13、人工智能与化学未来：数字背后的理解探寻

人工智能与化学未来：数字背后的理解探寻

1. 理解的本质与挑战

理解在很多时候是一种潜意识的、心理层面的状态。在物理和化学领域，理解通常体现在理论和解释模型中，即通过分析可观察现象背后可能的物理或化学机制（原因、基本作用），并评估它们的贡献来实现。理解还具有很强的教学属性，能够用语言、概念或方程传授给聪明的学生。

然而，有人声称人工智能能够提供真正的理解。但正确的答案并不等同于解释，正如René Thom所说：“预测并不等于解释”。

2. 量子化学的发展历程

两位理论化学家来自量子化学领域。大约90年前，P. A. M. Dirac指出，大部分物理学和整个化学的数学理论所需的基本物理定律已完全知晓，但精确应用这些定律会导致方程过于复杂而难以求解。因此，需要开发近似实用的量子力学应用方法，以在无需大量计算的情况下解释复杂原子系统的主要特征。

他们一直努力构建框架，以便形成解释，并将量子力学的见解与化学家关于原子共享电子等定性概念相联系。其中，微扰理论在获取只能近似求解的方程的物理见解方面非常有用。

他们能够近似计算一些数值，将这些数值解释为影响实际结果的因素，并最终构建解释。化学家可以通过制造分子来测试他们的定性预测，从而实现理论与实验之间的美妙互动。

3. 机器学习与神经网络的冲击

机器学习和神经网络作为新的模拟引擎出现，声称能够取代他们的工作。虽然他们仍需精确确定一组涉及相同元素的分子的能量，作为“训练集”，并且理论学家可能会设计AI机器用于进行关联的指标，但程序会自行寻找最佳拟合。

最终，对于训练集之外的未知分子，AI预测的能量比现有的近似量子力学方