AI 正在從“會說話”，走向“懂科研”。

過去幾年，大模型主要解決的是語言問題；而未來幾年，真正決定科研AI價值的，將是它是否能夠理解科學(xué)語言、實(shí)驗邏輯和專業(yè)知識體系。

而這，也正是鷹谷過去十余年持續(xù)投入的方向。

一、Anthropic正在讓AI“讀懂化學(xué)”

長期以來，大語言模型優(yōu)勢在于自然語言處理。

它們能夠?qū)懳恼?、總結(jié)資料、生成代碼，卻很難真正理解化學(xué)結(jié)構(gòu)、實(shí)驗數(shù)據(jù)以及復(fù)雜的科研知識。原因很簡單：化學(xué)并不是普通語言。

一個分子結(jié)構(gòu)、一張譜圖、一條反應(yīng)路線，本質(zhì)上都是高度專業(yè)化的信息表達(dá)體系。如果AI無法理解這些信息，就無法真正參與科研工作。在《Making Claude a Chemist》中，Anthropic展示了多個重要方向：

• 化學(xué)結(jié)構(gòu)理解

• NMR譜圖解析

• 科學(xué)文獻(xiàn)閱讀與推理

這些能力意味著：AI正在從“生成內(nèi)容工具”升級為“科研認(rèn)知工具”。未來科研AI的競爭，可能不再是誰擁有更多參數(shù)，而是誰真正理解：化學(xué)語言、實(shí)驗邏輯、科學(xué)知識、科研數(shù)據(jù)，而這些能力，恰恰是科研場景長期存在的核心痛點(diǎn)。

二、這些能力，鷹谷早已做進(jìn)真實(shí)科研工具

事實(shí)上，如果仔細(xì)觀察 Anthropic 所展示的方向，會發(fā)現(xiàn)其中許多能力與鷹谷長期布局的方向高度重合。區(qū)別在于：Anthropic 正在探索讓大模型具備這些能力；而鷹谷已經(jīng)把這些能力做成科研人員每天都能使用的工具。

InDraw：讓AI真正理解化學(xué)結(jié)構(gòu)

在科研工作中，化學(xué)結(jié)構(gòu)是最基礎(chǔ)也是最核心的信息載體。然而長期以來，大模型對結(jié)構(gòu)式的理解能力非常有限。為了解決這一問題，鷹谷持續(xù)深耕化學(xué)智能技術(shù)，并將相關(guān)能力全面融入 InDraw AI 化學(xué)設(shè)計平臺。

• AI化學(xué)結(jié)構(gòu)識別：高精度（99.75%準(zhǔn)確度，基于IUPAC、uob 、 uspto、 jpo 、clef測試集）結(jié)構(gòu)式圖像識別、批量結(jié)構(gòu)圖識別、移動端拍照識別結(jié)構(gòu)式、PPT、論文圖片直接識別，科研人員只需拍照，即可快速獲得可編輯結(jié)構(gòu)。

• AI實(shí)驗路線設(shè)計：相比識別結(jié)構(gòu)，更重要的是理解結(jié)構(gòu)。InDraw 已將 AI 智能體能力深度融入結(jié)構(gòu)式編輯器。不同于通用大模型依靠語言概率生成答案，InDraw 會結(jié)合真實(shí)反應(yīng)數(shù)據(jù)庫與專業(yè)算法進(jìn)行搜索驗證：推薦關(guān)鍵反應(yīng)步驟、提供反應(yīng)物與催化劑建議、給出溫度、時間、加料順序等實(shí)驗條件，實(shí)現(xiàn)從“設(shè)計分子”到“設(shè)計實(shí)驗”的跨越。

  圖注：該功能將于InDraw 8.1正式上線

• 化學(xué)知識計算與預(yù)測：InDraw 同時集成大量專業(yè)化學(xué)工具：中文IUPAC命名、英文IUPAC命名、pKa預(yù)測、ADMET成藥性預(yù)測、3D結(jié)構(gòu)模擬、HELM大分子編輯、期刊繪圖能力、兼容 ChemDraw、Office 與 WPS等，對于科研人員而言，這些能力已經(jīng)不僅僅是畫圖工具，而是逐步演化為化學(xué)研發(fā)工作臺。

