作为业内首个多学科、系统化的AI4S工程实战宝典，“AI4S实战派”栏目立足开放生态、持续演进，致力于“手把手”带你率先跑通科学大模型，将复杂、多学科的AI模型转化为能跑、能用、能创新的生产力工具，帮助科研人员和开发者零门槛上手，加速科学新发现。

化学反应不是单变量事件：底物、试剂、溶剂、温度、时间，5 个维度互相耦合，组合空间巨大到化学家也只能靠直觉。

AI想把这件事规模化，第一步不是预测，而是翻译。把一场化学反应，写成机器能读的句子。

5月7日晚，在《AI4S实战派》第六期暨物质科学专题第一课中，广州国家实验室助理研究员、广东省青年拔尖人才张崇焕以“让AI读懂化学：从表征到反应预测”为主题，沿着AI for化学的发展脉络，一路讲到一份真实反应数据的产率预测代码。既有学科视野，也有硬核动手过程。

今天，我们来一起温故知新（也欢迎在“上海科学智能研究院”视频号收看直播回放）：

https://aistudio.ai4s.com.cn/partner/research-plaza/research-plaza-web/sais-community/course/2059898335579942912

AI4S把化学家的直觉规模化

张崇焕在开篇先讲述了科学研究范式经历过的四次跃迁：早期靠观察和实验积累的经验科学，1950年前后兴起的计算机辅助科学，近20年逐渐主导的大数据驱动，再到最近5–10年正在发生的AI加速科学发现。

第四阶段的关键变化在于：AI不再是工具栏里的某一项，而是被深度嵌入了科研闭环；提出问题、获取知识、设计实验、沉淀成果，每一步都有AI的身影。

化学，恰好是检验这件事最严苛的场景之一。一个反应里底物、试剂、溶剂、温度、时间相互交织，因果关系复杂到手动试错根本跟不上节奏。在科研范式的第四阶段，AI不再是工具，而是科研流程的一部分。AI4S不是要取代化学家的直觉，而是要把直觉规模化。

先翻译再预测：分子和反应的四种表征方法

要让AI读懂化学，第一步是把分子和反应翻译成机器能处理的形式。张崇焕梳理了主流的四种表征：

字符串形式：化学式、IUPAC、CAS、SMILES、InChI。其中SMILES是当下最主流的应用，配合canonical SMILES 还能保证每个分子有唯一表达。

表格形式：以molfile为代表，可以记录三维坐标，能在计算化学软件里双向还原结构。

分子指纹：Morgan Fingerprint是经典代表，把分子压缩成0/1二进制向量，可以做相似度分析、推导合成条件、堆叠其他描述符。

图或网络形式：用顶点和边描述分子，是图神经网络的天然输入。

到了反应层面，主要是Reaction SMILES（用>区分底物和产物）和反应指纹（拼接或按位相加分子指纹）。后者按位相加这种看起来粗暴的操作，反而能让计算机运算更顺畅、保留更多信息。

数据来源上，USPTO、Patstat、Reaxys、SciFinder 是AI for化学的“训练粮仓”，然而全都存在脏数据。因此清洗是这个领域的硬功夫之一。

化学反应预测的三层难度：第三层还是无人区

如果说表征是“输入语法”，那预测就是“输出能力”。张崇焕把化学反应预测任务分成了三个层级，难度递增：

Deployment（部署级）：可以直接用现有数据库训练、立即落地的任务，比如逆合成、产物预测、反应分类。这一层模型已经成熟，工业界大量在用。

Development（发展级）：已有数据不够，需要通过高通量实验或常量化学积累更多数据，比如反应条件预测和优化。

Discovery（发现级）：反应机理发现、设计全新反应。现有数据库几乎给不出帮助，需要从文献获取少量先验，再大规模做实验补数据。

第三层，是AI for Chemistry当下的核心难题。

AI能替生化环材人干什么？

抽象的“三层难度”听起来还是有点远。具体到生化环材的实验台上，AI现在能接手两件最核心的“苦力活”。

其中一件，是从“找药”走向“做药”的逆合成预测（Retrosynthesis）。

已知一个目标产物，比如一种新设计的抗癌药，AI能像剥洋葱一样，反推它需要哪些基础底物、经过几步反应才能合成出来。听起来有点玄乎，但成绩单其实已经很硬：目前 AI 设计的逆合成路线，在图灵测试中已经能够达到与人类化学家相近的水平。很多时候，化学家看着AI给出的合成方案，已经分不清这是同行做的，还是模型生成的。

