140: 深势科技张林峰、孙伟杰：AI for Science，从开始到现在

欢迎收听《晚点聊》，我是曼琪。你能想到的 AI 用法有什么？让猫成精、赛博牛马、慰藉心灵，这里还有另一个答案：加速科学发现。六年前，张林峰和孙伟杰两位 1993 年出生的北大同学一起创立了深势科技，这是世界最早的 AI for Science 公司之一。深势的起点是用机器学习加速求解粒子间的相互作用。此后几年里，预训练大语言模型、推理模型的进展让科研 agent 逼近现实。当时其实拿笔记本就能干过超算，一下获得了六个数量级以上的加速。像固体、流体、电磁这些都已经很好地内化到软件里面了，但是恰恰有一个东西没有很好地利用起来，就是量子力学。人类的终极科学梦想，攻克绝症、无限能源、太空旅行正在被加速。更大的变化是，科研范式和科学共同体本身也在被 AI 改变。大家说科学无国界，但是这个假设其实正在变得越来越被 question。AI 既然是在推动科学，AI 底层模型都越来越有这个问题了。这个主张其实是在中国更加坚定的。本期我们与深势两位创始人一起进入 AI for Science 的世界，你将看到戈登奖成果 Deep Potential 的诞生过程、深势面临的创业抉择，以及两个热血少年怎么推动一家源自中国、引领世界的科技公司一步步落地。

伟杰、林峰，你们可以简单和我们的观众打个招呼。

大家好，我是深势科技的孙伟杰。

大家好，我是深势科技的张林峰。

其实，深势来做 AI for Science 的起点，和你们当时读博的经历很有关系。我们可以回到最开始讲一讲。AI for Science 这个现在越来越多人关注的概念，最开始是怎么产生的？

1. 从物理迷茫出发

那就从我自己申请博士之前的探索开始讲。其实我本科跟伟杰都在北大元培学院。元培允许大家自由探索，去学不同学科的课，所以我本科时最关键的问题就是：你要做什么？

我最开始学了很多不同的方向，最后确定觉得物理是我应该做的。到了大二、大三，特别是伟杰去学生会做主席的时候，我开始学量子力学。但是有一个绕不过去的问题：我们知道北大很卷，大家学习越厉害，学得越快。最厉害的人可能到了大二、大三，已经把弦论、必要的数学都学完了，学霸都是这样的。

但是我到大三时觉得，最大的问题是：学完了干什么？当时有一个很知名的论断，是杨振宁先生说给高能物理的，叫作 “The party is over”，盛宴已毕。

这意味着，对于一个特别喜欢物理的同学来说，他觉得最激动人心的事情，是爱因斯坦做相对论、量子力学的整个发现过程。那些事情都是二十多岁的人做出来的。但最残酷的事情好像是，这样的机会已经不存在了。

所以，这种迷茫映射到了很多进一步的探索上。比如我大二的时候学了广义相对论，成绩还不错，但我发现我的室友是学数学的，他大三才开始学微分几何。我觉得这里面一定有些地方不太对：为什么微分几何要到大三才学？

我想，学数学的同学也很厉害，对吧？他学这个东西的视角，一定和学物理的人不一样，否则他为什么要到大三才学？后来我发现，我们学的东西确实有问题。你只是接受了一系列规则，从这些规则出发做推导，然后在考试时证明自己能把东西从规则的起点推出来。你学到的是一堆运算规则。

你可以具体解释一下。广义相对论涉及黎曼几何，物理专业可能大二就把相对论学完了，但数学专业的同学要到大三才学黎曼几何。这里面有什么区别？

爱因斯坦在 1905 年完成狭义相对论之后，试着把它和引力统一起来。但在统一的过程中，他遇到了很多困难，大概用了 10 年才把这件事完成。

他做到中间时发现，必要的数学还不存在。但恰好在他之前几十年，黎曼几何已经被提出了，这正是他需要的数学。于是他又等于重新学习了一遍这样的数学，最后把广义相对论做了出来。

但这个过程并不是我们学习这门课的过程。我们学习这门课，是从最开始怎么统一讲起，然后告诉你，原来是这样统一的，于是有了爱因斯坦场方程，最后就结束了。

到了大三、大四，我已经把这些探索得差不多了，也学了一遍必要的数学，所以当时其实处在一个很迷茫的状态。我觉得，我们这一代希望从底层科学、底层物理出发做点有意思的事情的同学，可能都缺少一个足够激动人心、由重大问题驱动的方向。

你们是 1993 年出生的吗？大家对这一代会更有一个概念。

1993 年。我也是 1993 年，比他大 3 个月，所以我们两个其实都相当于延了一年。

我因为去了元培，多学了一年。

不只是学了很多方向，也包括学了《知识分子》这本杂志。当时其实是希望带着一个不一样的视角，去看这些伟大的发现是怎样产生的，以及我应该去解决怎样的问题。

因为我觉得《知识分子》还是比较关注一些大问题的，它有一个比较经典的视角。但它关心数理化问题时，也需要非常专业的背景。理科背景的同学比较难得，所以我很有幸参与了很多数理化方向的资料准备、编辑和事实确认。

所以我觉得，这种迷茫贯穿了整个本科阶段。比较幸运的是，在这个过程中，我也接触到了底层的电子结构问题，涉及从头算，也就是从最基础的薛定谔方程出发，求解材料化学问题。尤其是在利用计算机求解时，当时有了一些初步的算法突破，让我体验到了科研探索的快乐。

因为这个原因，后来我决定把这个问题应用到化学里。本科最后，我一方面很迷茫，另一方面去了 MIT，但没有去学数学、物理或化学，而是去了机械系，研究发动机运转过程中润滑油的作用，也就是发动机模拟。

