มนุษย์ในการทดลอง: จริยธรรม ความเป็นส่วนตัว ความรับผิดชอบ และขั้นตอนการทำงานแบบครบวงจร

กำไร:

• บูรณาการหลักการของมนุษย์เข้ากับขั้นตอนการทำงานแบบ end-to-end ในการทดลองและสามารถแยกปัญญาประดิษฐ์/บทบาทมนุษย์ในแต่ละขั้นตอนได้
• ความสามารถในการทำงานกับตัวอย่างพร็อกซีทั่วไปโดยไม่ต้องให้โครงสร้างและข้อมูลลับแก่ปัญญาประดิษฐ์ทั่วไป
• ความสามารถในการวางประตูการอนุมัติของมนุษย์ไว้ที่จุดวิกฤติ และรับผิดชอบสูงสุดด้วยความโปร่งใสและสามารถตรวจสอบย้อนกลับได้

ในหน่วยสุดท้ายนี้ เรารวมโมดูลทั้งหมดไว้ในเฟรมเวิร์กเดียว: มนุษย์ในวง หลักการนี้บอกว่าไม่ว่า AI จะมีความสามารถเพียงใด มนุษย์จะต้องเข้าใจ ควบคุม และอนุมัติในทุกจุดสำคัญของการตัดสินใจทางเคมี ในหน่วยนี้ เราจะอธิบายประเด็นด้านจริยธรรมและการรักษาความลับก่อน จากนั้นจึงสร้างขั้นตอนการทำงานแบบ end-to-end ที่นำโมเลกุลจากแนวความคิดมาสู่การรายงาน และดูว่า AI และมนุษย์แบ่งงานกันอย่างไรในทุกขั้นตอน เป้าหมายคือการเปลี่ยนทุกสิ่งที่คุณได้เรียนรู้มาเป็นระบบที่เหมาะกับการทำงานในแต่ละวัน

ความเป็นส่วนตัว: สิ่งที่ไม่ควรมอบให้กับ AI?

เคมีมักใช้ได้ผลกับข้อมูลที่เป็นความลับ: โมเลกุลที่ไม่ได้รับสิทธิบัตร เส้นทางการสังเคราะห์ความลับของบริษัท ข้อมูลที่ไม่ได้เผยแพร่ ตัวอย่างผู้ป่วย ข้อความที่คุณป้อนในบริการ AI สาธารณะอาจถูกจัดเก็บหรือประมวลผลตามนโยบายของบริการ ดังนั้น:

• ตรวจสอบนโยบายสถาบันของคุณก่อนที่จะเผยแพร่โครงสร้างดั้งเดิมที่ยังไม่ได้เผยแพร่ (โมเลกุลก่อนสิทธิบัตร) ให้กับ AI สาธารณะ
• ห้ามป้อนข้อมูลส่วนตัว/ผู้ป่วย (ตัวอย่างทางคลินิก) ในรูปแบบที่สามารถระบุตัวตนได้
• ทบทวนข้อตกลงการรักษาความลับก่อนแบ่งปันเส้นทางการสังเคราะห์ความลับทางการค้า
• เลือกใช้เครื่องมือ AI การปรับใช้ภายในองค์กร/แบบกำหนดเองเมื่อจำเป็น

ข้อควรระวัง: การถาม AI ทั่วไปเกี่ยวกับโมเลกุลอาจหมายถึงการเปิดเผยโครงสร้างของโมเลกุลนั้น สำหรับโครงสร้างที่เป็นเอกลักษณ์ที่ไม่ได้รับการจดสิทธิบัตร สิ่งนี้อาจเป็นอันตรายต่อลำดับความสำคัญของคุณ (สิทธิบัตร) ขอโครงสร้างที่ซ่อนอยู่ด้วยตัวอย่างทั่วไป/ตัวแทน

จริยธรรม: หลักการสี่ประการ

1. ความโปร่งใส: อย่าซ่อนส่วนที่คุณใช้ AI; ปฏิบัติตามนโยบายสิ่งพิมพ์และสถาบัน
2. ความรับผิดชอบ: มนุษย์มีหน้าที่รับผิดชอบต่อการตัดสินใจขั้นสุดท้าย “AI แนะนำ” ไม่ได้แก้ตัวการละเมิดความปลอดภัยหรือความสมบูรณ์
3. การไม่มุ่งร้าย: ห้ามใช้ AI เพื่อการสังเคราะห์ที่เป็นอันตราย/ผิดกฎหมาย การใช้งานแบบสองทาง (อาจมีอาวุธ)
4. ความเป็นธรรมและความซื่อสัตย์: อย่าบิดเบือนข้อมูล อย่าปรับปรุงผลลัพธ์ อย่าสร้างการระบุแหล่งที่มา

ขั้นตอนการทำงานตั้งแต่ต้นทางถึงปลายทาง: โมเลกุล → รายงาน

ตอนนี้เรามารวมโมดูลทั้งหมดไว้ในโฟลว์เดียว ในแต่ละขั้นตอนให้ใส่ใจกับความแตกต่างระหว่างสิ่งที่ AI ทำและสิ่งที่มนุษย์ทำ

