AI 终于会心算了，这不是它在偷懒，而是科学家发现了一种新的推理范式。

在过去几年里，大模型的推理几乎都依赖思维链（CoT，Chain-of-Thought）：模型需要把推理一步步写出来，再给出最终答案。这种方式在很多任务中非常有效，但在科学问题中，它也许并不是最自然的计算路径。

在最近的一项研究中，科学家提出了一种新的范式：让模型在连续隐空间中完成推理，再输出文字回答。

简单来理解这项研究：传统的 AI 做化学题需要输出所有思考过程，这就像必须每个步骤都大声念出来再向下一步推进，不仅费时费力还不一定准确；现在 LatentChem 让 AI 可以像化学家那样先“默想”，在内部完成复杂计算后再直接给答案。

在化学任务中，这种方式尤为重要。做过分子优化、分子编辑等任务的研究人员，应该都遇到过这样的场景：模型能写出一长段看似专业的推理过程，谈电子效应、位阻、官能团和反应位点，但最终生成的 SMILES 或分子结构却和前文分析不一致，甚至连修改位置都错了。

这类问题背后，其实指向了一个更根本的矛盾：化学推理未必天然适合被“翻译”成离散的自然语言 token。

来自 Haven 团队的叶新武、尹臻菲、廖雨萱、唐相儒联合斯坦福大学丛乐教授、吴英成博士、吴方博士等研究团队设计了 LatentChem 系统，针对这一问题进行了全新探索。

图丨叶新武（受访者）

它并不否定推理，也不是简单地压制模型输出思维链，而是换了一种实现路径：将推理的主要载体从显式文本 CoT 转移到连续隐空间中。也就是说，模型会先在隐空间中完成多步计算，再生成最终回答。

这类似于化学家的“默想”过程，例如，化学家在脑海中思考三维分子结构时，并不会把每一步推理都用语言表达出来，而是在形成完整判断后再将结果呈现出来。

更有意思的是，在结果导向的强化学习训练中，模型会主动减少甚至停止输出显式 CoT，只保留极短的过渡符号后直接给出答案。但这并不意味着模型不再思考，恰恰相反，推理并未消失，而是被内化到了隐空间中。

“我们只是训练让它正确地回答，并不是在训练目标中让它做这件事，结果模型会自发地选择在隐空间中进行主要思考。需要大量推理的任务对 token 需求量非常高，而将 token 放到隐空间中的设计，会大大提高效率。”叶新武对 DeepTech 表示。

结果显示，在分子优化任务中，LatentChem 的成功率比“写出”CoT 的 AI 高 59.88%。此外，由于省去了输出时间，其平均推理速度提升了 10.84 倍，甚至在分子优化和反应预测任务中快了近 30 倍。

这意味着，假如从前药物研发、材料设计等需要一年的工作，现在能够 1 个多月就能完成虚拟筛选。

近日，相关论文以《LatentChem：从文本思维链到隐空间思考的化学推理》（LatentChem: From Textual CoT to Latent Thinking in Chemical Reasoning）为题发表在预印本网站arXiv[1]。

图丨相关论文（arXiv）

当化学家“默想”时，AI还在“念推理链”

实际上，化学推理与自然语言存在本质区别：化学推理本质上更像是在连续、结构化的分子空间与性质空间中进行移动、聚焦和更新；而自然语言 token 是离散的、符号化的。

研究团队提出了一个尖锐的问题：用语言进行化学变化的模拟，会不会从一开始就选错了工具？他们注意到，尽管在以往的研究中已有在大模型通过隐空间思考（Latent thinking）的相关探索，但是效果甚微。他们推测，原因可能是用在了一些错误的任务上。

叶新武解释道：“例如，在分子结构空间中寻找更优候选，修改某个官能团，调整分子性质以及优化结合亲和力，这些操作本质上更接近连续空间中的结构变换。”

当用户要求模型将这些连续推理过程逐步写成文字时，就会出现这项研究中所提到的“连续性-离散化差距（Continuity-Discretization Gap）”：如果一个本来更适合在连续表征中完成的推理过程，被强行离散化成语言，不仅效率低，还可能经常出现“说得通、做不对”的现象。

也就是说，模型往往“心口不一”，尽管输出的推理过程看似合理，但最终生成的分子结构却与推理不一致。“从这个角度看，文本 CoT 更像是推理的描述，而不一定是推理真正发生的地方。”叶新武告诉 DeepTech。

图丨化学推理中连续性-离散化间隙的概念性图示（arXiv）

给AI装上一个会“转弯”的化学大脑

LatentChem 的核心思路是，允许模型在输出文本形式的回复之前，先在隐空间中进行隐式的思考。

整个框架主要包含四个关键模块：ChemAdapter、Latent thinking、ChemUpdater以及 Latent Projector。

·ChemAdapter：把分子信息变成可供语言模型使用的软提示。

模型先通过分子编码器提取结构表示，再压缩成固定数量的 ChemTokens。这些 ChemTokens 会作为软提示拼接到文本指令前，为后续推理提供分子上下文。

·Latent thinking：用连续 latent states 承载多步推理。

不同于逐 token 生成文本 CoT，LatentChem 会在隐空间中生成一系列 latent thought 向量，这些向量构成了模型真正执行中间推理的主要轨迹。

·ChemUpdater：推理过程中反复“再看一眼分子”。

该研究的一个关键设计在于，每一步 latent thought 都可以通过 ChemUpdater 的 cross-attention 机制，递归地更新 ChemTokens。这意味着模型在多步推理过程中，不是一次性读入分子后就“闭门思考”，而是可以不断回看分子表示，并动态聚焦到不同的子结构或关键信息上。

