论坛以“AI—Charting the Future of Chemistry Research”为主题，“Charting” 既蕴含用AI技术绘制化学研究新图谱的实践意义，也凸显其擘画未来发展路径的战略价值，直指人工智能与化学及交叉学科融合的前沿方向。围绕三大核心议题，论坛展开深度研讨：“AI时代研究范式创新” 解析人工智能如何突破传统化学依赖经验试错的瓶颈，重构研究逻辑；“化学智能系统发展” 聚焦技术攻坚与场景落地的路径，推动理论成果向产业应用转化；“跨学科融合” 则探寻AI与材料、药物研发等领域碰撞的创新可能，拓展交叉研究边界。

这些主题既紧扣全球AI驱动科学创新的浪潮，更直指化学研究智能化的核心路径。论坛汇聚的12位中外学者阵容，充分体现浦江创新论坛“专业、国际和青年”的主张：中国科学院大连化学物理研究所张东辉教授、复旦大学麻生明教授等顶尖学者领航，日本东北大学李昊教授等国际力量深度参与，更有一批活跃在前沿的青年科研骨干，形成跨越国界、交叉探索、贯通代际的思想碰撞场，呼应论坛探索前沿方向与尚思研究院推崇科学创新的初衷。在“AI时代研究范式创新”议题下，突破性探索已然显现。

在AI重构化学研究范式的探索中，不同团队从精准化、通用化、场景化等维度交出亮眼的观点。中国科学院大连化学物理研究所张东辉团队深耕高精度力场，自2013年研发FI-NN模型以来，调用1万核CPU运算400天生成400多万个水势能面点，精度较过往提升一个数量级，加入量子效应后水密度计算与实验高度契合，未来还将探究乙醇、生理盐水的分子作用机制，这类成果背后需攻克天文数字级的运算难题。若说张东辉团队代表“精准深耕”，复旦大学刘智攀教授则开辟“高效通用”路径——其构建的通用全局势函数模型，依托LASP平台输入分子式10-20秒即可生成三维结构，能帮化学家规避无效合成，未来甚至有望跳过势函数直接开展材料与反应设计。算力和算法是AI的两大工作前提，而数据是带来“涌现”的关键齿轮，日本东北大学李昊教授提出的“数字材料”理念，更以数据和AI为核心，整合大规模数据库、AI模型与自动化实验，构建 “预测—验证—反馈”闭环，推动化学从“经验驱动”向“数据与智能驱动”转型。实验与AI的融合也在催生新方法。复旦大学麻生明教授团队将实验模式从“摇瓶子”转向“挖数据”，“我们从大量实验中收集足够数据，通过描述符预测实验结果“，仅凭借476 条数据集，其模型回归系数（R²）便达0.6，后续补充描述符并优化权重后，预测精度还将进一步提升。

在这些AI基础日新月异发展的同时，有学者也更向前一步探索了 "具身智能 "和 "AI幻觉 "的挑战，他们都抱着乐观和勇敢探索的热情开展了工作。华东师范大学何晓教授详解CGPT 2.0与具身智能机器人协同系统，实现对大气化学反应机理的AI加速解析；厦门大学洪文晶教授聚焦超分子自由基电子学，展示团队在单分子器件高电导与低功耗领域的突破，为绿色化学与分子电子学融合提供新思路。不过，中国科学院化学研究所研究员江剑也指出纯数据驱动的短板："幻觉问题难以解决，若单纯依靠数据驱动做实验可能有安全风险，基于物理知识嵌入的AI模型，才是AI for Chemistry的重要方向。"

当AI在化学基础研究中扎根，其与交叉领域的碰撞更显活力。药物研发领域，上海交通大学张健分享First-in-class药物设计，聚焦变构药物研发并推进 P53等候选分子至临床阶段；中科院上海药物所郑明月则以AI药靶预测为核心，涵盖新靶点筛选与反卷积，为创新药研发铺路。在蛋白质工程领域，上海交通大学洪亮团队整合150亿条蛋白质序列（含65亿条极端环境标签），借自然语言模型学习氨基酸“自然排列规则”，将实验量压缩至20-30个，让“非专家也能精准创新”成为可能，清晰呈现AI从工具到助手、再到引领者的演进。在生命科学交叉领域，西湖大学卢培龙教授深耕功能性膜蛋白从头设计，详解电压门控阴离子通道设计及调控神经元活性的成果；北大高毅勤教授则以“AI与分子计算：从工具到助手”为题，阐述AI与分子模拟融合、多Agent协作及染色质三维结构研究，为癌症靶点探索提供新路径。

这些突破背后，是研究范式的根本转变：从“试错法”到“预测—验证”模式，从单个实验室孤军奋战，迈向全球数据驱动的协同创新，从经验积累到算法进化。正如专家所言，AI不是要取代化学家，而是要解放科学家的创造力，让他们从重复劳动中脱身，聚焦真正具有突破性的科学问题。