收益：
- 能够区分人工智能在化学工作流程（想法、设计、分析、报告）中节省时间的地方以及结构、数量、资源和安全决策留给人类的地方，具体取决于风险级别。
- 能够应用通过结构-数字-资源-安全四个步骤独立检查每个输出的规则
- 了解为什么虚构的化合物和数字、虚假参考和安全误解对这个行业构成风险，必须从一开始就考虑到这一点。
化学是研究物质结构、转化和性质的一门实验科学。化学家在实验室中称重、溶解、加热和测量；他在办公桌前绘制分子、规划反应、解释光谱、浏览文献并撰写报告。人工智能（简称AI，这里特指通过预测“下一个最可能的单词”生成文本的软件，并在大型语言模型（即大量文本数据）上进行训练）可以极大地加快许多此类桌面工作的速度。但它本身并不建造实验室，也不读取秤，最重要的是：它不会验证它代表您生成的任何数字、公式或引文。本模块教授如何在化学中端到端但负责任地使用人工智能。
在第一个单元中，我想在你的脑海中植入一个想法：人工智能是化学的助手，而不是化学家。编写代码、生成大纲、构建逆合成框架、帮助解释谱峰、总结文献。然而，由有能力的化学家来决定该分子是否能够真正合成、反应是否安全、参考文献是否真实以及最终的责任。
人工智能在化学工作流程中发挥着怎样的作用？
让我们将化学项目大致分为五个阶段：（1）想法和文献，（2）分子和反应设计，（3）实验室应用，（4）分析和表征，（5）报告。 AI在这些阶段承载着截然不同的价值。
- 想法和文献：人工智能快速总结主题，解释关键概念，生成搜索术语。但他可以编造归因；我们稍后会看到这一点。
- 设计：生成 SMILES（一种将分子写成文本字符串的形式；稍后会详细介绍），建议逆合成步骤，列出反应性替代方案。建议是好的，但不是保证。
- 实验室：人工智能在这里什么也不做。称重、加热和安全措施均由人工进行。 AI只是帮忙写程序；在执行该程序之前，必须有人对其进行监督以确保安全。
- 分析：在解释 NMR、IR、质谱（这些是显示分子结构的测量技术）时，YZ 有助于对峰进行分组并列出可能的结构。最后的任务是你的。
- 报告：制作实验笔记本、文章草稿、安全表格草稿。它非常强大；但数字应该与你的相符。
提示：使用人工智能最安全的地方是“如果出现问题，就会被注意到并立即修复”区域：草稿文本、代码框架、术语描述。最危险的地方是“如果错误，它就会悄然传播”的区域：常量、引用、安全断言、数值结果。
为什么我们要小心？三大结构性风险
大语言模型不是计算器或化学引擎。生成统计上“看起来可能”的文本。这导致了化学领域的三个具体风险：
- 虚构（幻觉）：可以自信地写下不是模型的化合物、不存在的反应或不正确的分子量。例如，它显示“化合物 X 的分子量为 154.2 g/mol”，而正确值为 168.2。
- 虚假引文：可能提供看起来真实但根本不存在的来源，例如“Smith et al., 2019, Journal of Organic Chemistry”。他甚至可以编造一个 DOI 号码。
- 安全谬误：可以将危险的试剂组合（例如比例不适当的氧化剂和有机溶剂）描述为“没有问题”。
这三种风险会在本模块的各个单元中反复出现。解决方案不是逃避人工智能，而是建立用独立来源验证每个输出的纪律。
迷你箱
情况 1 — 拟合分子量。一名研究生向人工智能询问对硝基苯酚的分子量。 “139.11克/摩尔，”AI说。该学生信心十足，打算称0.05摩尔为6.96克。然而，对硝基苯酚的分子量是 139.11 g/mol，这次是正确的——但学生从未检查过。对于下一个化合物（对氨基苯酚，实际值109.13 g/mol），YZ表示“123.15”；这次学生通过公式（C6H7NO2）手工计算得到了它：6×12.011 + 7×1.008 + 14.007 + 2×15.999 = 109.13。课程：无需公式即可计算每个分子量。
案例 2 — 假 DOI。一位研究人员在他的文献综述中向 AI 询问了 5 个来源。单击时，五个中的两个的 DOI 返回“未找到”；标题是事实，但文章却不是。浪费时间40分钟。教训：并非所有引文都应在未经数据库（DOI、PubMed、Reaxys）验证的情况下使用。