当时我觉得自己已经不知道该做什么了，所以往这个方向走。也很幸运，我得到了认可，可以去 MIT 机械系读博士。

你当时博士可以去 MIT？

对。但与此同时，我在电子结构方向确实做了一些凝聚态物理相关的算法，而这些算法恰好也可能用在量子化学里。

我本科导师是冯继老师。冯继老师的博士导师是 Ashcroft 和 Roald Hoffmann，Roald Hoffmann 是 1981 年的化学诺贝尔奖得主。所以我也有机会进入化学领域，并且产生了一系列互动。

我读博时，带着化学方向的应用经历、数学和物理背景，以及为了解决这些问题而接触过的计算、甚至量子计算等方向去申请。这个过程一直到 2016 年。

2. 机器学习改变航向

也是因为这个过程，我后来决定去普林斯顿。那一年恰好有 AlphaGo 的进展。2016 年 9 月，我还没有选课，当时仍然觉得应该学很多东西，探索自己真正应该问的问题。

我选了一门凝聚态场论相关的课，授课老师叫鄂维南，是物理系的老师。他当时是我们的研究生项目主任，需要审核选课。我印象特别深，他说：“你本科已经学了这么多了。”

我本科确实比大家多修了很多学分，因为元培之前发过一篇文章，说我上学时修了 230 个学分。

比一般的北大同学多很多。

对。他还说：“你再学一遍量子场论，也就是再学一遍。跟大师学，也还是再学一遍。我觉得你现在应该做机器学习。”

这是鄂维南老师给你的建议？

对。于是我把所有已经选的课都退掉了，后来整个普林斯顿期间都没有再上过课。

但我刚退完课的第二周，也就是 10 月，Hinton 获得了诺贝尔奖。当时我就觉得，这个诺贝尔奖其实不是这个领域的开始，而是对这个领域发展方向的一种确认。这个领域还存在，但推动它继续发展的，很有可能就是这一波 AI。

所以，2016 年 10 月是我们整个研究的起点。后来我们就走上了把机器学习和物理、化学结合起来的道路。

AI 和 Science 都是很大的词，里面的具体含义非常广。具体到你们做的事情，或者说鄂老师在 2018 年提出这个词时，Science 指的是什么？

3. AI for Science始于方程

我想，在 2018 年提出之前，其实我们已经很快取得了一些进展，这也是提出这个词的背景。

我刚开始学习机器学习时，也不能说机器学习只能做图像识别、交通数据分析这些事情。2016 年时，机器学习已经在这些领域发挥了很大作用，深度学习也已经在强化学习、求解游戏方面做了很多事情。

于是我们问的第一个问题是：如果把这一系列技术应用到过去的科学场景中，有哪些好的选题？

我们发现，比较容易选的方向，往往是数据非常充足的方向，和 ImageNet 一样。数据很多，最好还有一个榜单，最好还有一个 benchmark。把榜单刷完之后，就能证明这个方法和以前很不一样。

但是到 2016、2017 年，尤其是从底层数学和物理背景出发，这样的机会看起来并不多。大部分地方不是数据就绪，甚至不只是数据比较散、比较少，而是很多科学问题之所以复杂，是因为里面有非常深的关联。

当时鄂老师把我和 Roberto Car 叫到一起。三个人讨论时，鄂老师直接问 Roberto：“我觉得机器学习几年之内就要把你做的从头算分子动力学颠覆了。它已经颠覆了 ImageNet 和 AlphaGo，那你觉得这个领域为什么还颠覆不了？”

这是鄂老师的问题。

Roberto 当时先解释了什么叫从头算分子动力学。Ab initio 指的是从头算，也就是从第一性原理出发，去求解万物。

从电子和原子的尺度出发，第一性原理就是薛定谔方程。这个方程非常简洁，是 100 年前提出的，但求解它的复杂度贯穿了过去 100 年的探索。

所以，我们真正要关心的方程，就是电子和原子如何相互作用，以及在现实问题中会产生怎样的现象。

这些领域主要有哪些方程？可以举几个例子吗？

最主要的方程就是薛定谔方程、密度泛函理论和分子动力学方程。

你可以写一下这 3 个方程，到时候我们好切回来，可能会忘。

薛定谔方程描述的是粒子波函数的性质和演化规律。我先把定态方程写下来，它看起来非常简单。

比如说，这是一个水分子，这是氧，这是氢。这 3 个原子的位置，可以用 9 个数字表示。然后还有电子的位置，假设有 N 个电子、M 个原子。这些就是输入，输出则是一个波函数。

薛定谔方程描述的，就是这个波函数的性质和相应的演化规律。

对应到物质世界，它研究的是原子之间的什么？

它研究的是电子和原子之间的相互作用，也就是粒子之间的相互作用。当然，不同类型的粒子会满足不同类型的方程。但在我们研究的底层物质世界里，最主要的就是电子和原子。

如果有一台足够强大的机器，我们看到的所有物质的性质，以及看不见的电流、磁场，最终都可以通过这个方程计算出来。

这个方程是 1926 年提出的。1929 年，Paul Dirac 说，有了薛定谔方程，基本上全部的化学和绝大多数的物理，基本原理都已经包含在里面了。

化学研究的就是从电子开始，如何建模万物。比它更微观的物理，比如弦论、场论，以及相对论和量子力学之间如何进一步统一的问题，可能不在它的覆盖范围内。

但除了这些终极问题之外，世间绝大部分物理都在这个方程里。

它和我们的直观图像有点像。不同原子的位置，最后都可以用三维空间坐标，也就是 x、y、z 来表示。

对。这个问题为什么难？首先，输入特别多。原则上，整个蛋白质也可以用这样的方程描述。比如把蛋白质放进水里，一个蛋白质通常有几百个氨基酸，对应几万甚至几十万个原子。几十万个原子都在这个方程里，所以输入特别大，是一个复杂的高维方程。

