如何评价 AI 仅用 5.4 秒就能设计出和文献相同的化学反应途径，堪称化学界「AlphaGo」？ 第1页

现阶段用处不大，但是利用这个方向，整合方法学的数据，是极有必要的。

//吐槽一下: 没用是因为化学合成的决速步从来就不在设计上…我花一周设计一个路线，还不是要一年去做实验么？缩短到5秒钟设计有蛋用…//

文章作者自己说了一些缺点: 如无法很好地逆合成分析复杂天然产物，不能预测ee值，甚至连diastereoselectivity也不能很好判断。

但是我个人认为其实有个很伤感情的话作者没说，也就是这个程序归根到底还是只是个高级的搜索程序，没法设计新的反应，更不能预测新反应的选择性和收率。这也是其局限所在。

深入做过方法学的同僚会很清楚这个trick，将官能团A转变成B可能有10种方法，有的方法可以用于100+底物，收率20-90%不等，有的可能只适用于10种底物，收率>95%。

这时，你面对一个全新结构，要把其上的官能团A变成B，就是考验你经验和直觉的时候了。机器这时候需要的是把所有可能的方法都罗列出来，而不是武断的基于某个算法打个分，来个推荐。道理上可行，实际上不行，道理上不行，结果却行的例子简直太多了，实验做多了，脸

更进一步就是不对称化学了，被玄学配体支配的恐怖只有玩过才会懂，这不是逆合成分析AI目前能涉足的。未来可能会出现针对某一类特殊体系的不对称的AI，通用型暂时不看好。

偶联反应类似，金属，溶剂，配体，碱，添加剂，温度的选择，将极大影响反应的区域选择性和收率，除非有一模一样的反应，否则此版本AI万无可能预测精准。

那为什么说对整合数据很有必要呢？

因为现阶段方法学蓬勃发展，新方法层出不穷，化学家靠纸笔和经验的时代已经过去了。要用别人的最新成果，好的搜索和推荐工具必不可少。

这也对方法学工作者的数据质量提出了更高的要求，毕竟所有分析都是基于这些实验数据，如果实验数据不可靠，或者不完整，基于此做的预测自然不正确，害人害己。

而随着算法的发展，会指出哪些实验有必要做，从而指导标准化学实验数据库的建立，这是功德无量的大工程。如果成功，地位应当不会低于Gaussian程序，炸药奖可期。