机器人高通量合成能够一次性完成上百组反应，但产率定量却还卡在漫长的人工流程上。
近日，晶泰科技（2228.HK）在国际权威期刊 JACS Au 发表最新研究成果，针对这一瓶颈提出全新 AI 解决方案。 在多组真实化学反应验证中，这一方法得到的产率与传统校准曲线法保持较高一致性，平均绝对误差约为 4.7%。
过去，这类定量需要经历纯化、制备标样和建立校准曲线等多个步骤；如今，AI 可以直接预测关键定量参数，将原本数以天计的过程压缩至秒级。
目前，这套方法已进入晶泰科技机器人高通量实验流程，成为反应结果定量和实验决策中的实际工具。这也让实验产生的数据能够更快进入分析和决策环节，进一步完善 AI + 机器人自主实验闭环。
实验做得越来越快产率定量为什么仍是瓶颈？
在化学实验中，产率是判断反应效果最直接的指标之一。对于一次并行测试大量条件的高通量实验来说，只有准确测出每个反应的产率，科研人员才能对比不同条件的效果，并据此确定下一轮实验方向。
随着晶泰科技机器人实验室持续提升实验通量，单次可并行开展的化学反应数量大幅增加，反应结果的定量分析逐渐成为制约整体研发效率的关键环节。
要判断一个反应的产率，核心是确定目标产物实际生成了多少。LC‑UV（液相色谱‑紫外检测）是实验室常用分析手段，可通过采集目标产物的紫外信号辅助判断产物含量。
但不同分子的紫外响应特性存在差异，即便物质浓度相同，输出的信号强度也不尽相同，因此无法直接依靠信号强弱换算真实产物含量。传统方案一般需要将目标产物单独分离纯化，获得高纯度标样，再构建校准曲线，以此计算浓度与反应产率。
而高通量实验往往会生成大量从未制备过的全新分子。每出现一种新的目标产物，都要重复分离、纯化、建曲线整套操作。随着实验规模扩大，这种逐个建立标准的模式不仅带来高昂的时间与分析成本，还使得实验后的定量工作高度依赖人工，很难无缝接入机器人高通量实验流程。
因此，如何无需逐一制备目标产物纯品即可实现可靠产率定量，成为高通量合成进一步提速亟待破解的命题。
没有目标产物纯品, AI 怎么把产率算出来？
晶泰科技研究团队的思路，是用 AI 绕过传统定量中最耗时的纯品制备环节。
研究团队先利用 22,609 个化合物的计算数据完成模型训练，再基于 1,845 条真实 LC‑UV 实验数据做微调，让模型既覆盖更广的分子结构特征，也更贴近真实实验环境。
训练完成后，只需输入目标分子的化学结构，模型就能够预测其在不同紫外波长下的响应特征，并进一步得到全紫外光谱校正因子，用于校正不同分子在相同浓度下紫外吸收强度不同带来的偏差。
在实际实验中，LC-UV 会同时记录目标产物和内标的色谱与紫外信号。研究团队将模型预测得到的校正因子，与实验测得的峰面积、内标浓度等信息结合，计算目标产物的实际浓度，并进一步换算出反应产率。
通过该方法，即使面对从未合成、没有现成纯品标样的新分子，也可以结合模型预测与实验检测数据完成产率定量。
相较于传统只依靠单一波长的定量方式，本方法充分利用完整紫外光谱信息，捕捉更全面的分子紫外响应特征，提升校正因子的预测准确度。
在校正因子预测环节，AI 对比传统量子化学计算实现约 10^5—10^6 倍的计算加速，可在毫秒级完成运算。将预测得到的校正因子与实验检测数据结合，用于计算产物浓度和反应产率，让产率数据更快进入后续分析和模型迭代。
模型算得准不准真实反应里怎么验证？
一套模型想要真正进入实验流程，仅在训练、测试数据集上表现良好还不够，更关键的是能否经受真实化学反应的检验。
研究团队在 178 组真实反应中进行了验证，覆盖酰胺偶联、Suzuki–Miyaura 偶联、SN2 亲核取代和 Buchwald–Hartwig 偶联四类反应，共涉及 71 种目标产物和 25 种实验条件。
与传统校准曲线法相比，AI 方法得到的产率平均绝对误差为 4.74 个百分点，其中 59.0% 的反应误差低于 5 个百分点，88.8% 的反应误差低于 10 个百分点。结果表明，在无需为每一种目标产物单独制备纯品标样的情况下，这套方法依然能够在真实反应中实现较为可靠的产率定量。
研究团队还将该方法用于另外 60 组反应，并与最终分离产率进行比较。AI 测得的粗反应产率整体高于分离产率，与样品在纯化、转移、浓缩等后处理过程中可能产生损失的实际情况一致，也说明这一方法能够较好反映反应结束时产物的实际生成情况。
这项研究进一步打通了高通量实验从结果检测到数据定量的关键环节。随着更多实验结果能够被快速、稳定地转化为可用于后续分析的数据，AI 与机器人实验之间的连接也将更加紧密。
未来，晶泰科技将继续完善 AI + 机器人的研发闭环，让 AI 更深入地参与实验设计与决策，也让真实实验产生的数据持续反哺模型。随着模型与实验之间形成更紧密的双向反馈，晶泰科技也将进一步探索 RSI（递归式自我改进），推动 AI 在真实实验中持续学习和迭代。
