撰文｜戴晶晶

 ●                  ●                   ● 

人工智能（AI）自诞生以来，就承载着加速科学发展、破解世界性难题的种种期望。2024年诺贝尔奖更是将AI推到了科学舞台的中央。 

当AI以前所未有的速度渗透科学研究时，随之而来的新问题是，科学探索的方式将被改写到何种程度？

9月22日，2025浦江创新论坛之“未来化学论坛”在上海举办。该论坛由上海尚思自然科学研究院承办，以“AI—Charting the Future of Chemistry Research”为主题，集合海内外顶尖专家探讨AI如何颠覆传统化学研究范式、推动化学智能系统发展，以及促进跨学科融合等话题。

“很多人把AI看成是工具，”上海尚思自然科学研究院院长鲁白在论坛上指出，“但我认为AI从根本上改变了科学研究的范式。” 

中国科学院院士、中国科学院大连化学物理研究所教授杨学明认为，化学学科发展的根本目标在于建立更精确的理论和模型，以提升对科学问题的可预测性。同时，更快更好地解决重大科学与技术问题，如新材料研发和新药创制。 

“基于数据驱动的AI技术为我们实现这样的目标带来了变革性的手段和工具。”杨学明在论坛上表示，AI已经成为除了实验和理论之外，推动化学学科发展的“第三条腿”。

中国科学院院士杨学明在未来化学论坛

01

AI如何重构科研逻辑 

2005年，《科学》杂志曾于创刊125周年之际发布过125个推动基础科学研究的科学难题，其中包括“水的结构如何”。 

“水是非常反常的物质，比如4℃时的液态水的密度要大于水的固态——冰，这与其他物质有截然不同。”在论坛上，中国科学院院士、中国科学院大连化学物理研究所研究员张东辉以“基于机器学习的高精度普适水分子力场的构建”为题进行报告时指出。

中国科学院院士、中国科学院大连化学物理研究所研究员张东辉在未来化学论坛

水看似简单，由几个原子组成，但其微观结构非常复杂，即使是2个水分子也存在12维自由度，4个水分子则涉及30维空间，用传统方法几乎不可能把多维函数精确表达出来，也就无法分析水分子微观结构。 

从2013年开始，张东辉团队尝试用基本不变神经网络方法（FI-NN）构建体相水势能面。“我们用1万个CPU运算了400天，计算了400多万个水分子相互作用点，”张东辉说，“精度比过去提高了一个数量级，加入量子效应后，水密度变化的理论计算结果与实验非常吻合。” 

复旦大学教授刘智攀认为，在AI时代，可以通过计算和模拟方法解决化学、材料和物理问题，但目前还存在数据不足、算法不够通用以及软件工具不完善的瓶颈。

复旦大学教授刘智攀在未来化学论坛

刘智攀致力于构建一种通用全局势函数模型，他开发了大规模机器学习原子模拟（LASP）AI平台，用来预测结构和反应途径。 

通过输入分子式，LASP平台可在10-20秒内生成三维结构。“化学家们可以快速筛选势能面，取得较好的样本后，再去做实验，避免了因为势能面过高而注定会失败的合成。”刘智攀同时指出，未来甚至有望跳过势函数直接开展材料与反应设计。 

在化学领域，许多研究依赖“试错法”，通过反复实验寻找合适的反应条件或材料组合，不仅效率低，还消耗大量资源。

中国科学院院士、复旦大学教授麻生明就在论坛上描述了这一传统实验模式，并将其比喻为“摇瓶子”。借助AI工具，麻生明教授团队开始从大量实验中搜集数据，通过描述符预测实验结果，依靠仅仅476条数据集，其模型回归系数（R²）便达到了0.6。

中国科学院院士、复旦大学教授麻生明在未来化学论坛

02

从理论到产业

在AI for Science的浪潮下，科研不仅关注实验室的理论突破，也强调了技术攻坚与实际应用的深度结合，生物制药、化学化工和新材料都在AI的加持下呈现新的发展机遇。

