人工智能（AI）驱动下，自动化实验室正加速新型材料与复杂化合物的设计，为化学研究带来突破，并展现出巨大的社会与经济潜力。在药物研发领域，AI也开辟了新途径，有望助力应对长新冠、心理健康问题等公共卫生挑战。然而，技术进步带来的生态环境与公共卫生潜在风险也不容忽视。

近期发表于 JDIS 的评论文章指出，AI化学正处于发展的关键路口，亟须建立数据驱动的风险治理框架。

一、风险：不可忽视的连锁效应

历史经验表明，技术创新及替代方案未必总能带来环境收益。例如：

l  某些用于替代破坏臭氧层的氯氟烃的商用制冷剂，在大气中可能发生臭氧分解反应,生成温室气体HFC-23,其百年全球变暖潜能值（GWP100）约为二氧化碳的14,800倍（McGillen 等，2023）。

l  “绿色”生物塑料可能破坏昆虫授粉等关键生态系统服务，进而对生物多样性、粮食安全和人类健康造成连锁影响（Xia 等，2022）。

这些案例提醒我们，化学创新可能带来难以预料的连锁后果。而在AI时代，相关风险的产生和扩散可能进一步加速。

二、应对：建立数据驱动的管理框架

为了应对这一风险，我们必须开辟一条通往可持续AI化学创新的道路，将环境与公共健康责任置于核心位置（图1）。

图 1. AI驱化学创新的环境可持续性示意。红色虚线表示缺乏适当引导时 AI化学合成可能带来的环境风险；优先绿色化学并以责任和透明引导AI，可显著降低该风险（红色实线）。绿色实线表示AI赋能风险评估的潜力；绿色虚线表示传统风险评估难以应对AI 时代化学合成的爆发式发展。

原则1. 优先发展 AI 驱动的绿色化学

应将环境与健康安全前置到化学品设计阶段，推动开发生物相容性材料、低毒替代物和可持续生产工艺，而非仅在合成后开展毒性筛查。

1.应利用 AI 辅助高通量毒性筛查（HTS），结合Tox21、ToxCast 等项目产生的实验数据，训练和验证毒性预测模型。

2.应整合二维细胞培养、三维组织模型、类器官及模式生物等不同层次的实验数据，纳入生物微环境和毒代动力学等因素，提高模型预测的可靠性。自动化实验平台与 AI 模型的结合，也有望提升毒性筛查的效率与规模。

3.应加强合成前的毒性预测与筛选。定量构效关系（QSAR）模型可根据化学结构预测特定毒理学性质，帮助识别潜在高风险化合物，并为实验优先级排序和数据缺口填补提供依据。

4.生成式 AI 也为绿色化学品设计提供了新途径。通过学习化学结构、性质和反应等数据，模型可生成满足预设性能要求的候选分子，并结合毒性预测与多目标优化，探索兼顾功能、安全和可持续性的化学品。

5.更重要的是，“绿色”化学品不应仅依据某一项有利性质来界定，而应综合考量其使用性能、人类与生态安全、环境持久性、转化产物及全生命周期影响。评价重点还应随用途和暴露情景而变化。

原则2. 以责任和透明引导AI

政府应建立数据驱动的风险评估网络：

·         数据整合：整合分子结构、理化性质、毒性、暴露、环境归趋及生态监测数据。

·         综合评估：AI 评估模块应结合分级生态筛查、风险排序、不确定性量化和适用性域评估，生成特定化学品的危害与暴露特征谱，为风险管理提供依据。

·         分级管理：低风险候选物可继续推进；中等风险候选物需接受针对性测试或重新设计；高风险候选物应暂停开发或重新配制，在完成必要的风险控制与评估前不得离开实验室或工厂。

·         持续检测：产品投入使用后，应持续监测其环境影响，建立问责与应急响应机制。同时，利用实验验证和环境监测数据持续优化 AI 模型与决策标准。

政策制定者还应完善法规与伦理指南，使监管体系适应 AI化学的发展；推广 FAIR 数据原则（Findable，Accessible，Interoperable，Reusable），通过分级开放兼顾信息共享与敏感信息保护；鼓励公众参与，提高风险治理的透明度与公信力。

三、通往健康未来的道路

当前 AI 化学创新的安全治理仍面临多重挑战，例如毒性数据不足、实验结果难以直接推断现实风险、混合物与累积效应评估欠缺，以及伦理保障不完善等。

为应对挑战，应推动严格的安全测试和适用范围评估，完善监管框架，加强国际合作，在充分发挥 AI技术公共健康价值的同时，尽可能降低其潜在危害。

创新与可持续发展并非不可兼得，关键在于能否负责任地运用 AI，确保化学造服于生命，而非引发新的灾难。

评论文章

AI in Chemistry: A Data-Driven Framework for Managing Domino Effects

Xiezhi Yu（俞协治）¹, Naichi Zhang（张乃驰）¹, Shouying Li（李寿莹）¹, Hang Gao（高航）², Xiaoyan Tang（唐晓燕）³, Huan Zhong（钟寰）¹, Xiliang Yan （闫希亮）⁴, Chengjun Li（李成俊）⁵

1 环境学院，南京大学

2 广东省绿色产品认证检测中心

3 生态环境部南京环境科学研究所

4 动物科学学院，华南农业大学

5 大湾区环境研究院，广州大学

https://doi.org/10.1515/jdis-2026-0060 

支持单位：