Microsoft 于 2026 年 9 月 21 日介绍 RetroChimera，一个由 Microsoft Research 与 GSK、Novartis 等合作伙伴开发的 AI 分子合成规划模型。相关研究已刊于 Nature，重点是让 AI 辅助研究人员从目标分子向后寻找可能的合成路线，而不是直接宣称可以制造某种药物。
这个问题通常称为 retrosynthesis。研究人员先提出一个希望取得的分子，再反向拆解它可能由哪些较简单的 building blocks 和反应步骤组成。RetroChimera 配合 search algorithm 产生候选路线，目标是把化学家的经验、公开数据和公司内部数据放在同一个可搜索的规划流程中。
Microsoft 指出，现有系统在较少见但具有策略价值的反应上容易失准，也可能提出化学上不准确的预测，令复杂分子的自动规划难以可靠使用。RetroChimera 不是只依赖单一模型，而是把具有不同 inductive bias 的多个模型组合，利用各自的优势比较候选路线。
研究也处理企业化学数据与公开训练数据不完全相同的问题。Microsoft 称，预训练的 RetroChimera 可以适应 GSK 的内部数据，暗示这类模型不一定要重新从头训练，便有机会在专有化学环境中调整。对研究机构而言，数据质量、版权、保密和实验条件仍是部署前需要处理的基础问题。
在 Microsoft 介绍的专家评估中，研究人员选取 10 个分子比较不同模型；RetroChimera 产生了 9 个获完整接受的反应序列，其他模型则为 2 至 5 个。当 9 名来自 Microsoft 和大型药企的博士级有机化学家，在模型建议与既有文献路线之间作选择时，他们约 64% 的时间偏好 RetroChimera 的方案。这些是研究设置下的结果，样本量和评估程序都需要一并阅读。
这些结果并不等于模型已经证明某种候选药物有效、可安全使用或可以直接进入临床。Microsoft 说，下一步是把测试带到真实的 discovery setting，了解模型在实际药物发现流程中如何与研究人员、设备和实验结果互动。真正的价值还要看建议路线能否在实验室重现，以及失败时能否快速修正。
RetroChimera 的意义在于 AI 科学工具的评估开始由单一预测准确度走向「能否和专家共同完成规划」。多模型集成可以扩大候选空间，search algorithm 可以把预测放回步骤顺序，专家则负责判断可行性、成本、风险和数据缺口。这种分工更接近研究工作的实际方式。
对 AI for Science 团队而言，这个案例也提醒大家不要把模型输出直接当成实验结论。较稳妥的工作流是保留候选路线和模型依据，让化学家审核，通过受控实验反馈，再把可靠结果加入下一轮数据。当 AI 加快提出可能性，实验验证和可追溯的研究记录就更重要。
