選材料。"
從某種程度上說，這讓我們想起為什麼 AI 是網際網路的完美搭檔。你可能需要花費數小時、數天甚至數周來搜索網際網路上的特定事實或資訊，但使用 ChatGPT 這樣的模型，幾秒鐘就能得到答案。網際網路是一個橫跨全球的龐大資訊寶庫，而 AI 則是一個能在眨眼間聚合網際網路結果的超級高效研究員。
它在搜索網際網路方面的效率比人類高出許多個數量級。顯然，在尋找新型物質、具有特定化學性質、磁性、導電性等材料方面，它的效率也比人類高出許多個數量級。
擴散架構與生物世界
要理解 MatterGen 在生物科學研究中的工作原理，你需要先了解擴散模型本身。
通常，當生成式 AI 應用於擴散時，你先從一個確定的對象開始，比如一幅圖像、一個蛋白質或某種生物項目，然後通過"噪聲"過程使其退化。你引入噪聲，將原始項目擴散成一個抽象體。然後系統反過來對目標進行"去噪"，將其凝聚成一個新的結果，一個具有研究者（人類用戶）所需屬性或特性的新項目或結構。
Microsoft 研究人員報告稱，當系統被輸入來自資料庫的超過 608,000 種穩定材料時，它能夠生成合適的新型材料候選者。
處理成分無序
團隊指出，一個挑戰是成分無序，即原子可能在特定合成材料中改變其位置。
團隊解釋說："在電腦設計材料的背景下，業界一直在探索什麼是'新穎'材料，因為廣泛使用的算法無法區分那些僅在相似元素位置排列上有差異的結構對。"
聽起來很混亂？
正如我之前提到的，你也可以使用 ChatGPT 來更好地理解這些研究人員在討論什麼。當我將上述內容輸入 ChatGPT，得到的解釋是：
"最近，研究人員一直在研究什麼使得電腦設計的材料成為'新'材料。這很重要，因為常用算法通常無法區分那些僅在相似元素位置安排方式上有差異的結構。"
關於成分無序的具體例子，ChatGPT 給出了這樣的解釋：
"成分無序的一個具體例子可以在金屬合金中找到，比如黃銅。黃銅是由銅 (Cu) 和鋅 (Zn) 組合而成。在完全有序的結構中，銅和鋅原子會按規則排列。但實際上，這些原子可能在晶格中隨機交換位置，這意味著原本應該有銅原子的位置可能會有鋅原子，反之亦然。這種銅和鋅原子排列的隨機性就是成分無序的一個例子，它會影響材料的性質，如強度、耐腐蝕性和導電性。"
創新電池技術
在宣布這個新的生成式 AI 解決方案時，Microsoft 團隊談到了鋰離子電池的創新，以及 20 世紀 80 年代發現鈷酸鋰時最初的鋰離子電池是如何設計的。他們提到，鋰離子電池對現代智慧型手機和電動/混合動力汽車等設備都至關重要；如果沒有它們，我們的世界將倒退很多。
現在，研究人員正在試圖找出如何用更好、更現代的電池設計來替代傳統的鋰離子電池——使用更少的鋰，因為鋰很難獲得，且開採困難。
他們正在成功地使用這項生物技術。回顧大約一年前，可以看到來自太平洋西北國家實驗室 (PNNL) 的研究結果，研究人員獲得了一種所需鋰含量減少 70% 的設計。
通過 AI 過程，我們很可能會繼續獲得更好的疊代，擴散模型向我們展示了化學工程中的可能性。
我之前曾寫過一些關於 AI 在生物學方面的其他解決方案，但這個特別令人興奮，部分原因是它在鋰離子電池進步和其他關鍵任務方面的潛力，以及我們如何獲取企業材料的方式變革。
從簡單的物流角度來思考——你想要更好的供應鏈、更安全的材料、更高質量的項目和更好的客戶交付——所有這些都可以幫助我們實現這些目標。
