GPT-4 thể hiện sự hiểu biết mạnh mẽ về cả hóa học vật lý và hữu cơ, mặc dù khả năng của nó trong mỗi khu vực có những điểm mạnh và hạn chế riêng biệt.
Hóa học vật lý
Trong hóa học vật lý, GPT-4 sở hữu kiến thức ở cấp sách giáo khoa đại học. Nó rất thành thạo trong các khái niệm cơ bản như định luật khí lý tưởng và phương trình Lorentz-Lorentz, xác định chỉ số khúc xạ của một chất [1] [5] [7]. Mức độ hiểu biết này cho thấy GPT-4 có thể áp dụng các nguyên tắc cơ bản của hóa học vật lý một cách hiệu quả, làm cho nó hữu ích cho các nhiệm vụ đòi hỏi phải nắm bắt nền tảng của các khái niệm này. Tuy nhiên, kiến thức của nó có thể không mở rộng sang các chủ đề chuyên môn hoặc nâng cao hơn thường được đề cập trong các bài báo học thuật, vì nó bị giới hạn bởi dữ liệu mà nó được đào tạo, không bao gồm nghiên cứu gần đây do hạn chế bản quyền [1] [5].
Hóa học hữu cơ
GPT-4 cũng thể hiện sự nắm bắt mạnh mẽ về hóa học hữu cơ, đặc biệt là ở cấp sách giáo khoa. Nó có thể mô tả chính xác các con đường tổng hợp cho các hợp chất phổ biến như acetaminophen, liên quan đến các quá trình như nitrat hóa, giảm và amidation [1] [5]. Khả năng của GPT-4 để hiểu và giải thích các phản ứng hữu cơ cơ bản này là rất ấn tượng, nhưng nó đấu tranh với việc cung cấp các quy trình thử nghiệm chi tiết hoặc xử lý nội dung chuyên dụng đòi hỏi các phương pháp tổng hợp nâng cao hoặc độc đáo [1] [3]. Ngoài ra, trong khi GPT-4 có thể dự đoán các thuộc tính của các hợp chất mà nó chưa được đào tạo cụ thể, hiệu suất của nó trong việc diễn giải các cấu trúc hóa học phức tạp hoặc chuyển đổi chúng thành ký hiệu tiêu chuẩn chỉ là một phần [3].
So sánh
Nhìn chung, kiến thức của GPT-4 trong cả hóa học vật lý và hữu cơ là vững chắc ở cấp độ nền tảng, làm cho nó trở thành một công cụ có giá trị cho mục đích giáo dục hoặc giải quyết vấn đề chung. Tuy nhiên, nó thiếu độ sâu và tính đặc hiệu cần thiết cho nghiên cứu nâng cao hoặc các ứng dụng chuyên ngành, đặc biệt khi so sánh với chuyên môn của con người hoặc các công cụ tính toán chuyên dụng. Những hạn chế của nó trong việc truy cập các tài liệu học thuật gần đây do các vấn đề bản quyền hạn chế hơn nữa khả năng được cập nhật với những phát triển mới nhất trong cả hai lĩnh vực [1] [3] [5]. Mặc dù có những hạn chế này, khả năng thực hiện ít ảnh và dự đoán tính chất của các hợp chất chưa biết là một lợi thế đáng kể, thể hiện tiềm năng đổi mới của nó trong nghiên cứu hóa học [1] [3].
Trích dẫn:
[1] https://ai-scholar.tech/en/articles/large-language-models/prompt-chemical-research
[2] https://pubs.rsc.org/en/content/articlehtml/2024/dd/d4dd00248b
[3] https://phys.org/news/2023-10-gpt-artificial-intelligence-chemistry.html
[4] https://pmc.ncbi.nlm.nih.gov/articles/pmc10918540/
[5] https://chemrxiv.org/engage/api-gateway/chemrxiv/assets/orp/resource/item/647d305dbe16ad5c577b6627/original/prompt-engineering-of-gpt-4-for-chemical-research-what-can-cannot-be-done.pdf
[6] https://pubs.acs.org/doi/10.1021/acs.jchemed.4c00235
[7] https://www.tandfonline.com/doi/full/10.1080/27660400.2023.2260300
[8] https://www.researchgate.net/publication/371163433_What_indeed_can_GPT_models_do_in_chemistry_A_comprehensive_benchmark_on_eight_tasks