Современное применение искусственного интеллекта в химии выходит далеко за рамки возможностей общих языковых моделей, таких как ChatGPT, и охватывает спектр специализированных задач, требующих глубокой интеграции химических знаний и вычислительных методов. Основная дилемма, заключается в необходимости трезвой оценки реальных возможностей ИИ, которые, несмотря на значительный прогресс, все еще сталкиваются с фундаментальными ограничениями, связанными с качеством и объемом данных, а также с физической интерпретируемостью получаемых решений. Одним из наиболее развитых направлений является предиктивное моделирование свойств веществ, реализуемое в парадигме QSPR. Ключевая проблема здесь — это не только нехватка экспериментальных данных и наличие в них погрешностей, но и корректное определение области применимости моделей. Современное состояние дел в этой области характеризуется доминированием графовых сверточных сетей и трансформеров, а также активным внедрением техник трансферного обучения и физически информированных нейронных сетей, позволяющих внедрять в архитектуру модели фундаментальные законы. Вторая ключевая задача — оптимизация, будь то технологические процессы или геометрия молекул, где главным вызовом выступает многомерность пространства поиска и высокая стоимость каждой проверки гипотезы. Для решения этой задачи все чаще применяются байесовские методы оптимизации, такие как TPE, и метаэвристические алгоритмы. Показательным примером служит работа по автоматизированному созданию новых функционалов теории функционала плотности, где оптимизационный алгоритм успешно находит параметры для воспроизведения эталонных электронных свойств. Эволюционным развитием QSPR и оптимизации является генеративный дизайн, нацеленный на создание принципиально новых химических объектов — молекул и материалов — с заранее заданными свойствами. Эта область сталкивается с необходимостью решения тройственной проблемы: обеспечение валидности генерируемых структур, оценка их синтетической доступности и поддержание необходимого разнообразия. Современные подходы базируются на генеративных трансформерах и гибридных схемах, объединяющих предсказательные модели с оптимизационными стратегиями, при этом особое внимание уделяется работе со сложными случаями, включая нестехиометрию и допирование. Не менее важной областью является прогнозирование условий синтеза, включая ретросинтетический анализ. Здесь критическим фактором становится качество обучающих выборок, страдающих от систематических ошибок и недостоверности данных, что требует разработки методов верификации. Использование графовых нейронных сетей и/или трансформеров вместе с методом Монте-Карло позволяет решать задачу многостадийного ретросинтеза, а интеграция больших языковых моделей открывает новые перспективы для автоматизации планирования синтетических маршрутов. Наконец, все перечисленные подходы немыслимы без развитой инфраструктуры работы с данными. Это включает в себя как извлечение информации из неструктурированных источников — научной литературы и приборных файлов, так и борьбу с артефактами, такими как галлюцинации нейросетей. Применение технологий компьютерного зрения и трансформеров позволяет радикально ускорить сбор данных, сокращая время обработки одной публикации до нескольких минут. Таким образом, искусственный интеллект в химии трансформируется в полноценный инструментарий, где успех определяется не столько сложностью модели, сколько продуманностью методологии сбора данных, учетом физических ограничений и корректной постановкой задачи оптимизации.