中青报·中青网记者 王璟瑄
2025年年末，北京大学化学与分子工程学院的一间教室里，174名大二学生正面对一场特殊的期中考试。试卷上，晶体结构的精细解析、反应机理的深度推演、物化性质的定量计算等硬核题目扑面而来，而考生们的“竞争对手”并非同窗，而是ChatGPT、Gemini、DeepSeek等当下最顶尖的人工智能大语言模型。
这场“云端对决”的背后，是北大青年科研团队在去年12月打造的SUPERChem项目——一套包含500道高难度试题的基准测试集，旨在用“北大标准”丈量AI在化学领域的真实推理能力。
在团队成员、北京大学化学与分子工程学院2020级博士研究生黄志贤看来，设计这套高难度题库的目的并不是为了证明AI不行，而是搞清楚AI到底“懂不懂化学”，为AI的发展提供更清晰的参考。
在AI大模型技术爆发式发展的当下，人们似乎已经习惯向AI索取答案，“AI能解决各类复杂问题”的声音不绝于耳，而这群年轻的科研人员选择用最严谨的方式，对技术热潮进行一次冷静的追问。
“在AI发展过程中留下自己的痕迹”
黄志贤在日常学习和科研中经常和AI进行对话，但是他发现，对于一些自己“一眼就能看懂”的分子结构图，AI却怎么也看不清，使得其在判断和解释化学反应时，“说出的内容看似一板一眼，但是往往都是幻觉，得出的结论有事实性错误”。
带着这样的疑问，黄志贤和几名志同道合的同学一起调研了现有的化学AI基准测试，发现很多模型“要么太简单，模型分数都快刷满了，没有区分度；要么都是些工具性任务，缺少有化学特色的深度推理”。
黄志贤向中青报·中青网记者表示，化学有一套独特的语言来描述分子结构，尤其是描述分子结构式的字符与二维图像，这在科研与学习中都非常重要。但AI大模型依靠高效的“背书”能力考出的高分往往是数据记忆的功劳，却难以触及化学学科的核心——那些需要三维空间想象、严密逻辑推演和微观世界认知的复杂任务。
“我们决定建立一套难度更高、更具有化学特色的测试基准，不仅看它能不能做对题，还要看它的推理过程是不是合理。我们希望这套标准能够推动AI逐步掌握化学知识、深化对自然科学的理解，并在未来促进科学研究与创新发现，与人类携手共同进步。”黄志贤说。
于是，团队成员之一、北京大学化学与分子工程学院2024级博士研究生赵泽华在去年“五一”假期前拟定了SUPERChem的提案，发给学院党委书记裴坚和党委副书记高珍两位老师。
赵泽华回忆，高珍老师在收到提案后“立刻打来了电话”，详细了解了这个新领域的基本概念、技术实现细节和国内外已有的相关工作，帮学生理清思路。“五一”假期末，两位老师与学生自发组成的科研团队进行了第一次正式讨论。
高珍仍然记得，当初几名学生向学院提出SUPERChem的设想时，自己曾问过他们“为什么想做这个项目”。
“在AI发展过程中留下自己的痕迹，推动AI走得更远。”黄志贤、赵泽华等团队成员的回复，也成了设计SUPERChem项目的初心。在高珍看来，统筹这个项目的过程中最让她感到骄傲的，是学生们纯粹的科研情怀和不计回报的热情。
学生提出构想，教师提供资源；在考验AI水平上限的赛道上，师生都站在“同一起跑线”。“北大化院拥有在化学竞赛题目积累、顶尖师生资源等方面的优势，因此我们也有义务去做好这个项目。”高珍说。
设计出AI“没见过”的题库
然而，要打造集合几百道高难度“原创试题”的题库，仅依靠团队内的几名成员是远远不够的。
工欲善其事，必先利其器。团队决定先搭建一个能够支持多方在线出题的高效协作平台，这对于非计算机专业的黄志贤、赵泽华等成员来说，也成了自己的跨界挑战。
“我主要负责协作平台网站前端开发，完全是边学边做，还借助了AI智能体帮忙写代码。”黄志贤表示，AI确实降低了跨领域实践的门槛，帮助自己接触到更广阔的平台。
在平台搭建完成之后，化院的老师们在每个年级群里都发布了“出题人”招募通知。团队很快就收到了上百名同学的报名申请。
最终，参与试题设计的77名学生中，包括3位国际化学奥林匹克（IChO）获奖选手与64位中国化学奥林匹克（CChO）决赛获奖选手。他们从高难度试题和前沿专业文献中汲取灵感，进行深度改编。