既然这个方程 99 年前就提出了，为什么我们好像还没有把很多材料和物质的性质研究得那么好？

4. 量子方程为何难解

这就是我们开始做这个问题的起点。

刚才林峰说，Paul Dirac 在 1929 年说过，有了薛定谔方程，所有化学和绝大多数物理的基本原理已经清晰了。但唯一的困难是，这个方程的数学过于复杂，我们无法求解。

它的计算复杂度，随着原子数量增加，大致以 7 次方增长。即使是近似算法，而且不是最精确的算法，也还是 7 次方的复杂度。

即使是刚才提到的第二个方程 DFT，也就是 density functional theory，密度泛函理论，已经把问题简化了很多。它把复杂的粒子间相互作用，简化成每个粒子和外场之间的相互作用，但计算复杂度随着原子数量增加，仍然是 3 次方。

所以，DFT 是薛定谔方程的一个简化版本。

它之所以简化，就是为了追求计算效率。

简化到这个程度，能算什么了？

几十个到上百个原子的体系可以算出来。比如它们之间的相互作用。

打个比方，这大概是多大的东西？一滴水里有多少个原子？

一滴水里已经有 10 的 23 次方个原子。一个摩尔的空气分子也是阿伏伽德罗常数，大约是 10 的 23 次方。

所以 DFT 能算的范围还是很小，基本上是一个高度简化、抽象的体系。

一个原子差不多是 0.1 纳米，一个纳米立方里可能就有几百个原子。

对，可能是几百到上千个原子。但我们关心的大部分材料、药物以及化学反应发生作用的空间尺度，可能都在几个纳米的范围内。

这还只是空间尺度。原子之间的响应也需要时间。它们发生一次相互作用，可能是 10 的负 12 次方到 10 的负 15 次方秒。但它们形成我们想观察的现象，可能需要几百纳秒、几微秒，甚至毫秒。比如蛋白质的很多性质就是这样。

所以，一方面是计算过于复杂，没办法算足够大的体系；另一方面也没办法算足够长的时间。即使有了 DFT，很多问题还是解决不了。

这就回到我们要做的事情：基于第二个方程，建立原子间相互作用的分子模拟，也就是 ab initio molecular dynamics。

所以你们说的 ab initio，其实也不是真正从最开始的 ab initio，而是基于一个已经简化过的方程？

对，是一个已经简化过的从头算。

但“头”永远没有完。

对，永远没有完。

这个方法在 1985 年由 Car 和 Parrinello 做出突破之后，过去 40 年对计算化学、理论化学和统计物理等领域产生了非常深刻的影响。

刚才说的第三个方程是分子动力学方程。分子动力学仍然需要处理电子相关的相互作用。

给定一个原子位置，原子的电子非常小，所以每给定一个原子位置，电子很快就会适应到原子周围，满足相应的方程。但所谓的分子动力学，是我们研究材料、药物等性质时，研究原子如何演化。

原子每动一步，原则上就要重新求解一次这样的方程，这个过程非常昂贵，所以算不了大规模体系。

简化之后的分子动力学方程，原则上就是牛顿力学。给定原子坐标 r₁ 到 rₙ，它们相互作用的能量就是 energy，受力则是能量对每个位置的负梯度，也就是 fᵢ。

你能不能写得板书一点？没关系。

这意味着，力驱动体系不断演化。每演化一步，原子坐标就会更新；坐标更新以后，它们之间相互作用的能量也会发生变化。

这就像放电影：这一帧原子这样排列，它们的相互作用是这样；往前走一步，原子位置变了，相互作用也变了，再往前走一步，又变了。

但过去每一步都需要用量子力学来计算，非常昂贵。所以我们的建模任务就是：能不能用 AI 表示这样一个以 r₁ 到 rₙ 为输入、以能量为输出的复杂高维函数？

所以，分子动力学方程是对 DFT 又简化了一层？

是的。

分子动力学有两种方式。一种是进一步把原子之间相互作用的力和能量，简化成一个更容易计算的版本。刚才林峰说的 ab initio molecular dynamics，则是基于密度泛函计算来评估原子间相互作用，所以它使用的是密度泛函的精度，但模拟的是原子间的演化。

而我们的 Deep Potential，也就是 DP，用 AI 来计算这个东西，让它算得更快、规模更大，解决实际问题。

就是用 AI 算 DFT，让密度泛函理论计算得更快。

对。用 AI 建立一个 surrogate model，也就是代理模型，使它具有从头算的精度，但效率高很多。

从薛定谔方程开始，最难兼顾的就是精度和效率。我们找到了一种方法，去兼顾这两件事。

这是 2017 年、2018 年的成果。其实从 2016 年底开始，我们探索的不只是一个方向。

我们先研究，复杂的波函数能不能被神经网络替代，从而求解；然后研究密度泛函的表达形式能不能更高效、更准确；再研究原子间相互作用的势函数能不能被精准建模。

这些都是复杂的高维物理量。它们有没有可能被 AI 有效表示、逼近，并加速求解？最终就是要把这些方程，以高效、准确的方式用 AI 模型表示出来。

它有点像围棋。围棋规则很明确，但从棋谱到下一步怎么走，建模关系非常复杂。物理规律也很清晰，物理学生早就学过，但如何基于这些物理规律加速求解，是一个很复杂的建模问题。

