撰文丨王聪
编辑丨王多鱼
排版丨水成文
科学文献正在呈现指数级增长，在各学科领域都带来了日益严峻的挑战。每年都有数十万种新的化学反应被报道，然而，将它们转化为可操作的实验却成了一个障碍。
近期，大语言模型（LLM）的应用展现出了一定的前景，但能够可靠地对各种新化合物进行多样转化的 AI 系统，仍难以实现。
2026 年 1 月 19 日，耶鲁大学的研究人员在国际顶尖学术期刊Nature上发表了题为：Collective intelligence for AI-assisted chemical synthesis 的研究论文。
该研究开发了一个名为MOSAIC的 AI 系统，它能够生成带有置信度指标、可重复且可直接执行的复杂化学合成实验方案。在实验验证中，这一 AI 系统取得了 71% 的整体成功率，实现了超过 35 种新化合物的合成。更令人惊讶的是，它甚至发现了训练数据中未曾出现过的新化学反应方法。
论文第一作者Haote Li（现为默沙东研究科学家）表示，现有的 AI 化学系统依赖于单一的大型模型来为用户提供帮助。而 MOSAIC 框架能让用户从成千上万种不同的化学反应领域中获取专业知识。这项研究证明了这种方法在类似任务上的表现优于商业化的大语言模型，同时在真正多样化的化学空间中实现了大量化合物的合成，包括药物、催化剂、先进材料、农用化学品，甚至化妆品。
化学家的困境：信息海洋中的摸索
随着科学文献的爆炸式增长，化学领域研究人员正面临前所未有的挑战。每年有数十万个新的化学反应被报道，但将这些知识转化为实验室中的可行方案，仍严重依赖专家的个人经验与耗时的手动检索，这种传统方法效率低下且难以规模化。
面对这种困境，耶鲁大学的研究团队团队提出了一个革命性解决方案——MOSAIC（Multiple Optimized Specialists for AI-assisted Chemical Prediction），这是一个新型计算框架，能让化学家利用数百万个反应方案的集体知识。
MOSAIC 框架
MOSAIC 如何工作：集体智能的威力
MOSAIC的核心思想是“集体智能”（Collective intelligence）。研究团队基于 Llama-3.1-8B-instruct 架构，在 Voronoi 聚类空间中训练了 2498 个专项化学“专家”。
就像在一家拥有众多专科医生的综合性医院，当患者到来时，系统会根据患者症状将其分诊到最合适的专家那里。同样，MOSAIC 将化学反应空间划分为多个专业区域，每个区域都有专门的 AI 专家处理。
这种设计的优势在于，系统能够持续扩展其覆盖范围与精度，避免了严格反应类型定义的局限，允许系统直接从数据中发现和利用转化模式间的相似性。
实验结果：超越传统 AI 的化学洞察力
在最关键的测试中，MOSAIC 展现出了卓越的性能。
在产率预测分析中，MOSAIC 的预测区间中值与真实产率中位数呈现了显著相关性（R²=0.811），表明它能有效捕捉不同反应类型的产率模式，而非简单记忆常见反应。
在试剂和溶剂预测方面，当聚合最多三位专家的预测结果时，试剂的完全匹配率大幅提升至 43.0%。更重要的是，在多位专家预测模式下，至少能部分预测出正确试剂或溶剂的成功率高达 94.8%。
研究团队还将 MOSAIC 与 ChatGPT-4o mini、Claude 3.5 系列等通用大语言模型进行了对比。结果发现，仅拥有 80 亿参数的 MOSAIC，其性能超越了参数规模大数个数量级的通用大语言模型。
人机协同：AI 是化学家的“指南针”而非“替代品”
研究表明，MOSAIC 与人类化学家的关系不是取代，而是增强。研究团队将 MOSAIC 比作现代化学合成的“指南针”，其价值在于能够快速审视广阔的化学空间，识别出那些原本需要大量文献调研和积累经验才能发现的有潜力的实验方向。
这种“科学家-AI”共生体正是未来化学研究的发展方向。MOSAIC 的优势在于将确定合适条件的繁琐过程缩短至几分钟内，让人类专家可以专注于更富创造性的工作。
未来展望：化学研究新范式
随着 MOSAIC 等 AI 系统的不断完善，化学研究范式正在发生深刻变革。可以预见，在不久的将来，AI 辅助的化学合成将成为常态，大大加速新药研发、功能材料设计等领域的进程。正如科学史上每一次技术革命一样，这不会是人类科学家角色的终结，而是化学研究新纪元的开始。
最终，AI 与人类化学家的协同合作，将推动化学科学向着更深、更广的领域拓展，为人类解决能源、医疗、环境等重大挑战提供全新可能。
论文链接：
https://www.nature.com/articles/s41586-026-10131-4
热门跟贴