另一件，则是能够省下试剂成本、也省下“肝实验”时间的产率预测（Yield Prediction）。

这是一个与发论文直接挂钩的任务。给定一组底物和一系列候选条件，包括催化剂、溶剂、温度等，AI可以直接给出每种组合的预测产率。研究者不再需要盲目遍历几十种、甚至上百种实验条件，而是只需要优先验证AI跑分最高的Top 5方案，就能大幅提高实验效率、降低试错成本。

原文95%，直播跑出57%，中间差的是工程力

理论之后，张崇焕切到Notebook，在线跑通了一份完整的产率预测案例。

案例选的是2023年发表的Tampo氧化剂催化的伯醇氧化反应（Qiu, J. et. al. Chin. J. Chem. 2023, 41, 143-150）。这一任务属于典型的“单底物生成单产物”问题，配套提供了45组不同反应条件的实验数据，原文测试集的R²高达95%。

完整流程是：先用pandas读取底物、条件和反应信息三张表，再将SMILES转为canonical SMILES，并通过RDKit生成Morgan Fingerprint；随后，把底物与条件的指纹按位相加构成反应指纹，必要时再加入DFT描述符，最终拼接成反应级特征矩阵，并使用Random Forest Regressor建模。

最终跑出来的测试集R²是57%，与论文中的95%还有不小差距。

张崇焕没回避这件事，而是把它讲透：特征工程、数据量、模型选择，每一步都还有提升空间，这才是落地的真实姿态。 模型能跑通只是入口，把效果调到95%，中间差的那38个百分点，才是真正的工程能力。

而当模型可用之后，它的价值也会非常直接：面对一个新的底物，系统可以自动枚举多组候选反应条件，对产率进行预测和排序，再把最高产率对应的方案作为最佳实验条件推荐给化学家。AI改变的，是把过去“赌哪个条件可能成功”，变成了“按概率排序选择最优解”。

完整代码与Notebook已开源至魔搭社区和GitHub上，感兴趣的同学可自行下载复现。

🔗 魔搭：https://modelscope.cn/models/chonghuanzhang/tempo-yield-teaching-notebook

🔗 GitHub：https://github.com/TheLiaoGroup/tempo-yield-teaching-notebook

几条判断和建议

直播尾声，张崇焕一口气回答了十多个问题，其中有几条判断和建议尤其值得记下来。

关于负数据缺失，现有反应数据库几乎只记录“成功案例”，很少保留失败实验，这会导致模型天然带有偏向性。尤其在产率预测任务里，重要的突破口，反而是主动做实验、系统性收集失败数据。

关于逆合成成功率，AI设计的路线一次性合成成功率确实还不算高，但这类任务本身就不能只看“最终是否一步到位”。相比之下，单步反应的TOP-10准确率，其实更适合作为衡量指标。很多时候，不只是模型需要升级，评价标准本身也需要调整。

关于跨学科转型，生化环材背景的学生，最需要补上的能力，包括Python、机器学习底层原理，以及vibe coding。用大模型辅助写代码，已变成新一代科研工作的基本功。

关于特征选择，他也给出了一个非常实用的经验：数据量大的时候，尽量让模型自己学习特征；数据量小的时候，再结合feature importance和化学先验知识手动“剔噪”。规则其实不复杂，但很多人恰恰把顺序做反了。

🚀 下期预告：从化学反应进入原子尺度模拟

第一课打开了化学反应的入口，第二课要往更微观的尺度走。

华东师范大学化学与分子工程学院教授、紫江优秀青年学者朱通将带来物质科学专题的第二讲。

主题为“用机器学习势函数做原子尺度模拟”，内容将聚焦机器学习势函数的拟合逻辑与精度、旋转不变性与等变性如何嵌入模型，以及主动学习如何用最少标注换来最多信息。

朱通长期推动AI与量子化学理论融合，致力于在原子尺度、亚飞秒分辨率下实现复杂反应机理的高精度动力学模拟。这场直播也会进一步回答一个关键问题：AI究竟是如何把原本耗时数周的分子模拟，压缩到分钟级，同时尽可能不损失精度。