เวที

บทบาทของเอไอ

บทบาท (วิกฤต) ของมนุษย์

1. แนวคิด/วรรณกรรม

สรุปแนวคิด คำค้นหา

การค้นหาแหล่งที่มาที่แท้จริง การยืนยันแหล่งที่มา

2. คำอธิบายโครงสร้าง

สร้างรอยยิ้ม

การรับรองความถูกต้องด้วย RDKit, InChIKey

3. แผนการสังเคราะห์

การสังเคราะห์ย้อนกลับทางเลือก

การยืนยันวรรณกรรม การเลือกเส้นทาง

4. ความปลอดภัย

สรุป SDS ไม่ตรงกันเบื้องต้น

การอ่าน SDS การอนุมัติ การตัดสินใจ PPE

5. การสมัคร

(ไม่มี)

งานห้องปฏิบัติการทั้งหมด

6. การวิเคราะห์

การสนับสนุนความคิดเห็นสเปกตรัม

การกำหนดโครงสร้างขั้นสุดท้าย

7. การประมวลผลข้อมูล

การเขียนโค้ด

เรียกใช้โค้ดตรวจสอบผลลัพธ์

8. เอกสารประกอบ

การจัดรูปแบบการควบคุม

การสังเกต การเบี่ยงเบน การลงนาม

9. การรายงาน

ข้อความร่าง

การตรวจสอบหมายเลข/การอ้างอิง ความรับผิดชอบ

ตารางนี้แสดงวิธีการจัดเรียง 11 ยูนิตของโมดูลให้เป็นงานเดียว AI เร่งความเร็ว ผู้คนตรวจสอบและเป็นเจ้าของ

ทีละขั้นตอน: การตั้งค่าเวิร์กโฟลว์

1. ชี้แจงบทบาท: สำหรับแต่ละงาน “AI หรือมนุษย์เป็นผู้ตัดสินใจ” กำหนดตั้งแต่ต้น
2. ตั้งค่าตัวกรองความเป็นส่วนตัว: โดยไม่ต้องให้อะไรกับ AI คุณสามารถถามได้ว่า "นี่เป็นส่วนตัว/ส่วนตัว" ถาม.
3. ใส่ประตูตรวจสอบ: ขั้นตอนการตรวจสอบในตอนท้ายของแต่ละขั้นตอน (ตารางในหน่วยที่ 10)
4. สามารถตรวจสอบย้อนกลับได้: ผลลัพธ์ใดที่มาจาก AI มีการตรวจสอบอย่างไร ใครเป็นผู้อนุมัติ
5. กำหนดจุดอนุมัติ: จำเป็นต้องมีการอนุมัติจากมนุษย์ในจุดวิกฤติ เช่น ความปลอดภัยและผลลัพธ์สุดท้าย
6. ข้อเสนอแนะ: บันทึกทุกข้อผิดพลาดที่พบและปรับปรุงขั้นตอนการทำงาน

เทมเพลตที่สามารถคัดลอกได้สี่แบบ

1) ตัวกรองความเป็นส่วนตัวล่วงหน้า:

ก่อนที่จะถามคำถาม โปรดพิจารณาสิ่งนี้:เนื้อหา: [สิ่งที่ฉันถาม]งาน: เนื้อหานี้มีสิ่งประดิษฐ์ดั้งเดิมที่ยังไม่ได้เผยแพร่ ข้อมูลส่วนบุคคล หรือความลับทางการค้าหรือไม่ หากเป็นเช่นนั้น ให้แนะนำว่าฉันจะเขียนคำถามใหม่โดยใช้ตัวอย่างทั่วไป/ตัวแทนที่จะซ่อนโครงสร้างได้อย่างไร

2) ประตูตรวจสอบการสิ้นสุดเฟส:

ฉันได้ดำเนินการตามขั้นตอนต่อไปนี้แล้ว: [ขั้นตอน เช่น แผนการสังเคราะห์] งาน: แสดงรายการองค์ประกอบทั้งหมดที่ต้องตรวจสอบเมื่อออกจากขั้นตอนนี้ (หมายเลข การอ้างอิง โครงสร้าง การกล่าวอ้างด้านความปลอดภัย) สำหรับแต่ละคน ให้เขียนวิธีการยืนยันและใครควรเป็นผู้ยืนยัน ทำเครื่องหมายรายการคงค้างที่ต้องปิดก่อนที่จะไปยังขั้นตอนถัดไป

3) แผนการกระจายบทบาท Human-AI:

โครงการของฉัน: [SHORT DESCRIPTION] งาน: แบ่งโครงการนี้ออกเป็นช่วงๆ ในแต่ละขั้นตอนให้แยกแยะระหว่าง: - สิ่งที่ AI สามารถทำได้ (ร่าง, โค้ด, สรุป) - สิ่งที่มนุษย์ต้องตัดสินใจ (ความปลอดภัย, ผลที่ตามมา, การอนุมัติ) ทำเครื่องหมายจุดวิกฤติที่ความรับผิดชอบสูงสุดอยู่ที่มนุษย์

