2026年7月，量子化学——这门从第一性原理出发计算分子和材料性质的学科——正在被AI技术撕开一道"精度与效率"之间长期存在的"鸿沟"。量子化学领域一直面临一个著名的两难选择：如果选择计算速度快的密度泛函理论（DFT），对于过渡金属配合物、激发态和弱相互作用体系等复杂场景的预测精度往往不够可靠；如果选择计算精度高的波函数方法——如"黄金标准"耦合簇方法CCSD(T)——对于稍大的分子体系（超过50个原子）的计算成本就会迅速飙升到天文数字。2026年上半年，薛定谔公司（Schrödinger）、DeepMind和微软研究院几乎在同一时间发布了各自的"AI+量子化学"突破性成果，从不同路径逼近了"以DFT的速度获得CCSD(T)精度"这个量子化学界的圣杯目标。
薛定谔公司——全球最知名的计算化学软件公司——在2026年5月发布的AI量子化学平台标志着其在AI领域的战略性转型。该平台的核心是一个名为"DeepDFT"的AI模型——一个经过深度神经网络训练的"泛函近似器"，旨在以极低的计算成本逼近高精度CCSD(T)的计算结果。传统DFT方法使用一个数学公式来近似描述电子之间的交换-关联相互作用——这个公式被称为"泛函"。不同的泛函——如B3LYP、PBE0、ωB97X-D——在不同的分子体系中的表现差异很大，经常需要计算化学家根据经验来选择"最适合"当前体系的泛函，而这种"选泛函"的过程本身就是一个试错的过程。
DeepDFT的做法完全颠覆了传统范式：它不依赖任何预定义的数学泛函，而是直接从一个包含超过50万个CCSD(T)级精度的分子电子结构数据集中学习泛函。在测试中，DeepDFT对包含过渡金属的催化反应体系的能量预测误差——相对于CCSD(T)参考值——平均仅为0.6 kcal/mol，而传统DFT方法（以ωB97X-D为例）的同一误差为2.8 kcal/mol。更关键的是计算速度：DeepDFT完成一个包含200个原子的药物分子的单点能量计算只需要约0.5秒——而CCSD(T)对相同大小分子的计算需要数小时甚至数天。换言之，AI在量子化学领域实现了"3个数量级的速度提升+5倍的精度提升"——这在传统计算化学的目光来看几乎是一个不可想象的突破。薛定谔公司已将该平台以云服务的形式面向制药企业开放，首批用户包括诺华、默克和百时美施贵宝等大型药企。
DeepMind在AI量子化学领域的探索同样取得了里程碑式的进展。2026年4月，DeepMind发布了FermiNet 3.0——基于神经网络的量子蒙特卡洛（QMC）方法的最新版本。FermiNet的核心理念是用神经网络来表示多电子体系的波函数——在量子力学中，描述分子电子结构的"波函数"是一个包含所有电子位置信息的超高维函数，其复杂程度随着电子数的增加呈指数级增长。传统方法通过引入近似——如"波函数的斯莱特行列式形式"——来简化计算，但这些近似正是导致精度损失的根源。
FermiNet 3.0使用了一种被称为"等变神经网络"的新型架构来建模波函数。等变性——即当原子位置发生旋转或平移时，波函数的数学形式会按照物理规律做出相应的变换——是量子力学波函数的固有物理属性。传统波函数近似方法只能近似满足等变性约束，而FermiNet 3.0的等变神经网络在架构层面就天然保证了波函数的物理对称性——这意味着AI不需要"学习"如何去满足对称性，它在设计上就是对称的。这一创新使得FermiNet 3.0可以在保持高精度的同时将波函数的优化效率提升了5倍以上。在能量预测精度的测试中，FermiNet 3.0计算第一过渡系金属氧化物（如FeO、CoO、NiO）的基态能量时，与最精确的实验值和理论值的偏差全部控制在了1 kcal/mol以内——这些体系是传统DFT方法"命中率最低"的领域，因为过渡金属的3d电子具有很强的相关效应，传统泛函几乎无一例外地给出了较差的描述。
AI量子化学的突破不仅具有学术价值，对于中国的AI4S产业尤其具有战略意义。量子化学模拟在催化剂设计、药物研发和能源材料开发中扮演着不可替代的角色——一个典型的工业催化反应（如合成氨或甲醇羰基化）的机理研究，需要计算成百上千个中间体和过渡态的电子结构，使用传统DFT方法尚可接受，但若追求更高精度的CCSD(T)计算，计算成本就会迅速膨胀到企业研发预算无法承受的程度。AI量子化学工具的出现，使得在不牺牲精度的情况下大幅降低计算成本成为可能。
中国科学院大连化学物理研究所的团队在2026年6月使用薛定谔平台的DeepDFT技术，对一氧化碳加氢制甲醇的催化反应机理进行了全面的高精度重算。该团队此前使用传统DFT方法（PBE-D3泛函）对该反应的关键能垒进行了计算，预测的决速步能垒为28.5 kcal/mol。但该反应的实验活化能测量值为34.2 kcal/mol——5.7 kcal/mol的巨大差异使理论计算几乎无法为实验优化提供任何有意义的指导。使用DeepDFT重算后，AI预测的能垒为33.8 kcal/mol，与实验值之间的差异缩小到了0.4 kcal/mol以内。这一结果的直接价值是：理论计算终于可以可靠地指导催化剂的筛选和优化了。中国石化已基于大连化物所的计算结果启动了针对该反应的新型催化剂研发项目。AI量子化学正在将"计算先于实验"的研发模式从梦想推向现实。