拿到一个目标分子，化学家要像拆积木一样，倒推出原料和反应步骤。AI也能做这种“逆合成”，但常见的问题是：它会漏掉罕见却关键的反应，甚至给出看似合理、实际不合化学家判断习惯的答案。Nature发表的新研究提出RetroChimera，重点不只是提高预测成绩，而是让推荐路线更接近化学家的选择。
它最值得注意的一步，是把带有不同“归纳偏置”的模型组合起来。归纳偏置，就是模型解题时预先带入的倾向，例如更依赖已知反应模式，或更看重某类分子结构规律。RetroChimera让两个倾向互补的新组件共同给答案，再用一种可学习的集成方法决定如何取长补短，类似请训练背景不同的化学家会诊。
作者称，RetroChimera在不同数据规模下胜过主要基线，也能从每类反应很少的样本中学习，并适应两家大型药企内部、分布不同的数据。更关键的是，在成对比较和单独评分两种测试中，有机化学家更偏好它的预测，甚至胜过论文收录的参考反应及其他AI模型。不过现有材料未披露偏好比例和具体实验数字，因此更稳妥的看点是：逆合成AI的评价标准，正从“猜中数据集答案”转向“能否得到化学家认可”。