Microsoft 於 2026 年 9 月 21 日介紹 RetroChimera，一個由 Microsoft Research 與 GSK、Novartis 等合作夥伴開發的 AI 分子合成規劃模型。相關研究已刊於 Nature，重點是讓 AI 輔助研究人員由目標分子向後尋找可能的合成路線，而不是直接宣稱可以製造某種藥物。
這個問題通常稱為 retrosynthesis。研究人員先提出一個希望取得的分子，再反向拆解它可能由哪些較簡單的 building blocks 和反應步驟組成。RetroChimera 配合 search algorithm 產生候選路線，目標是把化學家的經驗、公開資料和公司內部資料放在同一個可搜尋的規劃流程中。
Microsoft 指出，現有系統在較少見但具有策略價值的反應上容易失準，也可能提出化學上不準確的預測，令複雜分子的自動規劃難以可靠使用。RetroChimera 不是只依賴單一模型，而是把具有不同 inductive bias 的多個模型組合，利用各自的優勢比較候選路線。
研究亦處理企業化學資料與公開訓練資料不完全相同的問題。Microsoft 稱，預訓練的 RetroChimera 可以適應 GSK 的內部資料，暗示這類模型不一定要重新從頭訓練，便有機會在專有化學環境中調整。對研究機構而言，資料品質、版權、保密和實驗條件仍是部署前需要處理的基礎問題。
在 Microsoft 介紹的專家評估中，研究人員選取 10 個分子比較不同模型；RetroChimera 產生了 9 個獲完整接受的反應序列，其他模型則為 2 至 5 個。當 9 名來自 Microsoft 和大型藥企的博士級有機化學家，在模型建議與既有文獻路線之間作選擇時，他們約 64% 的時間偏好 RetroChimera 的方案。這些是研究設定下的結果，樣本量和評估程序都需要一併閱讀。
這些結果並不等於模型已經證明某種候選藥物有效、可安全使用或可以直接進入臨床。Microsoft 說，下一步是把測試帶到真實的 discovery setting，了解模型在實際藥物發現流程中如何與研究人員、設備和實驗結果互動。真正的價值還要看建議路線能否在實驗室重現，以及失敗時能否快速修正。
RetroChimera 的意義在於 AI 科學工具的評估開始由單一預測準確度走向「能否和專家共同完成規劃」。多模型集成可以擴闊候選空間，search algorithm 可以把預測放回步驟順序，專家則負責判斷可行性、成本、風險和資料缺口。這種分工較接近研究工作實際如何進行。
對 AI for Science 團隊而言，這個案例也提醒大家不要把模型輸出直接當成實驗結論。較穩妥的工作流是保留候選路線和模型依據，讓化學家審核，透過受控實驗回饋，再把可靠結果加入下一輪資料。當 AI 加快提出可能性，實驗驗證和可追溯的研究紀錄就更重要。