赵泽华还设计了一套积分激励系统，让传统的出题、审题、修题等单调枯燥的任务变成了一套类似游戏的“打怪升级”流程。一道题目需历经编写初稿、撰写解析，再通过初审与终审的严格审核，每个环节均由不同的学生把关，并发放相应的积分。积累一定积分的出题人还能获得审核他人题目的权限。一些终审通过的题目，甚至最多迭代过15个版本。
在团队搭建的这套专属协作平台上，参与出题的成员互相审阅、彼此“找茬”，用最严谨的科学思维探索AI的“硬实力”。
“我们会把题目中的药物分子等具有明显特征的名词用‘化合物A、B’来指代，这样AI就无法通过背景信息‘作弊’。”赵泽华告诉中青报·中青网记者，在题型设置上，团队全部采用选择题，“因为简答或填空题的开放式回答拥有语义多样性，很难客观地自动化评价，因此限制了评估的效率与准确性”。为了防止AI从选项中“蒙对答案”，团队还特意将题目的选项增加到6-9个。
随着174名大二学生和几款顶尖AI大模型纷纷交上自己的答卷，考试结果显示，作为基线，参与测试的北大化院本科生取得了40.3%的平均准确率，而顶尖AI大模型的成绩仅与低年级本科生平均水平相当，AI在化学核心能力上仍然存在明显短板。
此外，团队还为每一道题目都标注了详细的评分规则。在SUPERChem这台“显微镜”下，AI是真懂还是装懂，一目了然。
团队发现，AI的推理链条往往断裂于产物结构预测、反应机理识别以及构效关系分析等高阶任务。当前的顶尖模型虽然拥有海量的知识储备，但在处理需要严密逻辑和深刻理解的硬核化学问题时，仍显得力不从心。
这样的结果也在团队的预料之内。“当前主流AI大模型的底层逻辑是基于一维文本序列的预测，无法完全调动多模态能力解读图像，也就不能真正满足化学学科在二维、三维中分析立体信息的需求。”黄志贤说。
对参与项目的学生而言，这场科研探索更像是一次深刻的自我提升。“出题时要绞尽脑汁难住AI，这个过程要求我们必须把知识点学深学透，串联起来进行严谨推理。”黄志贤表示，很多学生在向AI提问的过程中开始思考：AI时代，该如何选择自己的研究方向？哪些工作是AI难以替代的？AI能帮助自己做哪些更有意义的研究？
“简单的知识背诵、基础的计算任务，AI可能做得比人好，但深度推理、科研创新这些需要人类智慧的领域，才是我们该专注的方向。”黄志贤说。
这场测试的影响，也延伸到了考场之外的北大校园。黄志贤观察到，现在已有不少老师开始创新考核方式，设计AI做不出来的题目作为考题，激发学生更活跃的自主思维。
守护“向AI提问”的能力
发布SUPERChem不是终点，而是一个开始。目前，团队已将项目全面开源，希望这套源自北大的“试卷”能成为全球科学与人工智能领域的公共财富。
高珍透露，此前已有互联网企业联系团队，希望由此项目延伸出相关知识学习类软件程序的开发，“不过目前我们主要聚焦项目的学术性，AI的成长速度太快，下一步我们要密切关注AI的迭代更新，增加对它的考核难度和综合性”。
“后续我们可能会根据学界和工业界对化学领域前沿问题的关注，持续更新我们的题库。”黄志贤提到，目前的题库在专业性上更偏向于奥林匹克竞赛，接下来希望调动更多学术资源，集合更多垂直领域的研究课题，将它们改编成更具研究性质的开放性题目，以此来评估AI能不能成为一个自然科学领域的“学术研究者”。
高珍表示，未来随着项目更加成熟，也许会回归到基础知识，打造既适合AI又适合人类学习的题库和平台。
在团队成员看来，SUPERChem就像一个路标：从通用的聊天机器人，到能够理解构效关系、推演反应机理的专业科学助手，中间还有很长的一段路要走，那是从“记住知识”到“理解物理世界”的跨越。或许在不久的将来，AI真的能交出一份满分答卷——而这，正是化学与人工智能共同的惊喜。
这场始于“考AI”的科研探索，最终指向的是对科学和教育初心的坚守，也是对人类与技术关系的深刻思考。当AI能够瞬间回答那些已经有答案的问题时，教育要做的，也许就在于培养学生不断提出新问题的能力。
浩广配资提示：文章来自网络，不代表本站观点。
