10月22日，创业公司BitMiracle AI Lab放出一篇23页论文：由科研智能体ClawsGO Science"破解"一道困扰化学动力学领域近半个世纪的猜想。 这篇文章要先把结论说清楚：这份证明不会让你明天的药价下降、也不会让化工厂的排班改变；它的价值不在"新定理"，而在一种"机器可逐行检查的证明生产方式"——而这套新方式已经打进制药和化工的研发管线，只是还卡在湿实验环节。知乎
据项目方披露，这项工作是1个Claude Opus 5.5担任决策者，指挥136个GPT-6 Astra智能体协同执行数学推导、证明构建和代码编写，最终形成83个Lean形式化证明文件，整个过程历时11天。 但被营销话术带过去的关键事实是：全局吸引子猜想（GAC）并不是AI第一次被攻克——论文自己承认，它证明的是这个猜想里满足细致平衡的一类情形，第一步还借助了已有的定理；真正的新东西是从那一步到终点，整条证明链都过了机器检查。ChemDraft新智元
这道题本身：把"可逆反应终会平衡"写成数学
GAC问的就是中学化学课本里人人背过的那句话是否严格成立：密闭容器里的可逆反应，不管一开始怎么配料，只要总量相同，最后是否一定停在同一个平衡点？ 1972年，Horn和Jackson已经找到一个类似熵的量，反应进行时它只降不升，系统像一颗沿山坡往下滚的球；但山坡上藏着陷阱——某种物质的浓度可能一路贴向零，在那里坡几乎变平，看起来像谷底，其实是假终点。此后半个世纪，化学家啃的硬骨头就是怎么把这些假终点排除干净。答案其实早已出现：数学家Gheorghe Craciun在2015年就在arXiv公开了这一猜想的一般性证明，论文此后多次修订，到2026年9月24日的v3版还系统整理了"零分离超曲面"等关键工具。 对化学动力学研究者来说，这类猜想的证实意味着质量作用动力学模型收敛、稳定有数学保障——它回答"模型自洽不自洽"，不直接回答"工厂能多产多少、少花多少小时"。微博知乎
AI实际做的事：一支组队作战的证明流水线
论文写明了分工：决策智能体Claude Opus 5.5负责定方向——走哪条路、换掉哪一步，最后把整条证明交给机器检查。 转折出现在第6天：几十个执行智能体陆续报回同一个问题——教科书上的那条路，要先补的地基太多、工程量太大；决策方换路后，卡住的那一步第二天编译通过。新智元转载微博
按项目方说法，最终需要人来核对的部分不到60行，用来确认机器检查的那个命题说的确实是这道题。 这才是对科研更有冲击力的部分：过去一份证明要几位专家逐行审上几个月，现在论文可以附带一份机器检查、过程附带一份11天的完整命令记录；Lean把每一步推理变成机器可判定的代码，对就是对、错就是错。知乎新智元
谁做出来的：22岁创始人的产品发布会，不能忽略的口径
做出这件事的BitMiracle不是高校或大厂实验室：创始人吕浩然2004年出生，是吉林大学计算机专业的学生，大二休学，2024年底在北京创办了这家公司。 这项研究在产品ClawsGO Science内测期间完成，正式版随后上线；发布口径里还带着产品参数——云端工作站预装了533个科研软件与工具、91个内置数据库，覆盖61个一级学科。 这些均系项目方自述、未经第三方审计。轩辕科技评论知乎
创始人的坦白反而值得记录：所谓"无人值守"，主要指已确定任务的执行阶段，而不是把整个研究过程交出去。 对AI幻觉他也承认无法百分之百消除，只要幻觉比人低就可以了。所以这场发布真正的证据力不在宣传本身：那83个Lean文件是公开的，任何人都可以重新跑一遍机器检查。轩辕科技评论
离制药有多远：AI已经在找药，瓶颈在模型说完之后
GAC本身不做药，但"AI科研流水线"已经走在制药管线上，数字比口号诚实。MIT的Regina Barzilay和James Collins团队刚获2026年普利兹克AI科学研究卓越奖，这也是该奖首次授予合作研究团队。 他们的抗生素AI项目已累计虚拟筛选超过700亿个分子、对超过3.8万个分子开展抗菌实验，借此发现或设计了9种新型抗生素候选物。DeepTech深科技
算力与实验的落差同样摆在细节里：2025年8月的生成式设计研究里，AI合计提出超过3600万个候选分子，团队实际合成并测试的只有24个，其中7个显示选择性抗菌活性；WHO2025年报告则给出行业底数——全球处于临床开发阶段的抗菌药物约90个，其中只有15个被认为具有创新性。知乎
从"有活性的分子"到药箱里的药，毒性研究、药代评价、动物实验和临床试验一步都省不掉：即使一种化合物能在实验室中有效杀菌，也可能因为人体毒性、稳定性或体内分布问题无法成为真正的药。 这才是AI制药离普通人的真实距离：算力端一天一代模型，管线端仍以十年计。DeepTech深科技
离化工有多远：缺的不是定理，是机器人和数据
化工一侧，"论文"到"工厂"的尺度同样可量。耶鲁的MOSAIC系统把化学合成知识分成2498个专业领域、每个领域训练一个专家模型，在测试中对超过35种全新化合物的合成成功率达到71%——这是顶尖机构试验台的水平，它解决的仍然只是一个个单反应。 被寄予厚望的"无人实验室"里，机器人24小时做实验、AI决定下一步，但硬件部署、软件接口和系统集成成本，仍然是阻碍其在普通高校实验室大规模普及的重要门槛。 政策层面走得更快：2025年8月国务院印发"人工智能+“行动意见，危险化学品安全法自2026年5月1日起施行，化工园区安全风险智能化管控平台被写进安全生产规划。 但这些"AI+化工"管的是数据与安全，不是反应网络的稳定性定理；GAC之于化工，更像过程模拟软件底层的一张"健全性合格证”：有用，但用户看不见。工业工况依然靠实验标定，这篇论文不会改变本周任何一座化工厂的排班。DeepTech深科技返朴华谊信息
普通人该盯什么：从"可演示"到"可验证"
热榜之下情绪很满，评论区里流传最广的一句话，是AI要来斩杀理科生了。 但把这件事放回2026年的坐标里才看得准：谷歌旗下深度思维的AlphaProof Nexus框架已自主破解9个此前悬而未决的厄尔多斯数学问题，其中两个悬空超过56年，并额外解决了44个开放数学猜想；戴维·贝克团队的RFdiffusion3把蛋白质设计推进到原子层面，生成结构的速度约为前代10倍。ChemDraft光明网
官方媒体对这股浪潮的概括是：AI已经能够参与"可验证的发现"，而不只是"可演示的解题"。 另一股制衡同样真实：包括陶哲轩在内的25位菲尔兹奖得主9月联名开炮，矛头直指OpenAI与Anthropic，他们不满的不是AI变强，而是数学被做成基准测试和公关素材。光明网新智元
对关心化工、制药的普通读者，三个观察指标比"斩杀论"更可靠：看AI制药报道里"实际合成并测试"的分子数量和临床阶段，而不是模型生成了多少分子；盯无人实验室与自动化合成设备的成本曲线，它决定AI化学家何时从顶尖机构走进产线；以及论文和学位评价体系的变化——这正是比特奇迹创始人眼中AI4S未来3年最大的变量。 猜想过了机器检查，但它到你家药箱和化工厂围墙外空气的距离，不由那23页论文衡量，而由中间的试管、反应釜和临床试验一步步缩短。轩辕科技评论