案例 3 — 看似安全的危险。用户向 AI 询问清洁程序； AI 间接提出了将含次氯酸盐的溶液与酸性溶液混合的建议——这种组合可以释放氯气。幸运的是，用户查看了安全数据表（SDS）并停止了操作。教训：每个程序在实施之前都经过人工检查，以了解 SDS 和危险。
弱提示/强提示
弱提示：
合成该分子。
这种说法是模糊的：什么分子，什么起始材料，什么规模，什么限制？人工智能弥补了这一空白。
强力提示：
角色：您是一位经验丰富的有机合成助理。目标分子：4-甲氧基苯乙酮（SMILES：COc1ccc(cc1)C(C)=O）。我们有苯甲醚作为起始材料。任务：给出一个两步逆合成建议。对于每个步骤：试剂、条件（温度、溶剂）和可能的副反应。约束：在不确定的地方标记“VERIFY”，拟合。输出：编号步骤+要验证的点列表。
区别：角色、确切目标（带有 SMILES）、上下文、步骤数、输出格式和“拟合”约束。这些是化学中良好提示的五个组成部分：角色、精确结构表示、背景、任务、验证约束。
AI工具的类型：语言模型还是化学工具？
在化学中，你会遇到两种不同的“人工智能”，重要的是不要混淆它们：
流派
什么是
可靠性
用法示例
通用语言模型
生成文本/代码、解释、撰写草稿
数字少，语言多
流程概要、术语解释
化学库（RDKit等）
确定性地处理分子，计算分子量
高（基于规则）
SMILES验证，MA账户
自定义预测模型（逆合成、特征）
提供经过数据训练的预测
中等，取决于区域
逆合成、溶解度估计
文献/检索工具
真实的数据库查询
高取决于来源
归因确认、反应搜索
最强大的工作流程将这些结合起来：语言模型生成想法，化学库确定性地计算数字，文献工具验证归因，人工验证。我们将在接下来的单元中建立这个链条。
验证规则：四个步骤
每个人工智能输出在进入实验室或报告之前都经过以下四个步骤：
- 结构：分子/反应符号 (SMILES/InChI) 有效吗？可以用工具（RDKit）解析吗？
- 数量：分子量、化学计量、产率计算是否经过独立验证（手动或图书馆）？
- 资料来源：是否每项主张和归属都在真实数据库中得到验证？
- 安全性：是否已阅读程序中每种试剂的 SDS，是否存在任何危险的组合？
注意：这四个步骤适用于“始终”，而不是“有时”。人工智能正确的 20 种情况并不能成为人工智能错误的 1 种情况的借口；因为在化学中，一种情况可能是爆炸、中毒或撤回文章。
常见错误
- 将AI输出误认为是“资源”。人工智能不是资源，而是试图记住资源的生成器（有时是错误的）。这是源数据库。
- 相信这个数字。使用分子量、pKa、沸点等数字，但未经验证。这些可以确定性地计算/搜索；询问语言模型是最弱的方法。
- 将安全外包给人工智能。 “人工智能没有说它危险”并不意味着它是安全的。危害评估是人和 SDS 的工作。
- 模糊提示。不给出分子的名称，而是给出其结构 (SMILES/InChI)；由于名称混淆，这会导致错误的分子。
- 相信一次尝试。以不同的方式再次询问同一问题并且不检查一致性。
综上所述
- 人工智能是化学领域强大的办公桌助手：它生成代码、轮廓、描述、扫描骨架；但实验室没有这样做，也没有验证其输出。
- 存在三个固有风险：假化合物/数字、假归因、安全谬误。
- 分离和组合通用语言模型和确定性化学工具（RDKit、数据库）。
- 将每个输出通过结构-数字-来源-安全四个步骤。
- 好的提示：包括角色、显式结构表示、上下文、任务、验证约束。
应用任务
选择您自己研究过的分子（例如阿司匹林，SMILES：CC(=O)Oc1ccccc1C(=O)O）。向 AI 询问三件事：(1) 分子量，(2) 两篇参考论文，(3) 合成步骤。然后独立验证每个：根据公式手动计算分子量，使用 DOI 确认引用，使用安全眼睛检查合成步骤。哪些输出是正确的，哪些需要更正？保留半页的“验证日志”。
清单
- [ ]我意识到AI是助手，而不是化学家。
- [ ] 我通过示例认识到捏造、虚假归因和不信任的风险。
- [ ] 我可以区分语言模型和确定性化学工具。
- [ ] 我将对每个输出应用结构-编号-来源-安全这四个步骤。
- [ ] 我通过结构符号 (SMILES/InChI) 来描述分子，而不是通过名称。
- [ ] 我至少保留了一份验证日志。