收益：
- 能够理解正向反应预测和逆向合成之间的差异，并向人工智能询问替代路线和最危险的步骤。
- 了解人工智能的条件数、产量和试剂名称的薄弱之处，并通过文献和目录进行确认。
- 能够通过单独、清晰地质疑副反应从一开始就规划产品纯度和安全性
反应预测和机制：利用人工智能预测产品、状况和副反应
化学家最常问的两个问题是：“如果我混合这些物质会发生什么？”以及“我应该怎样做才能得到我想要的产品？”第一个是正向反应预测问题（从起始原料到产物），第二个是逆合成问题（从产物向后到起始原料）。人工智能在以下两方面都是宝贵的头脑风暴伙伴：列出可能的产品、建议条件、引发副作用。但实验和文献决定了反应是否真正有效、效率如何以及是否安全。在本单元中，我们将学习以强大但受控的方式在反应计划中使用人工智能。
前向预测和逆向合成之间的区别
正向预测：你有起始材料和试剂； “那产品呢？”你问。例如，如果用氧化剂处理伯醇，最终可能会得到醛或羧酸；选择哪一种取决于试剂和条件。人工智能通常很清楚这种区别，但在条件细节上可能会出错。
逆合成：你有目标分子； “我可以用什么更简单的部件来制作这个？”你回去吧。每退一步都意味着“切断”（断开）。人工智能擅长对多种替代路径进行排序；但有必要通过文献来证实他提出的每一步道路是否确实有效。
提示：不要只向 AI 询问一种“最佳方法”，而应询问 2-3 种替代方法以及每种方法的弱点（“哪一步有风险？”）。在替代方案中进行选择比盲目遵循某一条道路要安全得多。
机制：了解为什么会发生
反应机理逐步显示电子的去向和顺序。 AI是解释机制的好老师：它简单地解释了亲核试剂（富电子、给电子物种）、亲电子试剂（贫电子、受电子物种）、中间产物和过渡态的概念。然而，它可以在复杂或新颖的机制中绘制虚构的“箭头”。将机理描述与有机化学来源进行比较。
一步一步：利用 AI 进行反应规划
- 准确给出目标：使用 SMILES（先前的单元）定义产品和起始材料（如果有）。
- 状态限制：规模（mmol/mol）、避免使用的试剂、可用溶剂、安全裕度。
- 询问替代方案：2-3 种方法以及每种方法的效率期望和风险。
- 询问副反应：每个步骤可能产生的副产物以及如何减少它们。
- 文献确认：用真实的文章/数据库（Reaxys、SciFinder 等）验证所提出的关键步骤。
- 安全检查：检查各试剂的SDS（第9单元）。
四个可复制模板
1）正向反应预测：
起始原料 (SMILES)：- 苯甲醇：OCc1ccccc1 试剂：PCC（氯铬酸吡啶鎓），溶于二氯甲烷。任务：1) 主要产物是什么 (SMILES + ad)？2) 为什么形成该产物，醛或羧酸，合理性？3) 可能的副产物和纯度风险？规则：勾选“验证”您不确定的条件。
2）逆合成：
目标分子 (SMILES)：O=C(c1ccccc1)c1ccc(OC)cc1 (4-甲氧基二苯甲酮) 约束：规模 10 mmol；可以使用格氏试剂。任务：给出 2 种替代逆合成路线。对于每条路线：截止点、所需的起始材料 (SMILES)、每个步骤的试剂+条件以及估计的产量范围。标记最危险的步骤。
3）机制说明：
反应：仲醇（E1）的酸催化脱水。任务：通过电子运动逐步解释该机制。在每个步骤：形成哪种类型的亲核试剂/亲电试剂、哪种中间产物。另请注明您对 Zaitsev/Hofmann 产品的偏好。语言：纯土耳其语，在首次提及时定义术语。
4）条件优化（想法生成）：
反应：形成酰胺键（羧酸+胺）。我们有的偶联试剂：EDC、DCC、HATU。任务：给出每种试剂的优点/缺点（产量、纯化方便性、成本、安全性）的表格。在哪种情况下你会选择哪一种？注意：不要声称确切的效率；我会用文献来证实。
弱提示/强提示
