对化学研究者来说，学习 AI 的兴趣往往来自手头的工作。
想优化一个分子，却难以判断改动结构后性能会怎样变化；想进入一个新方向，却发现文献太多，基础知识也需要重新补起；还有绘图、整理数据和修改文章等工作，希望能做得更快一些。
这些需求让人看到 AI 的吸引力，也带来一些犹豫：它到底能帮到哪里，给出的结果能不能相信，没有编程基础又该怎样开始？
化学研究一直需要在许多可能性中作出选择。
同一个分子骨架可以连接不同的取代基，更换配体或连接方式，也可能带来性质变化。
这些选择再加上不同实验条件，很快就会超过逐一尝试的能力。
研究者通常依靠文献、经验和已有实验结果来安排下一步。
当候选数量增多、影响因素变得复杂时，希望能有工具帮助比较候选，提前提供一些线索，让有限的合成和测试机会用得更有效。
性质预测、分子筛选和结构设计等方向，回应的正是这种需求。
图 1-1：结构的少量变化，也可能带来性质与作用的变化。
论文、数据库和实验记录保存了大量知识，但它们分散在不同地方。为了回答一个研究问题，往往还要重新检索、阅读、摘录和比较。
对刚进入新方向的人来说，困难还包括不知道哪些概念最重要、哪些工作值得优先阅读。
与此同时，整理表格、提取信息、绘图和修改文字等操作反复出现，占用了不少时间。AI 可以在其中提供辅助，让研究者更方便地获取和组织信息，并尝试把部分重复操作交给工具完成。
一方面，我们希望它帮助探索分子和材料；
另一方面，我们还希望它改善获取知识、处理资料和组织工作的方式。