在药物研发领域，上海交通大学张健教授聚焦First-in-class药物研发，在论坛上介绍了该团队阐述基于 Allosteric 技术挖掘难靶向位点、电子云生成优化分子等方法。该团队研发的P53等候选分子，已推进至临床阶段。

上海交通大学教授张健在未来化学论坛 

“通过利用AI药物研发的效率有所提升，另一方面药物研发的管线链条非常长，”中国科学院上海药物研究所研究员郑明月在论坛上指出，目前AI主要在部分环节表现较好，而从新靶点发现到临床应用的成功案例相对较少。

郑明月团队的研究聚焦于利用AI推动药物研发，纵向包括构建大数据平台、开发算法，并应用于重大疾病的新靶点和候选药物分子的发现与验证，横向上则针对药物研发各环节开发AI方法以提升效率。

中国科学院上海药物研究所研究员郑明月在未来化学论坛 

其中，郑明月提出了基于蛋白质序列信息预测药物-靶标作用的TransformerCPI模型，直接从蛋白质序列出发进行药物设计发现，无需经过基于结构的药物设计（SBDD）的复杂流程。

“此外我们与其他团队合作，根据发现的新机制、新靶点，利用基于序列的方法，快速找出活性化合物或者候选的药物。”郑明月说。 

在新材料方面，日本东北大学教授李昊介绍了其主导的“材料图灵计划”，旨在构建以AI赋能的材料数据库和自动化实验平台。他提出了“数字材料”概念，通过整合大规模实验与理论数据、AI算法以及闭环自动化实验，加速材料研发。

日本东北大学教授李昊在未来化学论坛

“最终目的是摆脱传统试错，加速材料科学突破。”李昊说。目前，该团队已经搭建覆盖催化、电池、储氢等9大材料的百万级别真实实验材料数据库+AI智能体平台“数字材料平台”。 

“当前大模型训练已吸收互联网上绝大多数知识，单纯训练已难以进一步提升智能体水平。”厦门大学教授洪文晶在论坛上提出，具身智能可以让AI从存量数据挖掘迈向新增数据之路，能应用于分子科学。

厦门大学教授洪文晶在未来化学论坛

洪文晶认为，当前人工智能领域的前沿是空间智能。在分子科学研究中，空间智能帮助科学家理解原子与分子之间的相互作用及其空间连接关系，这要求为大模型提供不同时间尺度和空间分辨率的数据。 

洪文晶同时聚焦超分子自由基电子学，展示了其团队在单分子器件高电导与低功耗领域的突破，为绿色化学与分子电子学融合提供新思路。 

“幻觉”问题在将AI应用于科研探索时同样存在，如何应对成为挑战。“幻觉问题难以解决，若单纯依靠数据驱动做实验可能有安全风险。”中国科学院化学研究所研究员江剑就指出纯数据驱动的短板。 

李昊也提到，在在回答稍复杂的科学问题时AI幻觉高达94%。通过收集高质量、创新数据并将其利用至AI大模型平台，能够尽可能将AI幻觉降到最低。 

郑明月提及，目前生成式AI可以与知识图谱协同使用。由于知识图谱基于事实性数据，可以帮助判断哪些生成结果可能存在“幻觉”。

为此，郑明月团队构建了一个包含8种实体、11种关系、超过400万条差异基因调控事件的知识图谱，以支持更准确的靶标推断和虚拟筛选。

9月22日，2025浦江创新论坛之“未来化学论坛”在上海举办。

江剑认为，基于物理知识嵌入的AI模型，才是AI for Chemistry的重要方向。

北京大学的高毅勤教授在作“agent AI与分子计算：从工具到助手”报告时也同样提及，应将物理规则和实验信息交给模型，使其在生成新结构或序列时能够遵循物理规律，从而显著提升预测准确性和实验可比性。