InPaper：讓AI真正理解科研文獻(xiàn)

如果說 InDraw 解決的是化學(xué)結(jié)構(gòu)理解問題，那么 InPaper 解決的則是科研知識理解問題。

科研的知識來源依然是文獻(xiàn)。然而大量文獻(xiàn)知識長期處于非結(jié)構(gòu)化狀態(tài)：數(shù)據(jù)隱藏在正文中、結(jié)構(gòu)式存在于圖片里、反應(yīng)條件散落于實(shí)驗部分、生物活性數(shù)據(jù)難以統(tǒng)一整理，即使有大模型，也很難直接利用這些知識。因此，鷹谷推出了 InPaper 文獻(xiàn)結(jié)構(gòu)化平臺。

• 自動提取科研知識：InPaper 能夠自動識別并提?。夯瘜W(xué)結(jié)構(gòu)式、化學(xué)反應(yīng)式、生物活性數(shù)據(jù)等數(shù)據(jù)，將原本難以利用的文獻(xiàn)信息轉(zhuǎn)化為結(jié)構(gòu)化科研資產(chǎn)。

• 建立企業(yè)專屬知識庫：通過持續(xù)積累文獻(xiàn)數(shù)據(jù)，可以快速建立：可全文搜索、結(jié)構(gòu)式和反應(yīng)式搜索的文獻(xiàn)數(shù)據(jù)庫、文獻(xiàn)構(gòu)效關(guān)系數(shù)據(jù)庫，讓企業(yè)過去沉睡在文獻(xiàn)中的知識真正變得可搜索、可分析、可復(fù)用。

對于未來AI科學(xué)家而言，這些知識庫正是其持續(xù)學(xué)習(xí)與推理的重要基礎(chǔ)。

三、未來科研AI競爭的核心，不只是模型

過去幾年，行業(yè)討論最多的是模型參數(shù)規(guī)模。但越來越多實(shí)踐證明：參數(shù)并不直接等于科研能力。真正決定科研AI價值的，往往是以下幾個因素：

• 是否理解專業(yè)領(lǐng)域語言

  化學(xué)結(jié)構(gòu)、譜圖、反應(yīng)式，本質(zhì)上都是專業(yè)語言。AI必須先理解這些語言，才能參與科研。

• 是否擁有真實(shí)科研場景

  科研不同于通用辦公，實(shí)驗失敗、反應(yīng)異常、數(shù)據(jù)缺失、條件優(yōu)化等問題，都需要長期場景積累。

• 是否擁有高質(zhì)量科研數(shù)據(jù)

  未來科研競爭，本質(zhì)上也是數(shù)據(jù)競爭。誰擁有更多真實(shí)、完整、結(jié)構(gòu)化的實(shí)驗數(shù)據(jù)，誰就擁有訓(xùn)練下一代科研AI的基礎(chǔ)。

• 是否擁有高質(zhì)量的陰性數(shù)據(jù)

  成功數(shù)據(jù)告訴AI什么可行，而陰性數(shù)據(jù)則告訴AI什么不可行。在藥物研發(fā)、化學(xué)合成和新材料研發(fā)中，大量失敗實(shí)驗往往比成功結(jié)果更具訓(xùn)練價值。

• 是否能夠形成知識體系

  單個模型能力終究有限。真正重要的是：數(shù)據(jù)、知識、工具和智能體之間能否形成閉環(huán)。從實(shí)驗數(shù)據(jù)，到文獻(xiàn)知識，再到智能體推理與執(zhí)行，最終構(gòu)建完整的科研智能基礎(chǔ)設(shè)施。

  
  

四、Anthropic 下場科研，垂直領(lǐng)域科研軟件的機(jī)會在哪里

每當(dāng)大模型能力升級，總會有人提出同一個問題：
很多軟件公司都被大模型替代了，Anthropic等開始進(jìn)入科研領(lǐng)域后，鷹谷這樣的專業(yè)垂直領(lǐng)域的科研軟件公司還有機(jī)會嗎？