4) รายงานการตรวจสอบความสมบูรณ์:

ด้านล่างนี้คือร่างรายงานของฉัน:[ร่าง]งาน: ตรวจสอบและทำเครื่องหมายสิ่งต่อไปนี้:1) มีตัวเลข/การอ้างอิงที่ไม่ได้รับการยืนยันหรือไม่2) การใช้ AI มีการระบุอย่างโปร่งใสหรือไม่3) ข้อมูลปรากฏว่า "สวยงาม" (ซ่อนตัวผิดปกติ) หรือไม่4) มีข้อบกพร่องด้านความปลอดภัย/จริยธรรมหรือไม่? [ตรวจสอบ] ในกรณีที่คุณไม่แน่ใจ

พรอมต์อ่อน / พรอมต์แรง

อ่อนแอ:

อะไรคือวิธีที่ดีที่สุดในการสังเคราะห์โมเลกุลลับใหม่ของบริษัทเรา?[โครงสร้างดั้งเดิมจริง]

สิ่งนี้ทำให้โครงสร้างการจดสิทธิบัตรก่อนเริ่มแรกปรากฏต่อบริการทั่วไป มันให้ความสำคัญกับความเสี่ยงและการรักษาความลับ

แข็งแกร่ง:

ฉันต้องการเรียนรู้กลยุทธ์การสังเคราะห์ย้อนหลังทั่วไปสำหรับโครงสร้างที่คล้ายกันของคลาสคีโตนอะโรมาติก อธิบายด้วยตัวอย่างทั่วไป (อนุพันธ์ของอะซีโตฟีโนน) โดยไม่ต้องให้โครงสร้างดั้งเดิมที่เป็นรูปธรรม ฉันจะใช้กลยุทธ์นี้กับโมเลกุลของฉันเองภายในองค์กร

ความแตกต่าง: หากไม่เปิดเผยโครงสร้างที่แฝงอยู่ การเรียนรู้แบบเดียวกันก็เกิดขึ้นได้เช่นเดียวกับตัวอย่างตัวแทนทั่วไป

กรณีขนาดเล็ก

กรณีที่ 1 — โครงสร้างดั้งเดิมเปิดเผย ทีมงานถาม AI ทั่วไปเกี่ยวกับโมเลกุลที่มีเอกลักษณ์เฉพาะก่อนยื่นขอสิทธิบัตร หน่วยกฎหมายระบุว่าสิ่งนี้อาจทำให้เกิดปัญหาในลำดับความสำคัญ กระบวนการนี้ล่าช้า บทเรียน: ขอโครงสร้างที่ไม่ซ้ำกับพร็อกซีทั่วไป เคารพนโยบายความเป็นส่วนตัว

กรณีที่ 2 — ความยินยอมของมนุษย์ป้องกันอุบัติเหตุได้ ในเวิร์กโฟลว์อัตโนมัติ AI ได้สร้างขั้นตอนแบบร่างและต้องนำไปใช้โดยตรง แต่นักเคมีผู้มีประสบการณ์ตรวจพบรีเอเจนต์คู่ที่เข้ากันไม่ได้ที่ประตู "ช่องว่างด้านความปลอดภัย" ที่ไหลผ่าน บทเรียน: ณ จุดวิกฤติ ประตูการยอมรับจากมนุษย์ช่วยชีวิตได้

กรณีที่ 3 — วินัยจากต้นทางถึงปลายทาง นักศึกษาระดับปริญญาโทนำโมดูลทั้งหมดไปใช้ในโครงการเดียว: สรุปวรรณกรรม + การตรวจสอบการอ้างอิงจริงด้วย AI, การตรวจสอบโครงสร้างด้วย RDKit, การวิเคราะห์ข้อมูลด้วยโค้ด, การรักษาความปลอดภัยด้วย SDS, เอกสารที่ตรงไปตรงมา, การรายงานที่โปร่งใส ผลลัพธ์ที่ได้คือทั้งเร็วขึ้นและแข็งแกร่งยิ่งขึ้น ในการป้องกันวิทยานิพนธ์ "คุณตรวจสอบ AI ได้อย่างไร" เขาตอบคำถามชัดเจน บทเรียน: AI + ระเบียบวินัยในการตรวจสอบทำงานร่วมกันได้ดีที่สุด

ข้อผิดพลาดทั่วไป

• มอบโครงสร้างแฝงให้กับ AI ทั่วไป มันกระทบต่อลำดับความสำคัญของสิทธิบัตรและความลับทางการค้า
• การป้อนข้อมูลส่วนบุคคล/ผู้ป่วยที่สามารถระบุตัวตนได้ การละเมิดความเป็นส่วนตัวและความเสี่ยงทางกฎหมาย
• ข้ามประตูอนุมัติ การรักษาความปลอดภัยและก้าวไปข้างหน้าในที่สุดโดยไม่ต้องได้รับการอนุมัติจากมนุษย์
• การโอนความรับผิดชอบให้กับ AI “AI แนะนำ” ไม่แก้ตัวข้อผิดพลาดใดๆ
• หลีกเลี่ยงความโปร่งใส การปกปิดการใช้ AI จะบ่อนทำลายความซื่อสัตย์
• ละเลยความเสี่ยงของการใช้คู่ การใช้ AI เพื่อแอปพลิเคชันที่เป็นอันตรายถือเป็นการผิดจรรยาบรรณ

