合成化学作为现代社会进步的重要驱动力，不仅是化学学科的核心，更是人类认识、改造和丰富物质世界的重要途径。催化是合成化学的核心，有约 80%的化学品通过催化途径合成。在有机合成领域，本世纪三次诺贝尔化学奖授予了分子催化相关研究。但与突飞猛进的现代实验技术和爆炸式增长的运算能力形成强烈对比的是，分子催化研究范式百年来未有大的改变，新催化剂和催化新反应的设计发展仍高度仰赖于传统的试错模式(Trial-and-error)，反应筛选与优化仍需通过经验和反复试错，新催化模式和新反应的开发和发现大多靠“偶缘（serendipity）”，仍然有很多复杂、精巧和“异常”的反应规律隐藏在催化反应空间的“阴影”中，这些反应很难通过常规的排列组合式的“暴力破解”去发现和优化。近年来，大数据和人工智能技术的快速崛起为物质科学研究揭开了新篇章，为分子催化变革性演化与发展带来了新的契机。如何利用大数据和人工智能技术驱动分子催化研究？如何建立分子催化人工智能研究范式？如何将我国有机合成方法学研究的数量优势转化成数据资源？这些都是当前 AI 分子催化亟待解决的难题。以史为鉴，物理有机化学研究以定量化数据为基石，为 AI 分子催化提供了思路和指引。一百年前，Ingold 通过动力学数据剖析了亲核取代反应机理，开启以循证模式研究复杂有机反应机理的先河；Hammett 基于数据拟合建立了线性自由能方程，奠定了构效关系研究的理论基础。某种程度上，这两个例子可以说是有机合成化学领域内数据驱动研究模式最早的典范。本次报告重点围绕以物理有机思想和策略为指引的 AI 分子催化研究，涉及通用分子描述 SPOC 发展，标准分子催化数据库建设和人工智能技术在新反应研究中的应用等。