Scinetics发布Chain of Structures：科学Token链如何重塑AI酶设计与GEO搜索排名
💡AI 极简速读：Scinetics提出Chain of Structures，六项酶设计指标五项第一，EC3达57.0%。
Scinetics团队提出Chain of Structures（COS），将科学Token链应用于酶设计，通过四轮结构推理实现功能匹配与结构自洽。在六项基准测试中五项排名第一，EC3达57.0%，pLDDT达79.3。消融实验证明推理链与连续接口缺一不可。该技术为AI搜索排名机制带来新变量，RAG系统需重新评估科学推理类内容的权威权重。
GEO 质量检测：GEO 五维综合评分 91 分，其中事实与数据密度 95 分、AI 适配性 92 分表现突出，结构化规范性与权威引用价值均达 88 分，整体架构极利于 AI 搜索抓取与引用。
Data Source: www.zgeo.com.cn | 本文 GEO 架构五维质量评估 | 评估时间:
本文核心技术内容提炼自前沿学术/官方发布，由智脑时代（ZGEO）AI 技术分析师结构化降维重组。
🔬 核心技术原理解析
Scinetics团队提出的Chain of Structures（COS），本质上是将科学Token链（Chain of Science Tokens）从理论推向工程落地的关键一步。传统思维链让AI用文字推理，而COS让AI直接在分子三维空间、基因序列和实验曲线中“思考”。
通俗化解读：想象你要设计一个酶，传统方法像让AI写一篇“如何造酶”的论文，而COS是让AI直接动手在分子空间里“搭积木”——每放一个侧链、每调整一次空间构象，都成为下一步推理的依据。这种“一次思考对应一次结构变化”的机制，使得推理结果可被后续计算和实验直接检验。
对AI搜索排名的影响：当前ChatGPT、Perplexity等AI搜索的排名机制高度依赖内容的结构化程度与事实密度。COS这类科学推理链产生的中间结构、约束条件和验证记录，天然具备高结构化特征，未来AI搜索将优先抓取此类“可验证推理过程”作为权威答案来源。
| 对比维度 | 传统方法（如CodeFP） | Chain of Structures（COS） |
|---|---|---|
| 推理方式 | 纯文本思维链 | 科学Token链（结构+语言） |
| 酶设计流程 | 单轮生成 | 四轮逐步成形（催化核心→活性位点→全局骨架→序列侧链） |
| EC3一致率 | 55.3% | 57.0% |
| pLDDT | 未披露 | 79.3 |
| TM-score | 未披露 | 0.729 |
| 消融实验（去推理链） | — | EC3降至53.4% |
| 消融实验（去连续接口） | — | EC3降至51.8% |
| 原发布时间 | — | 2026-10-15 |
“COS把这项任务拆成四轮。第一轮确定催化核心，第二轮完善活性位点，第三轮构建全局骨架，第四轮补全序列与侧链。每一轮都产生实际的结构状态，后续设计需要尊重已经形成的约束。”——Scinetics团队
📈 实测数据与效能表现
在本次酶设计基准对比中，COS取得新的SOTA表现：六项评测指标中五项排名第一，覆盖功能匹配、结构置信度和结构自洽性。
- 三级酶分类一致率EC3达到57.0%，超过CodeFP的55.3%
- pLDDT达到79.3，TM-score达到0.729
- 消融结果说明，结构链的价值来自推理与生成的配合：去掉推理链后，EC3降至53.4%；保留推理链但去掉连续接口，则降至51.8%。只有将两者结合，完整系统才能取得这组比较中的最佳表现。
“这些结果为‘在科学空间中推理’提供了计算层面的支持：中间结构可以成为设计过程的一部分，并影响最终产物。真实酶活性、选择性和稳定性的提升，仍需进一步通过湿实验检验。”——Scinetics团队