เคล็ดลับ: ออกแบบขั้นตอนการทำงานของคุณด้วย “การตัดสินใจที่สำคัญทุกครั้งที่มนุษย์หยุดและอนุมัติ” ทำให้ AI เป็นตัวเชื่อมโยงที่เร่งห่วงโซ่ และโหนดที่ยึดห่วงโซ่นั้นจะเป็นมนุษย์เสมอ

โดยสรุป

• หลักการของมนุษย์ในการทดลอง: ในทุกการตัดสินใจทางเคมีที่สำคัญ มนุษย์เข้าใจ ควบคุม และอนุมัติ
• ความเป็นส่วนตัว: ห้ามมอบสิ่งประดิษฐ์ที่เป็นเอกลักษณ์ ข้อมูลส่วนบุคคล และความลับทางการค้าแก่ AI สาธารณะ ใช้พรอกซีทั่วไป
• จริยธรรม: ความโปร่งใส ความรับผิดชอบ การไม่ทุจริต ความซื่อสัตย์เป็นหลักการพื้นฐานสี่ประการ
• ในขั้นตอนการทำงานแบบครบวงจร AI จะเร่งความเร็วในทุกขั้นตอน ผู้คนตรวจสอบและเป็นเจ้าของ
• วางประตูการอนุมัติจากมนุษย์ไว้ที่จุดวิกฤติ (ความปลอดภัย ผลลัพธ์สุดท้าย) และรักษาความสามารถในการตรวจสอบย้อนกลับ

งานสมัคร

เลือกโปรเจ็กต์ของคุณเอง (ของจริงหรือสมมุติ) และออกแบบเวิร์กโฟลว์ของมนุษย์ด้วย AI ตั้งแต่ต้นจนจบ ปรับตาราง 9 ขั้นตอนด้านบนให้เข้ากับโครงการของคุณเอง AI จะทำอะไรในแต่ละขั้นตอน มนุษย์จะอนุมัติอะไร? ใช้ตัวกรองล่วงหน้าความเป็นส่วนตัว: ข้อมูลใดที่คุณไม่ได้มอบให้กับ AI คุณจะสรุปข้อมูลได้อย่างไร กำหนดอย่างน้อยสองช่องทางการอนุมัติโดยมนุษย์ และวิธีการตรวจสอบย้อนกลับหนึ่งวิธี เขียน “ขั้นตอนการทำงานและแผนการตรวจสอบ” หนึ่งหน้า

รายการตรวจสอบ

• [ ] ในการทดลอง ฉันเข้าใจหลักการของมนุษย์และเหตุใดจึงจำเป็น
• [ ] ฉันสรุปโครงสร้าง/ข้อมูลที่ซ่อนไว้โดยไม่มอบให้กับ AI ทั่วไป
• [ ] ฉันปฏิบัติตามหลักการของความโปร่งใส ความรับผิดชอบ การไม่ทุจริต และความซื่อสัตย์
• [ ] ฉันแยกบทบาท AI/มนุษย์ในขั้นตอนการทำงานแบบครบวงจร
• [ ] ฉันวางประตูการยอมรับของมนุษย์ไว้ที่จุดวิกฤติ
• [ ] ฉันติดตามว่าเอาท์พุตใดที่มาจาก AI และมีวิธีการตรวจสอบอย่างไร

การสอบโมดูล

1. ข้อใดต่อไปนี้คือตำแหน่งปัญญาประดิษฐ์ที่แม่นยำที่สุดในวิชาเคมี

• ก) ปัญญาประดิษฐ์คือโค้ด ร่าง และผู้ช่วยแก้ไข ความรับผิดชอบต่อโครงสร้าง จำนวน ทรัพยากร ความปลอดภัย และการตัดสินใจด้านจริยธรรมเป็นหน้าที่ของมนุษย์ ✔
• B) ปัญญาประดิษฐ์เป็นกลไกทางเคมี และน้ำหนักโมเลกุลที่ปัญญาประดิษฐ์ให้มานั้นแม่นยำเสมอ
• C) ปัญญาประดิษฐ์ใช้งานได้เฉพาะในการทบทวนวรรณกรรมเท่านั้น ไม่เกี่ยวข้องกับการวิเคราะห์และความปลอดภัย
• ง) เนื่องจากปัญญาประดิษฐ์มีความเป็นกลางมากกว่ามนุษย์ การตัดสินใจด้านความปลอดภัยจึงควรปล่อยให้เป็นหน้าที่ของมัน