弱：
当你混合这两种物质时会发生什么？
目前尚不清楚哪些物质（无结构）、何种比例、何种条件、何种溶剂。人工智能弥补了缺陷，但可能会交付错误的产品。
强：
起始剂：乙酸酐 (CC(=O)OC(=O)C) + 水杨酸 (OC(=O)c1ccccc1O)，催化剂：浓硫酸（几滴），~85 °C，15 分钟。任务：1）主要产品（SMILES+ad），2）机理总结，3）副产品及纯化，4）安全警示。不确定的地方做个标记。
区别：每个起始子句都带有 SMILES、速率/条件、输出配置、安全请求。 （这个例子是阿司匹林的合成。）
人工智能在反应预测方面的强项和弱项
主题
人工智能强大吗？
注释
识别反应类型
强
氧化、酯形成等众所周知
预测主要产品（经典）
总体较强
反应可靠，有据可查
精确的产量/条件数
弱
温度、持续时间、效率经常不正确
新的/罕见的反应
弱
造假风险高，文献必备
副反应提醒
中强
作为清单很有价值
区域/立体声选择性
变量
简单的规则是好的，复杂的规则是差的
迷你箱
案例 1——正确的产品，错误的条件。一名学生计划进行费歇尔酯化反应。 YZ给出了正确的产品，但说“在室温下10分钟内完成”。文献表明，这种平衡反应在回流下需要数小时，并且需要除去水。如果学生没有纠正这个情况，他的收益率将会是 5%。经验教训：即使产品正确，也要通过文献确认条件编号。
案例 2——人为的催化剂。 YZ以“Pd(XYZ)4”的形式产生了一个不存在的偶联反应催化剂名称。当学生在催化剂目录中查找时，没有找到； AI 起了这个名字。真正的催化剂是Pd(PPh3)4。课程：确认实际目录中的试剂和催化剂名称。
案例 3 — 被忽视的副反应。在酰化伯胺时，AI 产生了主要产物，但首先绕过了使用过量试剂进行双酰化的风险。如果用户问“可能的副产品？”当我明确询问时，AI 添加了这一点并建议将化学计量限制为 1.05 当量。教训：单独并清楚地询问副反应，它可能不会一次性出现。
常见错误
- 按原样使用条件编号。温度、时间、当量、效率是AI最薄弱的领域；与文献确认。
- 唯一的办法就是询问。没有替代方案的计划会让危险的步骤变得不可见。
- 不问副反应。即使主要产品看起来不错，副产品也决定了纯度。
- 未验证试剂名称。可以编造不存在的催化剂/配体名称。
- 将机制视为证据。看似合理的机制并不能保证反应一定会进行。
- 未指定比例。在毫克秤上安全的东西在公斤秤上可能是危险的。
注意：仅仅因为人工智能将提议的反应呈现为“文献中存在”，并不意味着它确实存在。请务必将关键步骤归因于真实来源（DOI 文章、众所周知的程序）。
综上所述
- 人工智能是前向预测和逆向综合的强大洞察合作伙伴；它很好地预测了产品类型。
- 条件数收率低且反应罕见；通过文献证实这些。
- 不要采用一种方法，而是要求 2-3 个替代方案，并让他们标记出风险最大的步骤。
- 单独、公开地发布副反应；验证目录中的试剂/催化剂名称。
- 该机制加速了理解，但并不能证明该反应会起作用。
应用任务
选择您知道的目标分子。向 AI 询问两种替代的逆合成途径；请他/她微笑地指出每条路径的起始项目、条件和最危险的步骤。然后尝试通过文献来源（实际 DOI）确认每个途径的关键步骤。哪条路更坚实？ AI给出的条件有多少与文献相符，有多少需要修正？写一页比较。
清单
- [ ] 我知道前向预测和逆向合成之间的区别。
- [ ] 我用 SMILES 和约束条件（比例、溶剂）来表达分子。
- [ ] 我不想要唯一的方法，我想要替代方案和冒险的步骤。
- [ ] 我在一个单独的问题中省略了副反应。
- [ ] 我通过文献/目录确认条件编号和试剂名称。
- [ ] 我用它来了解机制，而不是作为证据。