做环境研究的人都有体会，环境化学这些年越来越面对一个如下的基本困境。一种化合物进入环境之后究竟去了哪里、变成了什么、在什么时间尺度上表现出毒性，往往无法从它的母体结构直接读出来。而这又是环境化学研究最直白最本质的一个问题。全氟和多氟烷基物质就是一个反复出现的例子。碳氟键的强度让这类物质在热力学上显得顽固，但真正让归趋预测变得困难的，并不是某一个键的强弱，而是大量的环境机制条件的影响，例如，氧化还原条件、微生物群落组成、电子供体与受体的竞争、以及污染物在土壤有机质中缓慢扩散和锁定。实验室里一个菌株在纯培养条件下可以完成脱氟，到了实际含水层中却可能因为电子传递受限而几乎停滞。这类问题不是缺少数据，而是缺少把不同尺度上的机制串联起来的推理方式。人工智能的介入，正在让这种推理方式发生一种微妙而深刻的变化，环境化学也许正站在一个需要认真辨认的方向上。

过去几年，机器学习在环境化学中的进展是实在的。我们以文献中的化学氧化过程中转化产物的预测为例，一种算法TP-Transformer在两千多组降解反应上训练之后，对未出现在训练集中的五种污染物给出了八成以上的产物结构准确率，并且能够试图通过注意力分析去辨认底物中的反应性基团。这实际上已经远超我们普通环境化学研究者的专业认识极限了。自由基反应的预测也有类似的推进，Radical-Net模型在五千多条基元反应上达到了七成以上的顶级准确率，并在羟基加成和全氟污染物转化上给出了可解释的位点提示。这些工作说明，模式识别确实能够从高维数据中提取出人类专家需要花费大量时间才能察觉的规律。

但这里有一个容易被跳过的问题。预测得准，和知道为什么准，并不是同一件事。Aurora大气化学模型的分析就提供了一个值得环境化学认真思考的例子。这个模型能够重现臭氧对活性氮的一阶响应，却并不强制执行过程模型所编码的化学约束，甚至会生成我们以前认为相关的物种之间化学上不一致的组合。其内部表征主要围绕气象学组织，而不是围绕化学过程组织。换句话说，它在许多基准上表现良好，但它的良好表现未必来自对大气化学机制的理解！这就触及了去知识化这个说法在环境化学语境中的真实含义。去知识化并不是说知识本身消失了，而是说知识在系统中的位置发生了变化。传统的环境化学训练中，一个研究者需要掌握氧化还原电位与反应路径的关系、分配系数与老化行为的联系、酶催化脱卤与电子传递链的耦合方式。这些知识构成了判断的骨架。当模型可以直接从输入给出输出时，骨架仍然存在，但它被移到了后台，甚至可能被绕过。问题在于，环境化学的很多关键判断恰恰发生在模型训练分布之外。

针对这个我们再可以再举一个污染物在土壤中的稳定化，这是一个非常经典却也非常具有普适性的例子。PFOA 在生物炭改良土壤中会在数月到一年的时间尺度上从可解吸态向非可提取残留转变，吸附解吸滞后和慢扩散过程使得短期平衡模型难以外推到田间尺度。一个在已有数据上训练得很好的模型，也许能准确预测某一种条件下的短期去除率，但它是否知道这种去除在热力学上并不等于永久封存，是否知道老化过程会改变后续的生物可利用性，这就不是单纯的预测精度能够回答的问题了。

我们可以进一步思考，更深一层的困难在于，环境化学中的因果关系往往是条件性的，而且条件本身会随着时间改变。参考材料中关于生物多样性与稳定性关系的讨论提供了一个可以参考的思路。要知道稳定性不是一个单一的量，抵抗力和恢复力、持久性和时间变异性在面对不同扰动时指向完全不同的方向。多样性-稳定性的关系因此不是一条线，而是一组依赖于尺度、扰动类型和稳定性很多维度的条件命题。环境化学中的污染物归趋同样如此。一种有机污染物在好氧条件下的降解路径与厌氧条件下可能完全不同，中间产物的毒性和持久性也可能出现方向相反的排序。6PPD的臭氧化产物6PPD醌对银鲑的毒性显著高于母体，草甘膦的转化产物氨甲基膦酸在水体中的持久性可以达到母体的数百倍。这些例子说明，如果把归趋预测简化为母体浓度随时间下降的曲线，就会系统性地遗漏真正决定风险的那一部分。

