Umělá inteligence v chemii naráží na přehnaná očekávání, ukazuje analýza z roku 2026

Umělá inteligence se v posledních letech stala jedním z nejskloňovanějších pojmů v chemii a materiálových vědách, avšak s odstupem času je čím dál patrnější, že řada slibovaných revolucí se nekoná. Phillip Broadwith ve svém textu z 18. srpna 2026 upozorňuje, že přehnaná očekávání spojená s nasazením AI narážejí na realitu laboratorní praxe a průmyslového výzkumu, kde jednoduché aplikování algoritmů nestačí k řešení komplexních problémů.

Skutečné úspěchy AI v této oblasti přitom existují a nelze je zpochybňovat. Nejvýraznějším příkladem zůstávají modely pro predikci skládání proteinů, jejichž tvůrci obdrželi Nobelovu cenu za chemii v roce 2024. Tento úspěch ovšem podle Broadwitha vytvořil nerealistická očekávání, že podobně převratné výsledky lze dosáhnout téměř v jakékoli oblasti chemického výzkumu pouhým nasazením strojového učení.

Praxe je však složitější. Firmy jako CuspAI, start-up specializující se na predikci vlastností materiálů pomocí umělé inteligence, se snaží ukázat, že cílené a dobře navržené modely mohou přinášet reálnou hodnotu. Úspěch takových projektů však závisí na hluboké znalosti chemie a fyziky materiálů, nikoli pouze na výpočetní síle nebo objemu trénovacích dat.

Investice do AI v průmyslu přitom v posledních letech výrazně rostou, často však z důvodů, které s vědeckou opodstatněností mají jen málo společného. Mnoho firem investuje do AI technologií hlavně ze strachu, že zaostanou za konkurencí, nikoli proto, že by měly jasně definovanou strategii, jak umělou inteligenci efektivně využít. Tento tlak vede k rychlému zavádění nástrojů, jejichž reálný přínos se často ukáže jako sporný až s odstupem času.

Broadwith jako varovný příklad uvádí objevování léků, oblast, kde se od AI očekávalo zásadní zrychlení a zlevnění vývoje. Navzdory rozsáhlému nasazení algoritmů strojového učení se však úspěšnost klinických zkoušek nových léčiv významně nezlepšila. Slibované zkrácení vývojových cyklů a snížení počtu neúspěšných kandidátů se v praxi nedostavilo v míře, jakou provázela počáteční nadšení.

Tuto skepsi trefně vystihuje citát chemika a komentátora Dereka Lowea, který v souvislosti s automatizovaným výzkumem poznamenal: Roboti se jednoduše řadí do fronty, aby selhali. Tato ironická poznámka podle Broadwitha dobře ilustruje, že automatizace a algoritmy samy o sobě nemohou nahradit chybějící porozumění základním chemickým principům. Pokud je vstupní hypotéza nebo návrh experimentu chybný, rychlejší a automatizovanější testování jen urychlí cestu k neúspěchu, nikoli k objevu.

Klíčovým poselstvím textu je proto nutnost kombinace umělé inteligence s hlubokým lidským porozuměním chemii. Modely strojového učení mohou být mimořádně užitečné při zpracování velkých datových souborů, identifikaci vzorců nebo zrychlení screeningu možných kandidátů, ale nemohou nahradit expertízu chemiků, kteří rozumí mechanismům reakcí, strukturním omezením a fyzikálně-chemickým zákonitostem stojícím za konkrétními jevy.

Broadwith tak vyzývá k realističtějšímu a vyváženějšímu přístupu k umělé inteligenci v chemickém a materiálovém výzkumu. Namísto slepé víry v technologii jako univerzální řešení je podle něj třeba klást důraz na promyšlené propojení výpočetních nástrojů s odbornými znalostmi. Pouze taková kombinace může vést ke skutečnému pokroku, zatímco přehnaná očekávání a investice motivované strachem z konkurence spíše prohlubují propast mezi slibovanými a skutečnými výsledky.

Text tak přichází v době, kdy se debata o roli AI v přírodních vědách teprve vyhrocuje a kdy je stále obtížnější odlišit skutečně přínosné aplikace od marketingově nafouknutých projektů. Případ objevování léků ukazuje, že ani rozsáhlé investice a nadšení pro novou technologii samy o sobě nezaručují měřitelné zlepšení výsledků, pokud chybí hluboké porozumění podstatě řešeného problému.