答案或許恰恰相反：AI進(jìn)入科研領(lǐng)域，反而驗證了科研智能化正在成為未來的重要方向。大模型升級導(dǎo)致創(chuàng)業(yè)公司被替代，在軟件研發(fā)板塊確實(shí)頻繁上演，但在化學(xué)科研領(lǐng)域，這套邏輯并不適用，反而會相互協(xié)同，促進(jìn)超級AI科學(xué)家更快速實(shí)現(xiàn)。

1. 語言模型不等于化學(xué)、物理和生物模型

目前大模型理解化學(xué)的主要橋梁是 SMILES 線性字符串，但這種表達(dá)方式將三維分子構(gòu)象、電子效應(yīng)、空間位阻等信息全部壓縮為一串字符，信息丟失是結(jié)構(gòu)性的。面對反應(yīng)選擇性預(yù)測、催化劑設(shè)計等需要深度化學(xué)理解的任務(wù)，通用大模型容易犯“看起來合理、實(shí)際錯誤”的低級錯誤。大模型要理解化學(xué)、物理和生物，還要在底層算法和數(shù)據(jù)上持續(xù)深度研究，才會有更大的突破。

2. 公開數(shù)據(jù)遠(yuǎn)遠(yuǎn)不夠

互聯(lián)網(wǎng)擁有海量文本數(shù)據(jù)，但化學(xué)、生物醫(yī)藥領(lǐng)域真正高質(zhì)量的科研數(shù)據(jù)其實(shí)十分有限。尤其是實(shí)驗數(shù)據(jù)。大量有價值的數(shù)據(jù)，并不在公開論文和數(shù)據(jù)庫中，而是沉淀在企業(yè)實(shí)驗室、高校課題組和科研機(jī)構(gòu)的日常研發(fā)過程中。更重要的是，公開發(fā)表的往往是成功結(jié)果，而大量失敗實(shí)驗、條件優(yōu)化記錄和陰性數(shù)據(jù)通常不會被公開。

但對于AI而言：知道什么有效很重要，知道什么無效往往更重要。未來科研AI的競爭，不僅是誰擁有更多成功數(shù)據(jù)，更是誰保存了更多真實(shí)的失敗數(shù)據(jù)。

而這正是鷹谷電子實(shí)驗記錄本InELN 的價值所在。實(shí)驗過程中的原始數(shù)據(jù)、優(yōu)化過程以及陰性數(shù)據(jù)都能夠被完整記錄和持續(xù)積累，形成企業(yè)最寶貴的科研數(shù)據(jù)資產(chǎn)，也成為未來AI科學(xué)家的重要基礎(chǔ)。

3. 未來屬于“大模型 + 專業(yè)系統(tǒng)”

Anthropic 展示的是科研AI發(fā)展的重要方向。但從“理解化學(xué)”到“做好科研”，仍然需要專業(yè)系統(tǒng)的支撐。大模型擅長理解與推理，專業(yè)系統(tǒng)負(fù)責(zé)沉淀數(shù)據(jù)、構(gòu)建知識和連接真實(shí)科研場景。兩者不是替代關(guān)系，而是協(xié)同關(guān)系。

對于鷹谷而言，Anthropic 等模型的發(fā)展并不是威脅，而是機(jī)遇。InELN、InDraw、InPaper 等長期積累的數(shù)據(jù)、知識和場景能力，恰恰能夠與不斷進(jìn)步的大模型結(jié)合，共同推動下一代AI科學(xué)家的誕生。

AI入場，恰恰驗證了這條道路

當(dāng) Anthropic 開始研究如何讓 Claude 成為一名“化學(xué)家”時，這不僅意味著 AI for Science 正在進(jìn)入新的階段，也說明整個行業(yè)正在朝著同一個方向發(fā)展：讓AI真正理解科學(xué)，讓超級AI科學(xué)家更快到來。

而對于鷹谷來說，這條路并非剛剛開始。從 InELN 沉淀真實(shí)實(shí)驗數(shù)據(jù)，到 InDraw 理解化學(xué)結(jié)構(gòu)與反應(yīng)，再到 InPaper 構(gòu)建科研知識體系，鷹谷長期布局的核心始終沒有改變：

讓科研數(shù)據(jù)變成知識，讓知識驅(qū)動AI，讓AI服務(wù)科學(xué)發(fā)現(xiàn)，打造超級AI科學(xué)家。