คำอธิบาย: ปัญญาประดิษฐ์; เป็นผู้ช่วยที่เขียนโค้ด สร้างแบบร่าง สร้างโครงกระดูกการสังเคราะห์ย้อนหลัง ช่วยเหลือและจัดระเบียบการตีความสเปกตรัม อย่างไรก็ตาม การคำนวณน้ำหนักโมเลกุลและปริมาณสัมพันธ์เชิงกำหนด การตรวจสอบโครงสร้างด้วย RDKit การยืนยันการอ้างอิงในฐานข้อมูล การตัดสินใจด้านความปลอดภัยด้วย SDS/GHS และความรับผิดชอบขั้นสุดท้ายเป็นของนักเคมีที่เชี่ยวชาญ แบบจำลองภาษาใหญ่ไม่ใช่เครื่องคิดเลขหรือเครื่องมือเคมี เป็นเครื่องสร้างข้อความที่สร้าง 'คำที่มีแนวโน้มมากที่สุดถัดไป' และผลลัพธ์ที่ไม่ได้รับการยืนยันอาจนำไปสู่โครงสร้าง หมายเลข หรืออันตรายที่ไม่ถูกต้อง

2. วิธีที่เชื่อถือได้มากที่สุดในการอธิบายโมเลกุลกับปัญญาประดิษฐ์คืออะไร?

• A) เขียนเฉพาะชื่อภาษาตุรกีทั่วไปเท่านั้น
• B) ให้การแสดงโครงสร้างเช่น SMILES และยืนยันตัวตนด้วย InChIKey ✔
• C) แค่บอกน้ำหนักโมเลกุล
• D) การเขียนเครื่องหมายการค้าก็เพียงพอแล้ว

คำอธิบาย: ชื่อ (โดยเฉพาะชื่อทางการค้าและชื่อพ้อง) มีความคลุมเครือและอาจนำไปสู่โมเลกุลที่ไม่ถูกต้อง การระบุโครงสร้างโมเลกุล เช่น SMILES จะให้ความแม่นยำ ตัวตนของเขาได้รับการยืนยันในฐานข้อมูลกับ InChIKey นอกจากนี้ รอยยิ้มที่ได้รับจากปัญญาประดิษฐ์จะต้องถูกแยกวิเคราะห์ด้วย RDKit และตรวจสอบโดยการกำหนดรูปแบบมาตรฐาน

3. คุณควรใช้น้ำหนักโมเลกุลที่กำหนดโดยปัญญาประดิษฐ์อย่างไร

• A) ใช้โดยตรง เพราะ AI มีความน่าเชื่อถือในเชิงตัวเลข
• B) คำนวณและตรวจสอบอย่างเป็นอิสระจากสูตรด้วยตนเองหรือด้วย RDKit ✔
• C) แค่ถามปัญญาประดิษฐ์อื่นแล้วเปรียบเทียบก็เพียงพอแล้ว
• D) น้ำหนักโมเลกุลไม่สำคัญ ไม่จำเป็นต้องตรวจสอบ

คำอธิบาย: น้ำหนักโมเลกุลคือปริมาณที่คำนวณตามที่กำหนดจากสูตรโมเลกุล ดังนั้นการถามโมเดลภาษาจึงเป็นวิธีที่อ่อนแอที่สุด ควรได้รับการตรวจสอบอย่างอิสระด้วยเครื่องมือ เช่น RDKit หรือโดยการคำนวณด้วยตนเองจากสูตร โมเดลภาษาสามารถใส่ตัวเลขดังกล่าวด้วยค่า 'การค้นหาที่เป็นไปได้'

4. สิ่งที่ควรทำก่อนใช้การอ้างอิงวรรณกรรม (บทความ/DOI) ที่ส่งคืนโดยปัญญาประดิษฐ์?

• ก) ไม่มีอะไร; ถ้าปัญญาประดิษฐ์อ้างอิง มันก็มีอยู่จริง
• B) แค่ดูชื่อเรื่องเพื่อให้ดูน่าเชื่อถือก็เพียงพอแล้ว
• C) ยืนยันการอ้างอิงและ DOI แต่ละรายการโดยการถอดรหัสในฐานข้อมูล (doi.org, Crossref) ✔
• D) เลข DOI ยาวๆ พิสูจน์ได้ว่าเป็นจริง

คำอธิบาย: โมเดลภาษาสามารถสร้างบทความ ผู้แต่ง และ DOI ที่ดูสมจริง แต่ไม่มีอยู่จริง (การอ้างอิงปลอม) เพียงเพราะมันให้ DOI ไม่ได้หมายความว่ามันถูกต้อง การอ้างอิงแต่ละรายการต้องได้รับการตรวจสอบโดยมติในฐานข้อมูล เช่น doi.org, Crossref หรือไซต์ของผู้จัดพิมพ์ แนวทางที่ปลอดภัยที่สุดคือให้มนุษย์ค้นหาบทความจริงและมีข้อความสรุปโดยปัญญาประดิษฐ์

5. ปัญญาประดิษฐ์ในด้านใดอ่อนแอที่สุดและต้องมีการยืนยันในการวางแผนปฏิกิริยา?