叶新武表示：“我们把 Latent thinking 用于化学推理任务是比较关键的设计。基于这种机制可以动态更新大模型的 Chemtoken，可以将它理解为一种化学的记忆。”

·Latent Projector：把隐状态继续映射回可迭代的输入空间。

更新后的 hidden state 会经由 Latent Projector 映射回输入嵌入空间，作为下一步 latent 推理的基础，从而形成多步迭代的闭环。

（arXiv）

该研究中最值得关注的观察之一，是强化学习阶段模型行为的变化。在研究人员采用的 GRPO 训练中，奖励并不看思维链写得是否完整，也不要求解释过程是否漂亮，而是只看三件事：输出格式是否正确、答案是否有效以及最终结果是否正确。

在这种纯结果导向的奖励信号下，模型逐渐形成了一种稳定模式：先进行 latent thinking，再输出一个极短的过渡符号（例如 “.” 或 “:”），然后直接给出最终答案。

这说明，一旦不再被显式鼓励去“写推理”，模型会自然倾向于把主要计算留在内部完成，只输出任务真正需要的最终结果。

但需要了解的是，这并不意味着模型是在“跳步”或“偷懒”，研究团队进行了进一步因果验证。他们将前 k 个 latent steps 用高斯噪声替换，结果模型性能随噪声注入步数增加而单调下降。这表明，latent states 确实承载了关键推理信息，而不是可有可无的中间变量。

（arXiv）

研究中另一个值得关注的发现是，当隐空间预算不够，模型会重新把推理“写出来”。

如果 LatentChem 的本质只是“禁止输出 CoT”，那模型无论在什么条件下都不该再写长推理。但研究人员观察到的现象恰恰更微妙：当 latent thinking 的步数预算被压缩得很低时，模型会重新启用显式 CoT。例如，当 latent step 数量少于约 6 步时，模型更明显地开始输出文字化推理，以弥补内部计算容量不足。

这说明，LatentChem 学到的并不是一个固定的铁律，而是一种类似“液压补偿”的动态分配机制（Hydraulic Trade-off）：当 latent 预算充足时，主要推理留在隐空间完成，输出更短、更快；而当 latent 预算不足时，模型则会把部分推理过程“外显”为文本，以帮助完成任务。

因此，LatentChem 的关键意义不是让模型不写 CoT，而在于证明：显式 CoT 只是推理的一种外化形式，而不是推理本身唯一的实现方式。

图丨预算压力测试（arXiv）

推理更快也更准：速度最高提升近30倍

在多个化学任务 benchmark 上，LatentChem 同时展现出更好的性能和更高的推理效率。

以 ChemCoTBench 为例，相比强 CoT 基线，LatentChem 取得了 59.88% 的非平局胜率优势，同时平均推理速度达到 10.84 倍加速。值得关注的是，在具有挑战性的阿尔茨海默病关键靶点（GSK3-β）的虚拟药物筛选任务中，LatentChem 的成功率达到 82%，相较于显式 CoT 的 67%，提升效果显著。

在更广泛的基准测试中，LatentChem 也表现出稳定优势，具体表现为：ChemCoTBench表达为59.88%，ChEBI-20则实现了85.26%，ChemLLMBench 达到 55.58%，而 Mol-Instructions 的基本持平达到 49.88%。

表丨化学基准测试的主要结果（arXiv）

推理效率方面， LatentChem 将大量文本 token 推理，压缩为更紧凑的 latent steps，整体实现了 5.4 到 29.9 倍推理加速，打破了以往“思考越深、速度越慢”的认知。对于需要探索巨大化学空间的任务来说，这种效率提升意味着： AI 可以在更短时间内搜索更多候选分子。

（arXiv）

AI科学家的“直觉”时代或正在到来

LatentChem 的意义不仅仅是一个新的化学模型，它更像是 AI 科学家系统的一块关键组件，为打破 CoT 推理范式、推动其向新方向发展提供了可行路径。

由于目前的系统未加任何限制，模型可能并非表现最优。未来，通过设计专用的方法，有望让它效率更高，以及在隐空间中思考和显式 CoT 之间的切换更准确。

目前，研究团队正在构建能够自动执行科学工作流的 AI 系统，包括：分子设计、文献分析、实验规划、假设生成以及结果验证。在这些复杂任务中，推理往往发生在结构化的连续空间，而不是自然语言中。

据介绍，LatentChem 最直接的应用是在制药领域，未来有望进一步拓展至材料设计、蛋白质折叠、气候模拟等领域。此外，他们还将进一步探索该技术范式的优化空间。

当然，这种“黑箱”式的推理也具有一定局限性。例如，当模型具体的思考推理过程不可见，对于需要严谨论证以及需要可解释性的科研场景来说，仍需要进一步权衡。

但 LatentChem 提出了一个值得思考的问题：显式 CoT 是否只是推理的一种外化形式，而不是推理本身？

该系统所展示的并不是“去掉推理”，而是把推理从文本表面，收回到模型内部。未来的 AI 科学家，或许不会把每一步思考写出来，但它们仍然在持续推理、探索和发现，只是这些推理发生在隐空间中。

LatentChem 为未来的 AI 设计展示了一种“双系统”新方向：一个高效的直觉系统，让 AI 在隐空间中完成科学推理，一个可解释的语言输出系统用于与人类沟通，有可能重塑科学发现的 AI 底层逻辑。

参考资料：

1.相关论文：https://arxiv.org/pdf/2602.07075

2.代码链接：https://github.com/xinwuye/LatentChem