2025年对于分子计算领域而言注定是具有里程碑意义的一年。加州理工学院钱璐璐教授在一个月内连续发表两篇Nature论文，分别于9月3日和10月1日刊登的"DNA神经网络监督学习"和"热驱动DNA逻辑电路与神经网络可充电计算"，标志着人工分子智能从理论探索迈向实用化的关键转折点。这两项研究不仅解决了分子计算领域长期存在的能源供给和学习能力两大核心难题，更为未来智能材料、生物医学设备和自主分子机器的发展奠定了坚实的科学基础。

重新定义分子学习的可能性

传统的分子计算系统面临着一个根本性的局限：它们只能执行预先编程的任务，无法像生物系统那样通过经验学习和适应环境。钱璐璐团队的DNA神经网络监督学习研究彻底打破了这一桎梏，首次实现了分子尺度的自主学习能力。

图1. 热驱动可重用分子电路的概念。 a) 一次性分子电路。不同颜色的球代表不同单体，输入可催化解离二聚体并释放输出。 b) 可重用分子电路。虚线表示单体间的强柔性连接，热可复位系统至动力学陷阱状态。 c) 一次性DNA催化剂。 d) 可重用DNA催化剂。彩色线条代表DNA链，箭头表示3'端。

这一突破的核心在于两种全新的可激活门控结构的设计。可激活放大门控负责生成加权输入信号，能够精确地将输入位和记忆类别信息转化为可激活的权重；可激活转换门控则负责在训练过程中不可逆地生成激活剂，确保记忆的形成，同时又保留了与标签的可逆互作，避免单一训练模式的过度拟合。

这种设计使得DNA分子系统能够像生物神经网络一样，通过反复训练形成长期记忆，并将这种记忆应用于新的模式识别任务中。钱璐璐教授让大块大块的结构进行自我组装，形成完全自定义的结构。为了彰显这项技术的潜力，用 DNA 创造了世界上最小的“蒙娜丽莎”画。

钱璐璐教授团队创建世上最小版本《蒙娜丽莎的微笑》

实验结果令人震撼：该系统成功构建了包含700多个不同分子物种、超过1200个独特链段的100位记忆网络。在72个代表性测试中，系统展示了出色的分类功能，证明工程化的分子系统确实能够学习复杂的信息处理任务。更重要的是，这种学习能力具备了独立性、整合性、泛化性和稳定性四个关键特征，使其更接近于真正的人工细胞设想。

研究团队采用的"批训练"方法进一步验证了系统的鲁棒性。通过同时呈现同一类别的所有100位训练模式，系统能够形成清晰反映数字"0"和"1"形状的激活剂浓度分布。不同训练顺序下学习的结果保持一致，证明了该学习机制的可靠性和适应性。

热能驱动的可持续分子计算

在解决了学习能力问题之后，钱璐璐团队紧接着攻克了分子计算的另一个核心难题：能源供给的可持续性。传统的DNA分子计算系统依赖特定的燃料序列，每个系统都需要不同的燃料，这不仅限制了其通用性，更无法实现连续的计算任务。

热驱动可充电计算的创新在于其能够利用最普遍存在的能源形式——热能，为分子计算系统提供可持续的动力。通过巧妙的分子设计，研究团队实现了酶游离DNA电路从热力学平衡状态恢复到非平衡动力学陷阱状态的过程，从而为后续计算提供所需能量。

DNA神经网络中监督学习的概念与设计

这一技术的实际应用潜力巨大。团队成功构建了包含超过200种分子物种的复杂逻辑电路与神经网络，系统可在几分钟内完成充电，并支持至少16轮连续计算，且无需担心废物积累导致的性能下降。在一个七层DNA电路的验证实验中，该系统在连续16轮计算中表现出高度一致的性能，历经640小时与15次复位后仍能可靠响应。

更令人印象深刻的是100比特的双记忆"赢家通吃"神经网络的成功构建。该系统包含多达289种不同的DNA链，在单一试管中实现了213种分子的共存。即使在十轮连续测试后，网络仍能稳定分类不同输入模式，展现出优异的复位稳健性与系统兼容性。

迈向化学智能时代的战略意义

这两项研究的意义远超科学发现本身，它们代表了人类对智能本质理解的深化和对技术边界的拓展。从2006年Paul Rothemund开发DNA折纸术开始，DNA纳米技术已经走过了近二十年的发展历程。钱璐璐团队的工作标志着这一领域从静态结构设计向动态智能行为的历史性转变。

在生物医学应用方面，具备学习能力和可持续动力的DNA分子系统为精准医疗开辟了全新的可能性。这些系统可以在体内环境中自主学习病理模式，适应疾病的演变过程，并据此调整治疗策略。相比传统的药物递送系统，这种智能化的分子机器能够提供更加个性化和动态化的治疗方案。

在材料科学领域，热驱动的可充电分子计算为开发新一代智能材料奠定了基础。这些材料能够感知环境变化，学习优化响应策略，并在不同条件下表现出自适应的性能。从自愈合材料到环境响应型建筑材料，应用前景极为广阔。

更为重要的是，这些研究为人工智能的发展提供了全新的技术路径。与基于硅芯片的传统计算不同，分子计算具有超高的并行性、极低的能耗和独特的生物兼容性。随着摩尔定律逐渐接近物理极限，分子计算可能成为下一代信息技术的重要基础。

展望未来，钱璐璐团队的工作为实现真正的化学智能铺平了道路。通过结合模板化合成过程，未来的分子机器将能够实现选择性复位与持续学习，在无人干预的情况下不断进化。这种能力将使分子系统从简单的计算工具演进为具有自主学习和决策能力的智能实体，最终实现从硅基智能向碳基智能的跨越，开启人工智能发展的新纪元。