AI 终于会“心算”了——这不是偷懒，而是科学家发现了一种新的推理范式。
从显式思维链到隐空间思考
过去几年，大模型在化学等科学任务中的推理主要依赖思维链（CoT），即逐条输出推理步骤后再给出答案。但这种方式在分子优化、反应预测等任务中常出现“说得通、做不对”的问题：分析逻辑看似严谨，生成的SMILES或结构却与推理不一致。
其根本原因在于：化学推理本质上是连续空间中的结构变换（如分子三维构象调整、官能团替换、结合亲和力优化），而自然语言token是离散符号，强行将连续过程翻译为文字，易产生“连续性-离散化差距”。
LatentChem：让AI像化学家一样“默想”
由 Haven 团队联合斯坦福大学丛乐教授、吴英成博士、吴方博士等研发的 LatentChem 系统，提出将推理主干从文本 CoT 转移至连续隐空间，再输出最终结果，模拟人类化学家的“默想”过程。
该框架包含四大核心模块：
ChemAdapter
将分子结构编码为 ChemTokens，作为软提示嵌入语言模型输入，提供结构化分子上下文。
Latent thinking
在隐空间中生成一系列 latent thought 向量，承载多步中间推理轨迹，替代逐 token 的文本 CoT。
ChemUpdater
通过 cross-attention 机制，使每步 latent thought 可递归更新 ChemTokens，实现对分子子结构的动态聚焦与回看，构成“化学记忆”。
Latent Projector
将更新后的隐状态映射回输入嵌入空间，支撑多步迭代闭环推理。
效率与精度双突破
在 ChemCoTBench 基准测试中，LatentChem 相比强 CoT 基线成功率提升 59.88%，平均推理速度达 10.84 倍加速；在阿尔茨海默病靶点 GSK3-β 的虚拟筛选中，成功率由 67% 提升至 82%。
更显著的是效率跃升：在反应预测任务中，推理效率最高提升 29.9 倍；整体实现 5.4–29.9 倍加速，打破“思考越深、速度越慢”的固有认知。
动态推理分配机制
研究发现，模型并非机械压制 CoT，而是形成一种“液压补偿”式动态分配：当隐空间步数充足时，推理内化完成、输出极简（如仅用 “.” 过渡后直出答案）；当预算受限（如 latent step < 6），则主动恢复显式 CoT 补足计算容量。
因果验证进一步证实：向 latent states 注入高斯噪声会导致性能随步数增加单调下降，证明这些状态确为关键推理载体，而非冗余变量。
迈向AI科学家的“直觉系统”
LatentChem 的意义远超单一化学模型——它首次实证：显式 CoT 仅为推理的外化形式，而非推理本身；真正的科学推理可高效发生于连续隐空间。
该技术已应用于分子设计、文献分析与实验规划等科研工作流，并有望拓展至材料设计、蛋白质折叠及气候模拟等领域。未来方向包括提升隐空间-显式输出切换精度、增强可解释性支持，构建“直觉推理+语言沟通”的双系统AI科学家架构。
相关论文《LatentChem：从文本思维链到隐空间思考的化学推理》已发布于 arXiv。
图丨叶新武（来源：受访者）
图丨相关论文（来源：arXiv）
图丨化学推理中连续性-离散化间隙的概念性图示（来源：arXiv）
图丨LatentChem 架构概述，该系统通过专用的隐式思考阶段将推理与生成过程解耦（来源：arXiv）
图丨因果必要性分析（来源：arXiv）
图丨预算压力测试（来源：arXiv）
表丨化学基准测试的主要结果（来源：arXiv）
图丨推理效率提升对比（来源：arXiv）