一个客户团队花一两个月设计出来的合成路线，现在 5 分钟就能跑出来，还能给出他们试过又放弃的方案——这是智化科技创始人夏宁对当下 AI 逆合成水平的判断。他给出的基准很具体：在内外部的测评里，AI 化学合成能力已大致相当于一位有 10 年工作经验的化学家，化学家能想到的路线它都能想到，而且平均能给出 5 到 6 种策略，人通常只能想到 1 到 2 种。
「10 年经验化学家」具体指什么
逆合成是药物与材料研发的核心规划问题：给定目标分子，倒推用哪些反应、按什么顺序把它造出来。夏宁的基准不是宣传话术——客户拿真实案例来测，把自己最难的分子丢给系统，跟资深化学家花几周设计的路线对比。这让人想起 2016 年晶泰科技为辉瑞做晶型预测盲测、结果与实验完全吻合的时刻。夏宁认为，合成路线设计已经走到了同样的阶段。
AI 怎么设计路线：把已知反应放大一万倍搜索
关键限制是：AI 不会发明新反应。合成路线的创新几乎都建立在已知反应上——难点在于某个有用的反应可能藏在海量文献的角落里。化学家没见过，就会设计出 10 步路线；AI 吸收的文献更多、检索更快，能找到那个被忽略的反应，把路线压缩到 3 到 4 步、成本更低。这一点已被验证。
架构上，系统是黑盒与白盒的混合体：大模型或黑箱模型的每个结论，都要在白盒模型里得到解释、验证与约束，才能被信任。这是消除幻觉的机制，也是夏宁眼中严肃科学领域 AI 商业化的隐形门槛——黑盒出错时你不知道问题出在哪，无从改进；监管严格的客户不会买一个无法质询的系统。
DMTA 循环：合成正是 AI 要攻的瓶颈
新药研发本质上是一轮轮 DMTA 循环：设计、合成、测试、分析。各环节速度悬殊：设计几乎免费，一天能出成千上万个分子；高通量测试也快；卡住的是合成——一位化学家一个月大约只能合成 3 到 5 个分子，一天做 2 到 3 个反应。整个研发周期能提速多少，取决于合成这一端，这也是客户最重视的部分。小分子研发的瓶颈，恰好落在 AI 最能介入的环节。
从工具到员工：Agent 形态的产品
GPT 时刻之后，变化主要在产品形态。夏宁说：「以前我们的技术以工具形式呈现给化学家；未来用户是智能体，界面变成 API。」垂直算法不变，交付模式变了：人只需要提出目标，智能体完成整个工作流，并且有记忆、会学习——教几次之后就像公司员工一样，给任务就去干。这个智能体还顺带解决了窄算法搞不定的泛化问题：实验室缺某个反应器、某个试剂买不到，这些上下文细节大模型能综合判断。
可解释性的方向有些反直觉：白盒的比重不是变小而是变大，因为大模型会解释自己的决策。只要流程里还有人，可解释性就是刚需。
替代一个月薪 2 万的化学家，token 账怎么算
AI 与以往软件最大的差别是每次调用都有成本。要替代一位年薪二三十万人民币的化学家，token 这笔账决定产品能不能被采纳。智化的做法是大量工程优化：简单问题走便宜或自部署的模型，最好最贵的资源留给核心问题，整体压缩 token 消耗；大客户多数在内部部署了自己的基座模型，成本压力尚可。
付费模式的判断是长期混合：SaaS 订阅解决软件已经做得很好的问题，按调用付费的 Agent 解决「SaaS 做不好、用人又太贵」的问题。数据哲学也分阶段：现阶段正数据（成功经验）最重要；未来要超越人的认知，负数据——那些「人觉得能行但其实不行」的反应——才成为关键。
为什么大模型公司啃不下这个垂直领域
大模型公司开始转向 AI for Science，但夏宁认为它们很难赢下垂直场景。内部测试显示，通用模型在专业问题上能快速做到 50 到 60 分，再往上极难——底层数据模态不同，合成规划更像多模态数据，而通用模型主要吃文本。何况大厂做垂直也得像创业公司一样搭小团队，却享受不到创业公司十年客户迭代攒下的优势。「他们能用大模型，我们也能用，壁垒在客户场景的理解。」
对药企、CRO 与投资人的启示
- 研发团队：现在就拿自己最难的案例去实测 AI 逆合成。差距不是假设——一个月的路线设计现在 5 分钟跑完，AI 还会给出你放弃或没想到的路线。
- CRO 与药企：杠杆在合成端而非设计端。DMTA 循环会从「make」这一环被压缩，化学采购会逐步转向 Agent 可调用的 API 和按次计费。
- 投资人：市场空间问题不是「工具」，而是「把完整工作流交付成结果」。供给端在向中国集中，需求端在海外——照这个趋势，「世界医药工厂」的模式并非不可能，印度也在快速追赶。
夏宁的判断很直接：「10 年之后，是不是还主要是人在做科研？大概率主要是 AI 在做。」AI 化学家成为同事的时间点，可能比行业想象的要近。延伸阅读：虚拟筛选评价标准如何被 BoltzMol-1 改写，以及 Claude 的自主蛋白质设计。