• A) ในการยอมรับว่าปฏิกิริยานั้นเป็นของชนชั้นทั่วไปประเภทใด
• B) หมายเลขเงื่อนไขที่แน่นอน ค่าผลผลิต และชื่อรีเอเจนต์/ตัวเร่งปฏิกิริยา ✔
• C) อธิบายกลไกในภาษาธรรมดา
• D) การระดมความคิดเพื่อหาเส้นทางอื่น

คำอธิบาย: โดยทั่วไปแล้ว AI จะคาดการณ์ประเภทของปฏิกิริยาและผลิตภัณฑ์หลักของปฏิกิริยาที่ได้รับการบันทึกไว้เป็นอย่างดี อย่างไรก็ตาม หมายเลขสภาวะที่แน่นอน (อุณหภูมิ เวลา เทียบเท่า) ค่าผลผลิต ปฏิกิริยาที่หายาก และชื่อตัวทำปฏิกิริยา/ตัวเร่งปฏิกิริยาเป็นตัวเลขที่อ่อนแอที่สุดและมีแนวโน้มที่จะเกิดการประดิษฐ์มากที่สุด สิ่งเหล่านี้ควรได้รับการยืนยันด้วยวรรณกรรมและแค็ตตาล็อก

6. วิธีใดคือวิธีที่น่าเชื่อถือที่สุดในการใช้ปัญญาประดิษฐ์ในการตีความสเปกตรัม?

• ก) กล่าวถึงจุดสูงสุดเล็กน้อยแล้วถามว่า 'นี่คือสเปกตรัมอะไร' ที่จะถาม
• B) ให้โครงสร้างที่คาดหวังและข้อมูลดิบครบถ้วนและมีการตรวจสอบความสอดคล้อง (การทดสอบสมมติฐาน) ✔
• C) เขียนเฉพาะค่ากะโดยไม่ต้องดำเนินการรวมและหาร
• D) การกำหนดโครงสร้างขั้นสุดท้ายด้วยเทคนิคเดียว (IR เท่านั้น)

คำอธิบาย: ถาม AI ว่า 'สเปกตรัมนี้คือสารประกอบใด' การถามตั้งแต่เริ่มต้นจะเพิ่มอัตราข้อผิดพลาด วิธีที่น่าเชื่อถือที่สุดคือการรวมโครงสร้างที่คาดหวัง (SMILES) และข้อมูลดิบ (การบูรณาการ การแยก ตัวแก้ปัญหา รายการจุดสูงสุด) เข้าด้วยกัน และถามว่า 'ข้อมูลนี้สอดคล้องกับโครงสร้างนี้หรือไม่' คือการถาม; นั่นคือการใช้ปัญญาประดิษฐ์เป็นตัวทดสอบสมมติฐาน งานมอบหมายขั้นสุดท้ายคือให้นักเคมีตรวจสอบสเปกตรัมการทดลอง

7. วิธีใดคือวิธีที่น่าเชื่อถือที่สุดในการรับผลลัพธ์ของการคำนวณทางเคมี (เช่น เปอร์เซ็นต์ผลผลิต)

• ก) การขอผลลัพธ์โดยตรงจากปัญญาประดิษฐ์ด้วยวาจา
• B) พิมพ์และเรียกใช้โค้ด Python ของบัญชีและทดสอบด้วยตัวอย่างที่ทราบ ✔
• C) ถามคำถามเดิมหลายๆ ครั้งแล้วรับหมายเลขที่เข้ามาบ่อยที่สุด
• D) การประมาณค่าอย่างรวดเร็วโดยไม่ต้องระบุหน่วย

คำอธิบาย: โมเดลภาษาคิดเลขคณิตโดย 'ทำนายผลลัพธ์ที่น่าจะเป็น' และอาจผิดได้แม้จะคูณง่ายๆ ก็ตาม วิธีที่น่าเชื่อถือที่สุดคือให้ AI เขียน CODE (เช่น Python) ไม่ใช่ตัวบัญชี และเรียกใช้โค้ดนั้น รหัสถูกกำหนดและตรวจสอบได้ ควรทดสอบโค้ดด้วยตัวอย่างเล็กๆ ที่ทราบคำตอบ

8. แนวคิดของ 'ขอบเขตของการบังคับใช้' มีความหมายอย่างไรในการทำนายคุณสมบัติระดับโมเลกุล

• A) พลังการประมวลผลของคอมพิวเตอร์ที่โมเดลทำงาน
• B) บริเวณโมเลกุลคล้ายกับข้อมูลการฝึก โดยที่แบบจำลองให้การทำนายที่เชื่อถือได้ ✔
• C) พื้นที่การรับประกันซึ่งตัวเลขที่กำหนดโดยแบบจำลองนั้นถูกต้องเสมอ
• ง) ช่วงอุณหภูมิที่สามารถสังเคราะห์โมเลกุลได้ในห้องปฏิบัติการ

คำอธิบาย: แบบจำลอง QSAR/การคาดการณ์ทำงานได้ดีกับโมเลกุลที่คล้ายกับโมเลกุลที่ได้รับการฝึก เมื่อพิจารณาถึงโมเลกุลที่แตกต่างจากข้อมูลการฝึกอย่างมาก แบบจำลองยังคงสร้างตัวเลขได้ แต่ก็ไม่น่าเชื่อถือ สิ่งนี้เรียกว่า 'อยู่นอกขอบเขตของการบังคับใช้' โมเดลจะให้คำตอบเสมอ ขึ้นอยู่กับมนุษย์ที่จะประเมินว่าคำตอบนั้นเชื่อถือได้หรือไม่

9. อะไรคือแนวทางที่ถูกต้องในการจัดการกับข้อสังเกตในเอกสารการทดลอง?

