Раньше статья писалась после того, как все эксперименты закончены. Ты сидел, перебирал тетради, сводил таблицы и формулировал фразу: «К раствору вещества 1 в безводном тетрагидрофуране прибавляли раствор вещества 2...». Это занимало недели. Теперь, когда все данные структурированы и лежат в ELN, языковая модель может сгенерировать черновик статьи автоматически. Ты нажимаешь кнопку «Создать отчёт», выбираешь эксперименты, которые хочешь включить, и через минуту получаешь связный текст: введение (скомпилированное из твоих заметок и прочитанной литературы), экспериментальную часть (все методики подтянуты из журнала), результаты (таблицы и графики построены по исходным данным) и обсуждение (нейросеть сравнила твои выходы и спектры с опубликованными). Конечно, это черновик, его нужно править и доводить до ума. Но скелет готов. Ты используешь время не на перепечатку, а на осмысление. Так рождается новый тип химика: не писарь, а стратег, который ведёт научное расследование при помощи живого журнала.
Попробуй сам
Заведи себе простейший электронный журнал прямо сейчас — это может быть обычный Google Doc или Notion, но с одним важным правилом: записывай туда каждый свой эксперимент, даже мысленный, вставляй фотографии, таблицы, ссылки, придумай теги вроде #синтез, #очистка, #ЯМР. А теперь добавь щепотку искусственного интеллекта: скопируй из своего журнала данные по трём разным синтезам одного и того же вещества и попроси любой чат-бот проанализировать их — какой метод дал лучший выход, что можно улучшить, на каком шаге ты, возможно, теряешь продукт. Ты увидишь, как без сложного софта твой «журнал» начинает отвечать на вопросы и давать советы, почти как живой ассистент. Если захочешь настоящий ELN, присмотрись к открытым платформам вроде eLabFTW или SciNote — у них есть бесплатные версии, и ты сможешь почувствовать, как данные с приборов сами заполняют протокол, а языковая модель предлагает черновик статьи.
Глава 14. «Нет» как признак мастерства
Итак, ты — стратег, а ИИ — твой виртуальный помощник с огромной картотекой. Но у этой идиллии есть тёмная сторона. Что, если твой ИИ-ассистент начнёт придумывать улики? Не по злому умыслу, а просто потому, что ему «кажется», будто именно эта улика должна быть на месте преступления. И он так убедительно её опишет — цвет, размер, отпечатки пальцев, — что ты поверишь. А потом выяснится, что такой улики в природе не существовало.
У нейросетей есть фатальная особенность: они не знают, что не знают. Если в данных не было примеров чего-то, модель не скажет «я не в курсе». Она сгенерирует правдоподобный ответ — это называют галлюцинацией. ИИ может предложить молекулу, в которой атом углерода имеет пять связей, или ароматическое кольцо, не подчиняющееся правилу Хюккеля — просто потому, что в базе данных когда-то затесалась ошибочная структура, и модель её добросовестно выучила. Нейросеть может предсказать синтез с выходом 95% в одну стадию при комнатной температуре, а на деле реакция потребует давления в сто атмосфер и дорогого катализатора. А помнишь историю про GNoME? Она предложила более двух миллионов кандидатных структур, из которых около 380 тысяч оказались потенциально стабильными кристаллами. Но часть из них на поверку оказались неупорядоченными растворами без строгой решётки, другие требовали невоспроизводимых условий синтеза, а третьи и вовсе были открыты ещё в 1970-х и просто не попали в обучающую выборку. Модель «переоткрыла» велосипед, не поняв, что он уже пылится в гараже.
Это современная версия старой битвы. Раньше «физики» (расчётчики) спорили с «лириками» (экспериментаторами): «Мой расчёт говорит, что реакция идёт, вы просто не умеете её ставить!». Теперь на месте «физиков» — разработчики ИИ-моделей, а на месте «лириков» — химики-практики. И спор актуален как никогда: можно ли доверять «цифре», не подкрепив её живым опытом?
Чтобы не быть одураченным, надо знать врага в лицо. Вот главные причины, почему нейросеть может ошибаться:
Грязные данные: Если в обучающей выборке патентов 80% записей содержат ошибку в стереохимии, модель будет считать эту ошибку нормой. Она не знает химии, она знает статистику.
Слепые пятна: Модель не может точно предсказать свойства вещества, класс которого отсутствовал в обучении. Попроси её предсказать спектр соединения с только что открытым изотопом — и она начнёт сочинять на основе соседей по таблице.
Игнорирование реальности: Нейросеть понятия не имеет, что такое «растворитель кончился», «катализатор разложился от влаги» или «лаборант чихнул и просыпал половину навески». Она живёт в мире идеальных формул, а не в мире грязных колб.