分子圖形語言：LLM 終於看懂化學了

點解 LLM 睇唔明化學

LLM 喺化學領域長期表現差勁，唔係因為模型唔夠聰明，而係因為我哋一直用錯語言餵佢。SMILES——呢種 1980 年代發明嘅線性字串——將分子結構壓縮成括號同數字嘅密碼，原子之間嘅連通性要靠位置推測，環狀結構要靠配對索引碼去解讀。LLM 每次處理一個分子，都要先「逆向工程」返個圖譜出嚟，先至開始真正嘅推理。呢個 overhead 喺熟悉分子上勉強可接受，但一遇到陌生分子，整個系統就崩潰——準確率由 42% 直插落 20%。模型唔係唔識化學，而係被個 representation 累死咗。

MoleCode 嘅核心洞察好簡單好暴力：分子係圖，就用圖嘅語言去表達。佢用 Mermaid 圖形語法，將每個原子寫成有永久 ID 嘅節點，每條鍵寫成明確嘅邊——「C_1 --- C_2」就係碳一單鍵黐住碳二，唔使解碼，唔使推測，一眼睇晒。呢個純粹表述上嘅改動，帶嚟嘅效果極具震撼力：喺陌生分子上，SMILES 得 20%，MoleCode 穩定維持 76-80%。唔係靠更多參數，唔係靠更大模型，純粹係換咗種語言。

四倍推理成本，原來係自找嘅

詳細睇論文數據，你會發現 SMILES 嘅表現高度依賴分子熟悉度——常見分子 ~42%，古典分子 ~42%，新穎分子 ~20%。呢個係典型嘅記憶主導行為：模型認得某個字串 pattern 就答得中，否則就亂撞。MoleCode 喺三個熟悉度層級上都維持 76-80% 嘅 flat curve，代表模型真係理解咗結構，而唔係背答案。一個簡單嘅 canonical-vs-permuted-SMILES 測試證實咗呢點：SMILES 有 +17% 嘅差距（佢記住咗特定字串），MoleCode 零差距。

最反直覺嘅係 token 成本。MoleCode input 比 SMILES 長約 20 倍——38.4 tokens 對 2.0 tokens 每粒碳——但 chain-of-thought 增長係 sub-linear（C^0.52），SMILES 係 super-linear（C^1.65）。總 token 成本每條 query：MoleCode 約 2,000，SMILES 約 10,000。五倍差距。呢個數據說明咗一條重要原理：你餵畀模型嘅 input 有幾 explicit，直接決定咗佢要花幾多推理資源去解讀。Input 嘅「認知密度」先係 bottleneck，而唔係 context window 嘅大小。

Representation 先於 Scaling

MoleCode 對 AI for Science 最大嘅啟示唔係化學本身，而係示範咗一條截然不同嘅路徑：與其不斷放大模型、收集更多 domain data、訓練 specialist model，不如重新審視你點樣將問題呈現畀模型。Representation engineering——用問題嘅結構匹配模型嘅 inductive bias——好多時候比 scaling law 更實際、更便宜、效果仲更顯著。

呢個思路對香港嘅創業者同開發者尤其有價值。我哋冇資源去訓練 foundational model，但我哋可以在 representation layer 做創新。MoleCode 係一個 open-source Python package，三行 code 就將 SMILES 轉成 Mermaid 圖形語法，任何 LLM 都用得。佢哋團隊仲基於呢個 representation 做出 AtomChat 同 AtomRetro 兩個產品——由 representation 創新到 product 落地，呢條路徑好值得借鏡。同一套 Subgraph-Node-Edge grammar 仲延伸到 polymer 同 Markush 結構，一個語法打通三個 domain。

你可以即時做嘅一件事

去 GitHub 搜 AtomFlow-AI/MoleCode，pip install molecode 就開始玩。佢哋嘅 molecode.prompts module 直接 export 咗 LLM system prompt，放入任何 conversation 就用到。不妨攞一個你自己 domain 嘅「結構化資料」——電路圖、分子結構、知識圖譜——諗下現有嘅線性表述係咪限制咗 LLM 嘅理解。答案好可能係：你只需要換一種語言，個模型就會忽然開竅。Representation 先於 architecture，呢個 lesson 唔止適用於化學。