IBM和里斯本的团队用开源大语言模型，把沸石合成配方变成实验步骤

发生了什么

• 《自然·通讯》（Nature Communications）于2026年10月29日发表了一种方法，可以自动提取已发表的化学合成流程中所描述的实验室步骤。
• 作者是来自里斯本大学的Instituto Superior Técnico、瑞士吕施利孔的IBM Research Europe，以及瑞士NCCR Catalysis中心的五位研究人员，其中包括Daniel P. Costa、Matteo Manica、Teodoro Laino和Pedro S. F. Mendes。
• 该方法不需要用标注数据训练模型。领域知识被编码在一套明确的可能操作之中，例如混合、加热或过滤，再由一个现成的大语言模型（LLM）把文本转成由这些操作构成的有序序列。
• 他们把它应用于沸石的合成。沸石是一类多孔材料，在工业中用作催化剂和过滤材料。

为什么重要

• 已发表的合成流程数以百万计，但每篇论文描述它们的方式各不相同。这使得比较配方、找出成功实验中反复出现的规律变得困难。
• 据论文介绍，在沸石上，该方法优于现有的开源工具，并且可以配合能在本地计算机上运行的开源大语言模型使用，无需把数据发送给外部服务。
• 在那些专用模型接受过训练的领域，它的表现也与专用模型相当，这表明当今大语言模型的泛化能力足以胜任这类任务。

关键数字

0个标注样本。 该工作流程不需要手工标注的训练集，而这通常是此类项目中成本最高的部分。

背景

把实验室流程数字化，是迈向化学自动化的一步。如果步骤以标准格式存储，就可以批量分析、相互比较，最终在机器人设备上运行。

AI模型在化学和材料领域的应用正在多个方向上推进。Mamífero 报道过复旦如何把材料电荷密度的预测速度提高了十倍以上，也报道过Pinal如何根据一句话设计蛋白质。另一方面，OpenAI宣布其自动化研究实习生的目标已经达成。在传统化学中，工作仍掌握在人的手里，比如曼彻斯特的化学家分离出了uranocenium。

接下来

• 作者公开发布了这些算法，以便其他化学家评估操作集、比较大语言模型，并把自己的流程数字化。
• 自然的下一步，是把它应用到其他材料家族，并衡量在没有人工审核的情况下还剩多少提取错误。
• 对预算紧张的实验室来说，能使用本地模型既降低了成本，又避免与第三方共享研究数据。

一句话总结

这项工作并没有发明一种沸石。它整理的是已知的内容，使其可以被大规模读取。如果提取被证明可靠，散落在各篇论文中的几十年配方，就会变成一个可以查询的数据库。

来源

• Costa, D. P., Manica, M., Laino, T. 等，“A training-free, domain-extensible LLM-based approach for automated extraction of standardized preparation procedures”，Nature Communications，2026年10月29日，DOI 10.1038/s41467-026-78605-7
• 封面图片：Koreller，CC BY-SA 4.0，来自 Wikimedia Commons

编辑：Rodrigo Cornejo。我们如何挑选和核实：谁在写这些笔记。