所以，它最后变成了一个统一的问题：怎样把这些方程高效、准确地用 AI 表示出来？

那具体怎么解？你们在 2017 年很快取得了哪些比较大的里程碑成果？

5. Deep Potential跑通了

首先是把整套方法跑通。我们当时做的第一个比较直观的成果，就是 Deep Potential。

当时我们已知的东西，除了物理知识以外，就是各种神经网络。除了 2017 年的 Transformer 还没有出现，其他各种神经网络基本都已经有了。

最直接的想法是：以一堆原子的坐标作为输入，输出一个能量，用神经网络来表示这个方程，能不能直接把它建模好？

答案是不能。

因为这个体系具有对称性。比如一个水分子旋转以后，原子之间的相互作用并没有改变。也就是说，这个方程在对称操作下应该保持不变。

如何保证模型具有这种对称性，就成了用 AI 表示物理量时必须考虑的问题。

对波函数来说，有交换反对称性：交换两个状态之后，符号要变号。对原子体系来说，则是平移、旋转不变性以及交换不变性。

所以，如何处理这些不变性，成为当时的核心问题。

过去人们有两种极端做法。一种是非常领域化，比如说研究水，就设计一个描述水性质的 descriptor，类似 AI 里的特征工程。但这样非常不通用，处理水的方法可能处理不了硅，也处理不了半导体。

另一种思路是，能不能用一种通用的对称操作处理方式，再配合最通用的神经网络，建立一个 general-purpose 的模型？

这是数学问题，还是计算问题？

这是一个数学问题。数学建模在这里要解决的是，如何处理对称性，如何建模高维的对称函数。

这个问题让我们有了比较明确的指导原则。实现之后，我们又在 TensorFlow 这样的 AI 框架下做了工程实现。

2017 年 5 月，我们有了一个 demo。老师们说，你可以拿这个东西去做 PhD thesis 了。

当时我的大师兄在去 DeepMind 之前，推荐我用 TensorFlow。于是我和国内合作者王涵开始接触 TensorFlow，把这个方法实现成一个非常通用的方案。我们只用了一个月。

到了 6 月，因为 Roberto Car 组里有非常昂贵的从头算数据，我们就在笔记本电脑上做模拟，发现结果和那套非常昂贵、耗费 2 亿 core-hours 的计算结果高度一致。

我之前听你分享过这个故事。你是在飞机上用自己的笔记本电脑算的？

对。

在飞机上跑了多久？

如果只是计算第一性原理的结果，其实不到半小时就能跑完。训练需要一定时间。

2 亿核时是什么概念？

按照当时的价格，可能 1 个核时大约要 0.1 元。一个 CPU core，也就是一个核，计算 1 个小时，就是 1 个核时。

过去这些科学计算都是用 CPU 算的，对吧？

最开始所有计算都是用 CPU。2012 年之后，AI 领域开始更多使用 GPU。

物理、化学这些计算当时仍然主要使用 CPU。但人们已经开始尝试用 GPU 进行科学计算。

在 2005 年到 2012 年 AI 爆发之前，GPU 除了做游戏显卡，做得最多的其实就是科学计算。从高能粒子到分子动力学，再到地震、天气，都有相应的应用。

这也是一个很关键的事情。2017 年有了这些突破之后，我们在不同尺度上都做了一系列的工作。

当时拿笔记本电脑就能超过超算，因为一下获得了 6 个数量级以上的加速。以前我和导师一个月讨论一次，讨论完改代码，再等一个月；后来上午讨论完，下午就能继续讨论。

所以老师们觉得我非常 productive，但其实是计算变得非常快，不是我变快了。

也因为这个原因，我们的研究可以继续往更大尺度推进。介观、宏观尺度上的物理方程，也可以用类似的方法解决。它于是变成了一个非常系统性的机会：从电子之间的相互作用、凝聚态物理，到化学、材料，再到天气预报、汽车和飞机建模，都有可能在新的范式下发生变化。

这是一开始的情况。2017 年年底，GPU 还有一个非常关键的变化。

普林斯顿买了 200 多块 P100。当时如果要使用超算，笔记本肯定不够了。我发现这些 GPU 的闲置率非常高。

核心原因是，那时 AI 还不够火，只是一个起点。要实现 AI 代码也需要下很大功夫，还要自己写很多代码，不像后来有了 PyTorch 以后那么容易。

当时编译 TensorFlow，我每次都要从头编译，而且版本迭代非常快。它会问你要不要 CUDA support。我一看机器闲置很多，又急着计算，就点了 yes。

结果编译成功之后，训练速度提升了 10 倍。因为当时几乎没人用，所以我们一下就有了几百块卡。

到了 2018 年，这个生产力是无穷的。我不可能让这些卡闲着。同时，我们把所有代码开源，很多人都在使用，于是对很多问题的探索和迭代都获得了几个数量级的加速。

这也是我们早期意识到基础设施重要性的原因。无论是 TensorFlow 这样的框架，还是 CUDA、GPU 这样的底层算力基础，都能起到非常大的作用。

后来到了 2018 年，鄂老师正式提出了 AI for Science，对吧？

其实，鄂老师提出 AI for Science，恰恰是因为林峰用 AI 加速 DFT 和分子动力学计算，取得了一个当时看起来非常通用的方法论成果。

我和当时很多同学一起做的。

对，是一个团队。

过去很多数理建模和求解问题，都面临高维函数的建模与求解问题。而机器学习看起来非常适合用来建模和求解高维函数。

鄂老师后来还发表文章说，机器学习可能是应用数学领域最后一块缺失的拼图。有了机器学习之后，应用数学的拼图才终于完整。

所以他关注到，很多高维问题都可以用 AI 来解决。当然那时 AI 的概念变化也很快。严格来说，当时的 AI for Science 更多是 machine learning for science。

更精准地说，就是用机器学习解决科学计算中的瓶颈，加速物理方程的建模和求解。

对，加速物理和数学建模以及求解。它是物理、化学很多领域通用的基础方法。

所以，Deep Potential 可以说是 AI for Science 领域奠基性、开创性的工作，也带来了对于更 general 方法论的思考。

我觉得鄂老师的前瞻性，建立在一个非常扎实的团队工作基础之上。2018 年夏天在北大开会时，他和滕超老师一起提出 AI for Science 的概念，之后很快就在相关学术领域产生了影响。

