阿贡与 NVIDIA 等联合发布“趋同实验室”预印本：化学研究的瓶颈，从产生数据变成整合数据

2026 年 9 月 4 日，一篇题为 The convergent laboratory（趋同实验室）的预印本出现在 arXiv，作者阵容横跨美国阿贡国家实验室、NVIDIA、PsiQuantum、西北大学、多伦多大学、Lila Sciences 与卡内基梅隆大学。论文的核心判断只有一句：AI 推理、自驾驶实验室、机器学习原子间势、容错量子计算、智能体编排这五股力量，正在从各自为战的演示 converge（趋同）为一个技术栈。

五层各司其职：科学推理大模型负责提出假设、读文献、设计实验；自驾驶实验室与云实验室用机器人和自动化仪器执行方案；机器学习势函数把材料筛选速度提到现在无法想象的水平；容错量子计算专门对付经典方法算不动的电子结构问题；智能体框架把前四层串成一条流水线。作者认为，化学研究的瓶颈已经从"产生数据"转移到"整合多模态知识"——光谱、模拟日志、文献 PDF、量化计算各自躺在孤岛里，缺的是把它们连到决策上的神经系统。

论文里一个对产业界很实际的细节：在 LabBench 科学问答检索基准上，开源权重的 NVIDIA Nemotron 3 Nano Omni 模型拿到 89%，超过了专有模型 GPT-4o-mini 的 87%。这意味着在窄而专业的任务上，小型专用开源模型可以打赢大通用模型——企业自建化学 AI 能力，未必要押注最贵的那家 API。

趋同的另一面：孤岛不在实验室，在企业

这篇论文描述的趋同发生在顶级实验室之间。但同样的诊断放在化工企业身上更扎眼：论文说"瓶颈从产生数据转移到整合知识"，企业版的孤岛是——实验记录在个人笔记本里，批次信息在微信群截图里，检测报告在某个人的电脑桌面。数据不是没产生，是从未被整合。

这正是胜蓝® AIchem 与"趋同实验室"路线的接点：

AIchem 做的就是企业版的"神经系统"：化学品和产品一物一档，实验、生产、质检等九类业务记录各自保存实际发生的内容、又互相关联——实验记录连着物料与批次，质检记录连着来源与文档，查一个物质能带出它的全部业务历史。论文里五层技术栈要整合的光谱、日志与文献，在企业场景里对应的就是这些散落的记录。

内置助手以结构化记录为工作面：查询直接返回；涉及创建、修改等业务写入时，先列出目标记录和具体动作，经用户确认后才执行，执行时系统再次检查访问条件，操作留有记录。

开放 API 则是留给未来技术栈的接口：外部 AI 工具经个人访问令牌可读取企业的结构化记录，权限与业务校验继承令牌所有者。论文预言的趋同实验室若有一天以产品形态落到企业，接得上的前提是数据已经在那里、且是结构化的。

顶级实验室在融合五种前沿技术，企业要做的融合朴素得多：让实验、生产、质检的记录对得上、连得起来。前者决定天花板，后者决定脚下有没有地板。

（信息来源：arXiv 预印本 The convergent laboratory（2026-09-04），作者含阿贡国家实验室、NVIDIA、Lila Sciences 等）