社论专栏：C&EN员工就化学核心议题发表的评论文章
9月下旬，我参加了由美国化学会信息部（CAS，隶属于出版C&EN的美国化学会）与阿斯利康在伦敦联合举办的"数据与人工智能加速药物发现"会议。
多位主旨演讲内容已体现在我同事阿尤什·普拉塔普的最新报道中，该报道成为本月印刷版的封面故事。她指出制药企业正持续增加对人工智能和机器学习的投资。
这并不意外。从创意构想到新药投入患者使用，整个过程漫长且成本高昂，多数研发项目常因各种原因失败。正因如此，人工智能在药物发现各环节的加速潜力才如此吸引企业。
无论是构建仿真代码、推荐新药物靶点或实验分子，机器学习与大型语言模型正悄然融入制药行业实践。
但上月会议中，无人讨论由计算机全权接管药物发现流程的"无人化未来"。原因有二。
文化至关重要
与会者普遍反映企业内部数据分散在孤立系统中，难以直接用于模型训练。事实上，讨论焦点集中于如何构建可用于训练下一代算法的数据源，例如建立跨行业基准数据集以公正评估新算法。
正是企业人员在生成可供软件使用的数据；正是科学家将合成用于训练模型的分子；下游研究人员还需制备AI提出的候选化合物。
这意味着企业对人员和工作文化的重视程度应与对算法的投入相当。
无人愿意耗费时间在未被说服有效的任务上，也无人愿在不明意义的情况下执行额外步骤。
更佳协作
出于对士气和动机的考量，会议大量探讨了如何建立并维护关键人员对AI模型与工作流程的信任。这些操作成功通常依赖可重复性、标准化及人工验证环节。
伦敦会场中的科研人员致力于创造创新分子，探索加速药物发现的最佳路径。显而易见，即便在保护知识产权的约束下，他们仍在寻求建立互信机制——只要这能让分子更具突破性、药物更有效。
团队间、企业间与人工智能的协作，将以我们尚难预见的方式推动领域发展。但当下，我们必须构想如何建立通向崭新世界的信任桥梁。
本社论由C&EN集体讨论完成，本期主要撰稿人为劳拉·豪斯。
本文观点不代表美国化学会立场。
【全文结束】