这个说法后来在业界也慢慢传开了。行业会议里经常会有专门讨论 AI for Science 的分论坛。黄仁勋在 2024 年的 GTC 上也讲了 3 个主要趋势，其中有一个就是 AI for Science。

一般人想到 AI for Science，也会想到 AlphaFold 2。它获得诺贝尔奖之后，影响力肯定更大了。蛋白质结构预测，和我们刚才讲的物理建模与求解，是什么关系？

从方法论上看，一个是 data ready。第一波 AI 机会到来时，比较容易处理的是数据更加充足的方向，AlphaFold 就是这样。AI 在其中发挥的作用，主要是拟合数据。

这个领域本身已经有大约 20 亿条蛋白质序列和 20 万个蛋白质结构。要建模的问题，是从序列预测结构。它有很多领域知识和实践基础，数据又恰好在那个时候进入井喷期。

从 AI 的建模逻辑来说，数据当然一定是需要的。但对很多科学问题而言，数据并不是天然存在的。

Deep Potential 这类问题的特点是，物理规律是存在的，但从规律中挖掘出对实际的指导，过去在纸笔和计算机上都不容易。

AI 在这里起到的作用，是在规律的指引下加速求解。这就是和 ImageNet、AlphaGo 不同的早期 AI 应用方式。

在 Deep Potential 里，输入和输出分别是什么？

输入是原子位置。

输出是能量。

原子位置的数据以前没有那么多吗？

它没有 ready 的实验测量数据，但我们可以通过 first principles，也就是第一性原理，从原子位置计算出能量，生成大量数据。

所以，如果我们都从数据的视角来看，这项工作的重要意义就是把 principle 加入到数据链条里。在没有数据的地方，只要有一个好的 principle，就可以生成或模拟出很多好的数据，从而解决模型训练的问题。

类似的方法现在也被应用在具身智能、商业航天等领域。比如模拟机器人运动，我们不可能采集大量真实数据，但可以用物理方程在电脑里模拟，生成数据之后再训练模型。

火箭点火也不可能做 1 万次真实实验，但可以在电脑里模拟很多次，再生成数据训练模型。

所以，这个方法很大程度上拓展了 AI 的数据来源边界。

你们想创业是在这个 milestone 之后吗？你们中间不在一起，后来是怎么又聚到一起创业的？

6. 三人决定创业

2018 年。我在北大继续读研究生，林峰在普林斯顿。他放假回来时，通常会住在我和新宇的宿舍，我们就讨论最近在做的事情。

当时林峰已经做出了这个成果，鄂老师也提出了 AI for Science。他那时正在写一个基于 Deep Potential 的项目申请书，在这个过程中，我逐渐了解了林峰在做什么。

你们本科就很熟吗？

非常熟。我们的同学里，没有比我俩更熟的了。

我们宿舍有一位同学中途回台湾了，不在北大继续读书，空出一个床位，我就去他们宿舍住了一段时间。

我俩从上学第一天就在篮球队、羽毛球队等好几个球队里做队友。在学生会体育部，我们也是搭档。

别人在元培搞学术，我俩搞体育。因为我本科读的是 PPE，政经哲，很多人开玩笑说我是搞 PE 的，也就是搞体育的。

所以一路上革命情谊特别深厚。研究生期间，他住在我们宿舍，我们一起讨论时，我大概知道他在做什么。

是你想让他创业，还是他本来就想创业？

这件事可能不好追溯。

伟杰当时在上学期间也做过很多投资和创业工作。

你刚才不是说他是学生会主席吗？

是元培学院学生会主席。其实那个时候大家都在探索不同的方向。我还做过编辑，也做过一些小的创业项目。我们都是斜杠青年。

你们决定创业是在什么时候？

前面我们一直互相讨论。我当时在投资机构实习，也在问 AI 领域有没有投资机会，哪些方向有创业可能性。

林峰会讲这个领域发生了什么技术变化，也给我当时实习的公司做过很多技术顾问工作。我们正式形成共识，应该是在鄂老师提出 AI for Science 之后，他把我俩叫到一起吃饭，我们三个人把这个想法放到桌面上来谈。

那是在 2018 年夏天之后不久。

鄂老师很鼓励你创业吗？

他当时给我最大的震撼，是把我叫到办公室说了 3 件事：第一，你现在应该毕业；第二，你应该回国；第三，你应该创业。

你那会儿是博二？

对。不只是在学术界，也应该去业界。

这 3 件事对我冲击很大。虽然我一直在折腾很多事情，但对我来说，关键还是要真正认识到什么事情值得做，然后往深处走。

在北大一起探索时，我觉得打完球以后想问题，比在宿舍里想问题更活跃。但那时我其实很享受在普林斯顿做研究的过程，难得终于知道自己要做什么了，感觉像找到了一张藏宝图，已经知道每个地方需要去探索。