• ก) การเขียนข้อสังเกตไปยังปัญญาประดิษฐ์เพื่อประหยัดเวลา
• B) ผู้ทำการทดลองจดบันทึกการสังเกต; AI ฟอร์แมตและตรวจสอบเท่านั้น ✔
• C) การไม่บันทึกการสังเกตก็เพียงพอแล้ว เพียงเขียนผลสุดท้าย
• D) ซ่อนความเบี่ยงเบนไปจากแผนเพื่อให้รายงานดูดี

คำอธิบาย: ปัญญาประดิษฐ์ไม่รู้ว่ามันคืออะไร การสังเกต (การเปลี่ยนสี การปล่อยก๊าซ ฯลฯ) ให้เหมาะสมจะทำให้เกิดบันทึกที่ดูเป็นไปได้แต่ไม่ได้เกิดขึ้น และนี่คือการฉ้อโกงทางวิทยาศาสตร์ AI จัดรูปแบบการบันทึก เรียกคืนฟิลด์ที่หายไป และตรวจสอบความสามารถในการทำซ้ำ แต่ผู้ทดลองที่เป็นมนุษย์จะต้องเป็นผู้สังเกตการณ์และข้อเท็จจริง จะต้องบันทึกการเบี่ยงเบนไปจากแผนด้วย

10. ปัญญาประดิษฐ์มีบทบาทอย่างไรต่อความปลอดภัยในห้องปฏิบัติการและแหล่งที่มาของความจริง?

• ก) หากปัญญาประดิษฐ์บอกว่า 'ปลอดภัย' ก็ไม่จำเป็นต้องใช้แหล่งข้อมูลอื่น
• B) แหล่งที่มาของความจริงคือ SDS และ GHS AI มีประโยชน์แต่สุดท้ายก็พูดไม่ได้ ✔
• C) การตัดสินใจด้านความปลอดภัยสามารถมอบหมายให้กับปัญญาประดิษฐ์ได้อย่างสมบูรณ์
• D) SDS ไม่จำเป็น ฟอรัมอินเทอร์เน็ตให้ข้อมูลที่เพียงพอ

คำอธิบาย: ความปลอดภัยถือเป็นสิ่งที่สำคัญที่สุดในวิชาเคมี และปัญญาประดิษฐ์ก็ไม่มีทางเป็นคำตอบสุดท้ายได้ แหล่งที่มาของข้อมูลด้านความปลอดภัยที่แท้จริงคือ SDS (เอกสารข้อมูลความปลอดภัย) และการจำแนกประเภท GHS ที่จัดทำโดยผู้ผลิต AI สามารถสรุปข้อความ SDS สร้างแบบร่างแบบฟอร์ม และดำเนินการคัดกรองการไม่ปฏิบัติตามข้อกำหนดเบื้องต้น อย่างไรก็ตาม การเรียกร้องทั้งหมดจะต้องได้รับการตรวจสอบด้วย SDS และขั้นตอนจะต้องได้รับอนุมัติจากผู้มีประสบการณ์/เจ้าหน้าที่รักษาความปลอดภัย

11. การผสมรีเอเจนต์ใดต่อไปนี้เป็นการจับคู่ที่เป็นอันตราย (เข้ากันไม่ได้) ที่ทราบกันดี?

• ก) ผสมน้ำและเกลือแกง
• B) การผสมสารละลายที่เป็นกรดกับสารละลายที่มีไฮโปคลอไรต์ (เสี่ยงต่อก๊าซคลอรีน) ✔
• C) การผสมเอทานอลกับน้ำ
• D) การละลายน้ำตาลและน้ำ

คำอธิบาย: แม้ว่าสารเคมีบางชนิดจะค่อนข้างปลอดภัยเพียงอย่างเดียว แต่ก็เป็นอันตรายด้วยกัน การผสมกรดและไฮโปคลอไรต์จะปล่อยก๊าซคลอรีน สารออกซิไดเซอร์ + สารอินทรีย์ก่อให้เกิดความเสี่ยงต่อการเกิดเพลิงไหม้/การระเบิด น้ำ + ความร้อนของโลหะที่เกิดปฏิกิริยา/ไฮโดรเจน แม้ว่า AI จะรู้จักชุดค่าผสมเหล่านี้ส่วนใหญ่ แต่ก็ไม่ได้รับประกันทั้งหมด และบางครั้งสามารถนำเสนอคำแนะนำที่เป็นอันตรายในภาษาที่ไร้เดียงสา แต่ละขั้นตอนควรได้รับการคัดกรองการไม่ปฏิบัติตาม SDS