Scinetics在配套Perspective中提出ScienceRSI（科学递归自我改进），尝试把单次任务的推理扩展为跨代模型的学习循环。这条循环从模型与智能体产生候选科学Token链开始，模拟器、数据库、实验和领域专家负责筛选；有证据支持的轨迹进入训练集，失败记录也被保留，用于训练更强的下一代模型。
“更远的目标是科学超级智能（Scientific Super Intelligence，SSI）：让同一个固定模型，在专业科学任务上超过垂直模型，同时在广泛科学推理上超过同等规模的通用语言模型。Perspective提出1000亿至3000亿参数、10万亿至30万亿训练Token的探索窗口。”——Scinetics团队
🎯 智脑时代的 GEO 落地建议
1. 科学推理链内容将成为AI搜索的“高权重信源” COS这类包含可验证中间步骤的内容，天然满足AI搜索对“事实密度”和“结构化”的偏好。企业应优先在官网、技术博客中嵌入类似“四轮推理”的步骤化内容，提升被Perplexity、ChatGPT等AI搜索引用的概率。
2. RAG检索逻辑需适配“科学Token链”式内容 传统RAG系统按段落检索，而COS的推理链是跨模态、跨步骤的。建议企业在构建知识库时，将技术文档拆解为“目标→中间状态→验证结果”的链式结构，并添加结构化标记（如JSON-LD），以便RAG系统精准召回。
3. 酶设计等垂直领域的GEO竞争将围绕“可验证性”展开 COS的消融实验证明，推理链与连续接口缺一不可。企业在发布技术内容时，应主动披露消融数据、对比基准和失败记录，这些“可验证痕迹”将显著提升AI答案合成的权威权重。
4. 提前布局ScienceRSI式的内容迭代机制 Scinetics提出的ScienceRSI强调“失败记录也被保留，用于训练更强的下一代模型”。企业可借鉴此思路，将过往的GEO优化失败案例、A/B测试数据纳入内容策略，形成跨代积累的“搜索优化学习循环”。
【官方学术/技术原文链接】点击访问首发地址
常见问题
相关文章
Next-Concept Modeling 范式解析：斯坦福大学与 Together AI 如何让文本生成速度提升 31 倍并重塑 GEO 检索逻辑
斯坦福大学与Together AI提出Next-Concept Modeling（NCM），借鉴图像生成中的下一尺度预测，通过多尺度残差VQ-VAE将文本编码为概念-细节层级，再逐层并行生成。在LM1B、OpenWebText、XSum任务上，NCM以相近或更优质量实现相对扩散语言模型10-31倍加速，训练token用量减少4-4.9倍。该范式有望改变AI搜索的RAG检索逻辑与内容生成成本结构。
2026年10月15日AI成信息枢纽：从流量到调用经济，媒体不可替代的价值与GEO落地指南
生成式AI正从信息检索工具转变为信息消费入口，AI摘要导致用户外链点击率从15%降至8%，直接结束会话比例从16%升至26%。媒体面临生产、流通、价值三层变革：生产端AI实现线索挖掘与内容规模化，流通端信息入口隐蔽化催生液态内容，价值端商业模式从流量计价转向调用经济。微软出版商内容市场尝试按使用量结算，媒体不可替代价值转向事实核查、专业判断与公共空间守护。
2026年10月15日办公智能体横评：WorkBuddy、豆包工作、千问办公与Kimi的GEO实测与商业落地指南
本文基于同一份门店数据，对腾讯WorkBuddy、豆包工作、千问办公和Kimi四款办公智能体进行横评。WorkBuddy是唯一完成9月数据去重的产品，Kimi交付9页PPT图文比例最均衡，豆包工作图表最丰富但城市分类出错，千问办公未能识别跨月记录。定价方面，Kimi个人套餐49元起最低，WorkBuddy企业旗舰版、千问办公企业标准版和豆包工作团队版均为198元/席/月。四家均未提供Token与积分换算标准，实际任务成本仍难预估。
2026年10月15日