突然老师说，你应该毕业、回国、创业。这 3 件事我从来没有想过。

你当时是想继续留在普林斯顿，对吧？

我不是想不想的问题，我从来没有想过别的。因为我才读到二年级，还有很多事情可以做，探索也刚刚开始。

现在回头看，TensorFlow、CUDA 以及算力加速这些机会，我们当时有幸站在一个高度上去做。但那时候我并没有这么高的认识。

所以，鄂老师的推动非常重要。但他说你要做的时候，我说，没有孙伟杰肯定不行。

当时我们就一起讨论这件事情。你最终选择创业，选择的是一种人生和生活方式。

你们三个聊完之后，就下定决心了吗？

对。聊完以后我就下定决心了。

这种选择，现实层面的考虑永远想不完。但我很早就有一个隐含的想法：如果有合适的机会，一定要创业。这是我职业生涯上的一个重大转变。

其实这个转变在 2016 年就已经发生了，只是我不知道机会什么时候来。和林峰一样，我只是没有意识到机会会这么早出现。

我们打篮球的人都知道，如果在赛场上对手给了你机会，或者比赛给了你机会而你没有抓住，最后肯定会被惩罚。

那几天我想了很多，但我们三个聊完的瞬间，我就确定这是我一定要做的事情。

在讨论之前，鄂老师给我的 3 点建议让我完全没想到。我当时想，鄂老师怎么会给出这么跳脱、这么突兀的建议？

但他说完以后，我基本上也想清楚了。因为整个机会是 AI for Science，而不是把 simulation 做出来、发表论文，这完全是两件不同的事。

他当时是怎么和你说的？

他说，首先，这是一个机会。他 30 多年没有见过这样的机会。虽然他 30 岁出头就在普林斯顿做正教授，已经很有成就，但他觉得自己一辈子没有找到真正想解决的问题，而我们看到了这样的机会。

第二，看到机会之后要怎么做。你会发现，剩下需要做好的事情，不只是宏伟蓝图如何实现。我们写了很多代码，还需要进一步工程化，不能每天只做答疑。

而普林斯顿当时人很少，不可能靠这样的方式解决问题。所以他觉得，这件事继续在学校里做，很难做下去。

要有更高的效率、更新的组织形式，以及更多面向最终落地的探索。

所以我们当时形成的共识是，要做一家源自中国、引领世界的科技公司。

如果要把这件事情真正影响整个领域，真正推动落地，那确实需要把鄂老师的几个建议都吸收进来。这只是一个起点，并不是说一定能成功。

如果不这样做，也可以很早毕业，继续做研究，或者去找教职，建立一个小组。但看起来，那样的过程无法完成这件事。

所以这个选择某种程度上是排除法：大部分选择都不行时，剩下的选择就是创业。

而对我来说，伟杰正在寻找创业机会。我其实没想过自己会创业，但我觉得，不这样做可能是不行的。

你们俩是两种很典型、也很互补的创业心态。

有一种创始人很早就想好了自己要创业，只是在等待方向和机会。还有一类创始人，特别是有技术背景的创始人，并不是为了创业去做公司，而是因为想做一件事，觉得这件事需要通过创业来实现。

对。其实最开始我的反应，是这可能是一个很好的投资机会。

我知道林峰在做这个事情，所以按照常规逻辑判断，我想这件事林峰能想到，世界上肯定也会有其他人想到。那这个领域是不是存在投资机会？

于是我很快做了调研，发现这件事在当时确实是世界上独一份的。如果我们不下场自己做，可能还真没有其他投资机会可以参与。

这也加深了我创业的信念。

你还是挺喜欢风险的。因为一件事如果全世界只有很少的人做，可以有两个角度：一个角度是它非常独创，另一个角度是它可能没那么有前景，所以才没人做。

风险偏好一方面来自潜在收益特别高，另一方面也来自对风险底线的容忍度更高。

我和林峰在这方面都相对比较高。我从小在农村和小镇长大，退一万步讲，大不了回小镇、回县城当老师。

我还以为你会说，家里有宅基地。

也可以这么说。但这样一件非常令人兴奋的事情放在眼前——做一家源自中国、引领世界的科技公司，而且可能对科研、药物、材料等领域产生颠覆性影响——你不可能不兴奋。

它的上限非常清楚，下限也远远高于我们的承受范围。所以对我来说，这是一个很容易做的决定。

你们要把一个非常前沿的成果转化成真正的产品和服务。做公司肯定要商业化，这中间会有很大的 gap。你们具体怎么解决？从 2018 年到现在，先做了什么，后做了什么？

刚创业时，坦白讲，我们没有想得特别清楚。我们知道 molecular dynamics 是计算原子间相互作用的，所以首先关注的是，原子间相互作用在哪些场景里会非常重要。

很快就可以模糊地定位到药物开发、化学化工和材料开发等方向。

我们公司是 2018 年 11 月 29 日注册的，但实际开始运营是在 2019 年 5 月。这个过程中，一方面我们没有想清楚具体怎么做；另一方面，光靠我们两个人也不行，需要更多团队成员，还需要更多资源。

所以我们分头进行了很多方向调研，也开始进行人员组织和资源准备。

从 2019 年 5 月到 7、8 月，我们做了非常密集的行业研究。基本上每天看一个行业，把行业数据、产业链条和研发逻辑逐一梳理清楚。

你们找到的、和分子动力学比较相关的前景行业有哪些？

7. 药物成为首个市场

大的方向还是化学化工、药物和材料，也包括半导体、能源等和材料密切相关的领域。

但从行业特点判断，我们第一个选择的是药物。第一，原子间相互作用在药物领域非常重要；第二，药物行业相对有较强的支付能力；第三，产业链划分清晰，而且行业里有很多 CRO，也就是合同研发组织。