12. ข้อใดเป็นสำนวนที่ถูกต้องที่สุดสำหรับคำว่า 'ภาพหลอน' (ปัญญาประดิษฐ์ที่สร้างข้อมูลประดิษฐ์)

• A) นี่เป็นข้อผิดพลาดของซอฟต์แวร์ที่เกิดขึ้นไม่บ่อยนัก และจะหมดไปโดยสิ้นเชิงด้วยการอัพเดต
• B) มันเป็นพฤติกรรมที่มีอยู่ในโมเดลภาษา วิธีแก้ไขคือการตรวจสอบแต่ละเอาต์พุตอย่างอิสระ ✔
• C) จะปรากฏเฉพาะในข้อความแจ้งที่เขียนไม่ถูกต้องเท่านั้น ไม่เคยปรากฏในข้อความแจ้งที่ถูกต้อง
• ง) หากปัญญาประดิษฐ์พูดด้วยภาษาที่ปลอดภัย นั่นไม่ใช่อาการประสาทหลอน

คำอธิบาย: อาการประสาทหลอนไม่ใช่ความผิดปกติแต่เป็นผลจากธรรมชาติของแบบจำลองภาษาที่สร้าง 'คำที่น่าจะเป็นไปได้มากที่สุดถัดไป'; แบบจำลองมุ่งเป้าไปที่ความเป็นไปได้ ไม่ใช่ความจริง ส่วนที่ร้ายกาจที่สุดคือการนำเสนอข้อมูลเท็จในภาษาที่มั่นใจเช่นเดียวกับความจริง วิธีแก้ไขไม่ใช่การพยายามแก้ไขโมเดล แต่เพื่อสร้างเชลล์การตรวจสอบความถูกต้องที่เหมาะสมกับแต่ละเอาต์พุต ความคล่องแคล่วไม่เคยพิสูจน์ความถูกต้อง

13. 'รูปสามเหลี่ยม' หมายถึงอะไรในการตรวจสอบค่าวิกฤต (เช่น น้ำหนักโมเลกุล)

• ก) ถามคำถามเดียวกันกับปัญญาประดิษฐ์เดียวกันสามครั้ง
• B) การเปรียบเทียบและบรรลุข้อสรุปเดียวกันด้วยวิธีอิสระมากกว่าหนึ่งวิธี✔
• C) การคำนวณน้ำหนักของโมเลกุล 3 ชนิดที่แตกต่างกันในเวลาเดียวกัน
• D) การปัดเศษผลลัพธ์ให้เป็นทศนิยมสามตำแหน่ง

คำอธิบาย: สมการกำลังไปถึงข้อสรุปเดียวกันผ่านเส้นทางอิสระหลายเส้นทาง เช่น การเปรียบเทียบน้ำหนักโมเลกุลตามปัญญาประดิษฐ์ การคำนวณ RDKit และการคำนวณด้วยตนเอง หากเส้นทางอิสระสองเส้นทางทับซ้อนกัน ความไว้วางใจก็จะสูง หากมีใครเบี่ยงเบนก็หยุดและสอบสวน แทนที่จะพึ่งพาแหล่งข้อมูลเดียว ควรค้นหาวิธีการอิสระอย่างน้อยสองวิธี

14. วิธีที่ถูกต้องในการสอบถามบริการ AI ทั่วไปเกี่ยวกับโมเลกุลเฉพาะที่ไม่ได้รับการจดสิทธิบัตรคืออะไร?

• ก) ให้โครงสร้างเดิมโดยตรง เพราะความเร็วเป็นสิ่งสำคัญ
• B) การเรียนรู้กลยุทธ์ผ่านตัวอย่างทั่วไป/ตัวแทนโดยไม่เปิดเผยโครงสร้างดั้งเดิม ✔
• C) โครงสร้างการให้ไม่ใช่ปัญหา AI ไม่เคยซ่อนข้อมูล
• D) การไม่บอกชื่อโมเลกุลแต่เพียงแบ่งปันรอยยิ้มทั้งหมดก็เพียงพอแล้ว

คำอธิบาย: เนื้อหาที่เข้าสู่บริการปัญญาประดิษฐ์ทั่วไปอาจถูกจัดเก็บหรือประมวลผลตามนโยบายการบริการ การให้โครงสร้างดั้งเดิมมีความเสี่ยงต่อการรักษาความลับและลำดับความสำคัญของสิทธิบัตร แนวทางที่ถูกต้องคือการเรียนรู้กลยุทธ์จากตัวอย่างทั่วไป/ตัวแทน (โครงสร้างประเภทเดียวกัน) และนำไปใช้กับโมเลกุลของตัวเองภายในองค์กร โดยไม่เปิดเผยโครงสร้างดั้งเดิม ไม่ควรป้อนข้อมูลส่วนบุคคล/ผู้ป่วยในรูปแบบที่สามารถระบุตัวตนได้