AI做科学推理，可能不该总靠“把步骤写出来”。 过去几年，大模型一旦进入“推理模式”，几乎都会走同一条路线： 先输出一大段思维链，再给出最终答案。 这套方法在数学题、代码题、复杂问答里很常见，也确实有效。但到了化学场景，它未必还是最顺手的方式。 Haven团队叶新武、唐相儒等联合斯坦福大学丛乐、普林斯顿大学王梦迪最新提出的LatentChem，想做的就是一件事： 把化学推理从“文本表面”挪到“模型内部”。 模型不一定要把每一步都翻译成文字，也可以先在连续隐空间里完成多步计算，最后再输出自然语言。 这不是“取消推理”，而是换了一种推理介质。 用文字描述化学，为什么不够好？ 做过分子优化、分子编辑、反应预测的人，大多见过这种情况： 模型前面能写得头头是道。 电子效应、位阻、官能团、反应位点，说得都很专业。 但到了最后，生成出来的SMILES或分子结构，却和前面的分析对不上。 看起来像是在认真思考，结果却经常“说一套，做一套”。 LatentChem论文给出的解释很直接： 化学推理本身，更像是在连续、结构化的空间中进行搜索、调...