在北京大學(xué)化學(xué)與分子工程學(xué)院，有機(jī)化學(xué)考試是許多同學(xué)痛并快樂著的挑戰(zhàn)。然而，期中考前突如其來的一條通知，卻讓這場考試的氣氛變得不同尋常：

“請注意，本次考試范圍不僅限于有機(jī)化學(xué)。”

但比起考試范圍的變化，考場里迎來的一批“特殊考生”，更讓人意想不到。

它們不需要落座，也無需紙筆。它們是GPT、Gemini、DeepSeek……這些當(dāng)下世界上最聰明的AI，正在云端與174位北大化學(xué)與分子工程學(xué)院的大二學(xué)生同場競技。

這是一場精心設(shè)計(jì)的“圖靈測試”，也是北大科研團(tuán)隊(duì)為大語言模型投下的一塊“試金石”。

近日，北京大學(xué)化學(xué)與分子工程學(xué)院聯(lián)合北大計(jì)算中心、計(jì)算機(jī)學(xué)院、元培學(xué)院團(tuán)隊(duì)，發(fā)布了最新成果SUPERChem。近期，他們以一套“北大試卷”為標(biāo)尺，冷靜丈量著AI在科學(xué)推理上的真實(shí)邊界。

考試現(xiàn)場

一場特殊的期中考

打開SUPERChem的題庫，一種“壓迫感”撲面而來。

晶體結(jié)構(gòu)的精細(xì)解析、反應(yīng)機(jī)理的深度推演、物化性質(zhì)的定量計(jì)算……這500道題目并非來自網(wǎng)絡(luò)上隨手可得的公開題庫，而是源于對高難度試題和前沿專業(yè)文獻(xiàn)的深度改編。

為什么要費(fèi)盡周折重新出題？

“因?yàn)榇竽Ｐ吞珪硶??！眻F(tuán)隊(duì)成員解釋道?；ヂ?lián)網(wǎng)可及的測試題大多已被博聞強(qiáng)識的AI在訓(xùn)練階段熟讀。而化學(xué)，恰恰是一門不能只靠死記硬背的學(xué)科。它既有嚴(yán)密的邏輯推演，又充滿了對微觀世界的空間想象?！拔覀兎浅：闷?，大語言模型的一維 next token prediction，能否解決二維、甚至三維空間中的復(fù)雜推理問題?！?/p>

要設(shè)計(jì)一套讓AI“沒見過”、必須靠硬實(shí)力推理的題目，難度極高。然而，這正是北大化院的獨(dú)特優(yōu)勢所在。近百名師生——其中不乏奧林匹克金牌得主——集結(jié)起來，決定給AI出一套高門檻、重推理、防作弊的試卷。

他們要考的，是AI是否真的“懂”化學(xué)。

SUPERChem總覽與例題

一場游戲中的學(xué)術(shù)共創(chuàng)

設(shè)計(jì)題目往往是枯燥的，但這群年輕的北大人卻把它變成了一場“游戲”。

為了構(gòu)建這套高質(zhì)量評估集，團(tuán)隊(duì)搭建了一個專屬協(xié)作平臺。在這里，出題、審題、修題從單調(diào)的任務(wù)，變成了一套循序漸進(jìn)的“通關(guān)”流程。成員們在平臺上協(xié)作，互相審閱、彼此“找茬”，讓嚴(yán)謹(jǐn)?shù)目茖W(xué)探討與活躍的思維碰撞交織共融。

團(tuán)隊(duì)還引入了積分激勵系統(tǒng)，讓出題過程就像在游戲中打怪升級。一道題目需歷經(jīng)編寫初稿、撰寫解析，再通過初審與終審的嚴(yán)格審核，每個環(huán)節(jié)均由不同的同學(xué)把關(guān)，并發(fā)放相應(yīng)的積分。終審?fù)ㄟ^的題目，甚至最多迭代過15個版本。

在化學(xué)學(xué)院的一間間會議室里，靈感的火花不斷閃現(xiàn)、碰撞、淬煉，最終沉淀為一套含金量極高的基準(zhǔn)測試。

SUPERChem題庫的三階段審核流程

當(dāng)最強(qiáng)大腦遇上“北大難度”

考試成績揭曉。

在這場精心設(shè)計(jì)的考試中，人類展現(xiàn)出了復(fù)雜的科學(xué)直覺。作為基線，參與測試的北大化院本科生取得了40.3%的平均準(zhǔn)確率。這個數(shù)字本身，就足以說明這套題目的硬核程度。