由此引出一个关于推理层面的问题。我们指导环境化学的日常判断中大量使用一种可以称为溯因的推理方式。看到一种中间产物在没有明显氧化剂添加的条件下出现，研究者会去推测是不是微生物的共代谢在起作用，然后进一步追问是哪种酶系、电子供体来自哪里、群落中的哪些成员在合作。PFAS的生物降解研究已经表明，好氧细菌启动头基氧化、然后是，厌氧微生物完成还原脱氟、真菌的胞外过氧化物酶参与长链转化。这种复杂的机理层面互补的氧化还原分工可以显著提高脱氟效率，但群落互作也会随着pH、温度和电子供体变化而波动。很明显，这种推理不是从数据到标签的映射，而是从现象到机制、从机制到条件的往复。

所以说仔细思考，大型语言模型在化学基准上可以超过人类专家的平均分，但在需要深层机制知识进行规划、解释和溯因的任务上仍然表现出结构性的局限。这并不是说AI不能参与这种推理，而是说它参与的层次需要被清醒地界定。比如它可以提出假设，可以指出哪些变量值得关注，可以在高维空间中标记出人类注意力容易遗漏的相关性，但它输出的相关性如果不经过机制约束的过滤，就可能在环境化学最需要判断力的地方制造很多错觉，这也是未来将人机融合引入到环境科学研究中所要时刻注意的一些问题。

上面的讨论只是阶段性或者是从科研严谨性角度来考虑的。其实我个人的观点是，环境化学并不需要在拥抱AI和坚守机制之间做选择，这是一个很肯定的问题。更值得认真对待的方向，是把机制知识嵌入到学习系统的结构之中，而不是把它留在系统外面作为事后的很附会的解释。所以随着发展阶段的不断深入，这实质上是意味着一个更务实的目标不是追求一个无所不知的模型，而是构建一种知道自己在哪里不知道的系统。

在环境化学中，这种自知尤其重要。一种污染物在一种环境介质中的行为，不能自动外推到另一种介质；一个在温带土壤中有效的降解策略，到了缺氧深层土壤中可能完全失效，因为那里的半衰期可以跨越数十年。如果模型能够识别出自己正在跨越适用边界，并主动要求机制层面的检验，那么去知识化也许就不会走向知识的萎缩，而是走向知识形态的重组。

这里还可以再往前推一步。环境化学的更高层面推理，也许不在于处理更大的数据集，而在于处理尺度之间的断裂。我很希望做环境研究的，能够非常关注尺度这个概念。我们要知道分子层面的反应机制、介观尺度的传质与老化、景观尺度的水文连通性，以及区域尺度上的排放与暴露，这些层次之间的耦合不是简单的聚合关系。

我们可以看一个实验室例子。在微宇宙实验中观察到的脱氟速率，要经过含水层非均质性、电子受体竞争和稀释过程的过滤，才可能成为对修复时间有意义的估计。这种跨越尺度的推理，目前仍然是人类训练和机制直觉的强项，而AI的贡献更多发生在单一层次内部的模式提取上。即使一个模型在预报技巧上可能让人印象很深刻，它内部的组织方式也可能与真正的过程结构相去甚远。所以在未来人机融合的研究道路上，我们是实际是一定要追求AI模型的结构与真实过程的结构相似性，这个才是AI模型专业化发展最重要的路线。在人工智能快速演进的时代，这一点也许比任何时候都更值得环境研究者认真对待。

支持单位：