我们计算出一个结果后，很快就能拿到实验上验证。所以最开始就选择了这个领域。

在国外，已经有一些公司使用类似方法，比如 Schrödinger 和 Accelrys，它们已经比较成熟。同时，国内也开始出现 AI 制药产业的萌芽。

Schrödinger 和你们的区别是什么？你刚才说，林峰做的方向，当时很少有投资机会。

Schrödinger 做的是刚才林峰讲的第三个方向，也就是基于上一代经验的分子动力学，计算药物和蛋白质之间的相互作用，用于药物设计。

无论是软件还是服务，Schrödinger 在海外都已经是非常头部的企业。

他们没有和机器学习结合，对吗？

对。所以我们先从这个场景切入。事实证明，这个方向很快就得到了验证，也可以进一步拓展到其他场景。

你们对应的产品是 Permit？

对，是我们的药物计算设计软件。刚才说的模块，主要对应药物设计中的 docking，也就是分子对接，以及 FEP，也就是自由能微扰，用于分子优化。

你说 Ornate 这个产品很快得到验证，是指多长时间获得了主要客户？

先是在技术上得到了快速验证，产品上的验证要到 2020 年。

2020 年你们获得了新的客户？

对。当时正好是疫情期间。2019 年五六月份到七八月份，我们在密集做行业研究，也瞄准了 Schrödinger 的产品。

当时林峰正好办婚礼，婚礼第二天就是一个非常重要的项目答辩。我们早期估算过，要把分子模拟做成一个通用基础设施，大概要花多少钱，算下来大概需要 10 亿元人民币。

只是这一件事？

只是这一件事，还不是整个 AI for Science 基础设施。

我们再看账上，只有 20 万元。

这 20 万元最开始是怎么来的？当时还没有融资吧？

对。我们承担了一些科研项目，也做了一些外包研发，所以有 20 万元。除了融资之外，我们还参加了一些比赛，因为比赛有奖金，也算是拿到了创业的第一桶金。

时间特别巧，林峰婚礼第二天要参加比赛决赛答辩。林峰中午在婚礼上致辞，兄弟们还喝得正热烈，他说：“兄弟们不能喝太多，一会儿 3 点还得改 PPT，明天还要答辩。”

当天改完 PPT，我们连夜回到北京，第二天参加答辩。很幸运，我们拿到了颠覆性技术创新大赛的奖项，是 3 年 1200 万元奖金。

3 年 1200 万元，确实不少。

对。所以我们的融资没有特别着急，相当于手上有了一笔小天使资金。

我原本计划，拿到这笔奖金之后，到 2020 年春节后把思路整理得更清楚，再进行第一轮融资。结果没想到 2020 年发生了疫情。

当时人员刚刚组织起来，团队也刚磨合好，刚开发出一个非常简易的版本，在内部完成了技术验证。但我们知道，距离市场化还有很远。正准备大干一场，疫情来了。

当时团队有 20 多个人，分布在全球几乎所有时区，可以说是一家“日不落公司”。

张林峰当时在英国，还有同事在美国和欧洲其他地方。大家接力工作：一个人做完交给英国时区，再交给美国时区，24 小时不间断。

你们当时在中国的同事呢？

当时国内只有我和李新宇。疫情稍微好一点之后，我把李新宇从老家叫到北京，开始了第一轮融资。最终百度风投领投了这一轮。

你们当时去找投资人，怎么让别人先理解这件事？

我给很多投资人讲过这个故事。最大的瓶颈其实还不是质疑，而是大家首先要理解这件事是怎么回事。

我需要做很多偏科学的解释，说明这个问题为什么重要。

归根结底，世界上的所有物质都是由原子和分子构成的。如果我们能够清楚地理解原子和分子尺度上的相互作用，理论上就可以求解世界上所有材料、药物和化学反应的性质。

这意味着，化工、药物、材料、能源等底层研发，会发生很大的变化。

到了 2020 年，我们在 Schrödinger 之外又找到了一个非常值得参考的对标对象，就是法国的达索系统。

你指的是商业模式，还是产品矩阵？

底层技术逻辑和商业逻辑都有。

任何一个工业研发领域的研发范式要成熟，一定意味着研发可以在电脑里完成。如果不能在电脑里准确地做模拟和设计，研发总体上仍然是盲目的。

举个简单的例子，你回家装修，不可能只在脑子里想一个东西，然后直接上墙、做地面、买家具。你肯定会先有一张整体渲染图。这就是工业设计和工业仿真。

达索系统做的事情，就是把飞机和汽车的图纸从纸上搬到电脑里。我们可以在电脑里画飞机和汽车，再基于图纸，用固体力学、流体力学、电磁学、光学等技术，模拟飞机和汽车能不能运行、是否安全。

这就是达索系统本质上做的事情。

在电脑里做研发之后，实验技术也在进步。我们有风洞，但风洞实验并不是拿风吹飞机就结束了，而是要从多个维度收集数据，再用工业软件处理数据，得到真实有效的反馈。

所以我们在 2020 年深入研究产业后发现，过去所有工业研发领域都经历了类似过程：数字化，在电脑里进行 CAD、CAE，并且数字化研发和实验体系形成闭环。

但过去所有工业门类中，和原子、分子相关的工业门类，研发还很不成熟。药物、材料的研发仍然大量依赖重复性实验。

化学最开始来自 alchemist，也就是炼金术师。药物行业直到最近几年才发生比较大的变化，因为有了 AI 和计算。

我们刚创业时，做药的人会自嘲说自己是在“炼丹”。做材料的人会说，做材料就像炒菜，加点盐，加点味精；水不够加面，面不够加水。

所以，过去没有一个理性、成熟的研发范式。商业机会很大，技术机会也很大。

过去的工业研发软件，已经把成熟、可用的科学规律都用上了。固体、流体、电磁等规律，都已经很好地内化到软件里。

但恰恰有一个东西没有被很好利用起来，就是量子力学。

量子力学是通过观测和实验验证的，对吗？

从科学上更准确的说法是“修正”。

比如牛顿力学在低质量、低速的场景下是正确的，但在相对论范畴下，它可以被一个更通用的表达修正。只是这个通用表达在大多数常见场景里太复杂。

你的意思是，宏观物理规律已经被工业设计使用了，但微观的量子力学还没有？

对。微观世界的规律没有在过去的工业研发里被很好利用，而微观世界最重要的第一性原理就是量子力学。

我们恰好找到了一个巨大的工业场景，和一个非常深刻的科学规律之间的匹配。

所以在 2020 年，我们给深势提出的 5 年计划，是做一套微观尺度的工业研发平台，也就是“微尺度达索系统”。

目标是 2025 年？

对，就是今年。最近我和林峰也在复盘过去 5 年，我们发现，2020 年设定的目标已经实现得差不多了。到今年年底，很多工作都能够给市场和当时相信我们的伙伴一个清晰的交代。