而AI的表現(xiàn)如何？

即便是接受測試的頂尖模型，其成績也僅與低年級本科生的平均水平相當(dāng)。

前沿模型在SUPERChem上的表現(xiàn)

前沿模型的正確率與RPF關(guān)系

讓團(tuán)隊(duì)感到意外的是視覺信息帶來的困惑?；瘜W(xué)的語言是圖形，分子結(jié)構(gòu)、反應(yīng)機(jī)理圖蘊(yùn)含著關(guān)鍵信息。然而對于部分模型而言，當(dāng)引入圖像信息時(shí)，其準(zhǔn)確率不升反降。這說明，當(dāng)前的AI在將視覺信息轉(zhuǎn)化為化學(xué)語義時(shí)，仍存在明顯的感知瓶頸。

輸入模態(tài)對不同模型的影響

然而，即使選對了答案，解題步驟也可能經(jīng)不起推敲。因此，團(tuán)隊(duì)為每一道題目都標(biāo)注了詳細(xì)的評分規(guī)則。在SUPERChem這臺“顯微鏡”下，AI是真懂還是裝懂，一目了然。

團(tuán)隊(duì)發(fā)現(xiàn)，AI的推理鏈條往往斷裂于產(chǎn)物結(jié)構(gòu)預(yù)測、反應(yīng)機(jī)理識別以及構(gòu)效關(guān)系分析等高階任務(wù)。當(dāng)前的頂尖模型雖然擁有海量的知識儲備，但在處理需要嚴(yán)密邏輯和深刻理解的硬核化學(xué)問題時(shí)，仍顯得力不從心。

推理斷點(diǎn)所屬化學(xué)能力分布

通向AGI的一小步

SUPERChem的誕生，填補(bǔ)了化學(xué)領(lǐng)域多模態(tài)深度推理評測的空白。

團(tuán)隊(duì)發(fā)布這項(xiàng)成果，并非為了證明AI的短板，而是為了推動它走得更遠(yuǎn)。SUPERChem就像一個路標(biāo)。它提醒我們：從通用的聊天機(jī)器人，到能夠理解構(gòu)效關(guān)系、推演反應(yīng)機(jī)理的專業(yè)科學(xué)助手，中間還有很長的一段路要走。那是從“記住知識”到“理解物理世界”的跨越。

目前，SUPERChem項(xiàng)目已全面開源。團(tuán)隊(duì)希望這套源自北大的“試卷”，能成為全球科學(xué)與人工智能領(lǐng)域的公共財(cái)富，去催化下一次技術(shù)的爆發(fā)?；蛟S在不久的將來，當(dāng)我們再次打開這張?jiān)嚲頃r(shí)，AI能交出一份滿分的答卷。那將是化學(xué)與人工智能共同的驚喜。

挑戰(zhàn)一下？

我們選取了一道未能進(jìn)入SUPERChem題庫的“簡單”題目，邀請你來體驗(yàn)這場考試。

為紀(jì)念門捷列夫發(fā)現(xiàn)元素周期律150周年，國際純粹和應(yīng)用化學(xué)聯(lián)合會將2019年設(shè)為“國際化學(xué)元素周期表年”。門捷列夫預(yù)言了多種當(dāng)時(shí)未知的元素，M即為其中之一。

M是一種銀白色金屬，質(zhì)軟，能溶于濃硫酸、硝酸、鹽酸和稀堿溶液。M與氧氣加熱至250 °C反應(yīng)，可得到淡黃色固體A，A經(jīng)SOCl2處理可得到亮黃色固體B，B也可由M與黃綠色氣體C直接加熱反應(yīng)得到；若將B與單質(zhì)氣體D加熱至200 °C反應(yīng)，則轉(zhuǎn)化為紅色固體E；將M直接溶于稀鹽酸，也可得到E的溶液；但若將鍍有M的鎂片溶于稀鹽酸，可以制得少量二元化合物F；F在常溫下為液體，不穩(wěn)定，其水溶液顯酸性；F能與金屬鉀反應(yīng)，生成淡灰色固體G，并放出單質(zhì)氣體D。

根據(jù)上述信息，從以下選項(xiàng)選出正確的說法：

A：物質(zhì)M的原子序數(shù)和族數(shù)的奇偶性不同

B：鍍有M的鎂片與稀鹽酸反應(yīng)，產(chǎn)物中Mg的化合價(jià)與A中M的化合價(jià)一樣

C：G具有反螢石結(jié)構(gòu)

D：由于空氣氧化，E溶液久置會轉(zhuǎn)化成含B溶液

（北京大學(xué)）