8. 微尺度达索系统成形

2020 年我们越深入研究越兴奋。我们先做药物研发软件，再延伸到药物研发服务；同时做材料、电池相关的软件和服务，也服务高校和科研机构，提供相关研发软件平台。

你说的是 Bohrium？

对，Bohrium 科研平台。

最开始是从微观尺度计算做起，也就是原子、分子的计算模拟，以及材料相关的计算。

所以你们 2020 年到 2025 年的计划里，微观尺度的达索系统，一部分对应具体场景，比如药物、材料和电池；另一部分是通用技术底座。

对。我们刚才讲的模拟分子，就是林峰说的那套模型，以及从模型延伸出来的一系列工作。学校里很多老师和学生都在做研究。

一方面，我们需要一套软件平台支撑他们；另一方面，他们在研究过程中也需要算力、存储等资源。我们把这些做成一套更方便、更容易 access 的体系。

这里有一个很大的变化因素：早期成果从来不是静态的。

2017 年对于 AI 来说是一个拐点。2017 年到 2022 年这 5 年，也发生了一系列和之前逻辑完全不同的事情。

2017 年有了 “Attention Is All You Need”，也就是 Transformer；2018 年开始有 GPT-1。底层 AI 发展非常快。

与此同时，每一个算法做出来之后，原则上别人也能做出来，大家都看得到。所以从公司创业成功的角度，我们要找到好的业务和商业落地场景；但底层技术体系要从已经做的事情继续向外拓展，结合新的技术要素。

2018 年开始，另一条线也在发展。2018 年，最开始有 200 多块闲置的 GPU；到了 2020 年，已经有 2 万多块 GPU，可以在当时全球最大的超算上挑战计算极限。

与此同时，我们既要把算法深入应用到药物和材料，也要持续观察每个技术要素的变化。

比如做计算时，不只是集中力量计算一批任务，还需要使用云上的高弹性算力进行批量计算，用本地算力维护私有化数据。这就需要很好的算力和数据管理工程系统。

最难的问题是找人。没有任何一个特定专业、任何一个特定阶段的人是 ready 的。学化学的人不一定懂算法，懂算法的人也不一定懂软件工程或应用落地。

还要懂产品、工程化、商业落地，以及 TensorFlow、AI 等相关技术。

林峰的背景确实很特别。你们需要有人懂数学、化学、计算和 AI，对吧？

我本科在元培学了数学、物理和计算机。元培可以选很多方向，只要满足毕业要求就可以。

我觉得这里有一条很有意思的脉络。尤其是在国内，放眼全球，具备这种背景和训练的人都很少。

国内最好的本科生往往想着出国，毕业之后又按照每个阶段的既定路线往前走。比如去普林斯顿读博士，更正常的路线就是继续在美国寻找教职。

从世俗角度看，我在美国拿到教职，发几篇 Nature、Science，再回国，肯定是一个很高的姿态。

但我当时觉得，如果再过几年，这件事情可能已经做完了。如果我们能更早把握住机会，就可能做到更高的 level。

我们回到缺人的问题。技术上要做什么，往往比较容易明确，但做东西还不够。

这时候非常体现我们本科时的配合经验。我们先吸引了第一个人——李新宇。他当时在学校做辅导员，也已经拿到了留校的 offer。

我们会带很多大一、大二的本科生。最开始我在黑板上写过很多遍算法背景，教大家这些东西。但后来发现黑板根本不够用。

不可能每来一个新同学，就从头写一遍。研发越来越深入时，也很难让每个人都从头学一遍。很多时候需要快速告诉他 API 是做什么的，让他接着做下去。

所以我们需要一套体系。无论是让算法快速落地、让别人使用，还是解决底层算力和数据系统问题，以及人才培养、学习和比赛体系，我们都要自己先建立起来。

慢慢地，大家才能在里面形成新的交叉人才培养体系，再去解决具体问题。

你们内部有类似“量子力学系统”或者课程体系吗？

最开始，美国已经有 Colab 这样的 interactive notebook，有 Coursera 课程，有 Kaggle 比赛，也有 Hugging Face 这样的开放社区。

但这些东西对生化环材、物理、天文地理等领域的人来说，在当时还比较陌生。

所以我们需要 AI for Science 版本的 Colab、Kaggle、Coursera 等基础设施。对应的底层需求包括弹性算力调度、学习时的训练环境等。

这些也变成了交叉人才培养和挖掘的一部分。后来很多人通过参加我们的比赛、社区活动进入这个领域。

早期没有现成的人，我们带了很多大一、大二的实习生，把他们逐渐培养起来。

另一方面，我们组建了 DeepModeling 开源社区。现在它应该也是全球最大的 AI for Science 开源社区之一。

DeepModeling 一方面是发现人才的地方，另一方面也能发现新的场景。有人拿我们的模型做这个，有人拿模型做那个。

这个过程中，我们积累了很多人才和体系。

我觉得你们是一类比较特别的公司，同时在做 3 件事。

第一，做商业化和产品，服务客户，这是一般商业组织要做的事。第二，作为科技公司做创新，开发前沿技术。第三，自己培养交叉学科人才。

教育其实是服务前两个目标的。现代科学分得很细，各个学科之间有很深的壁垒，原有的教育制度不一定适合今天的创新和工作环境。

我研究生学的是教育学。我觉得，AI 时代人的成长力最核心的因素，是学习正在发生巨大变化。未来越来越多会是干中学，也就是按需学习。

搜索引擎解决了信息获取问题，AI 本质上解决了知识获取问题。未来知识本身可能没有壁垒，但更关键的是，如何围绕正在解决的问题，定义自己需要学习什么。

张林峰一开始完全不懂金融、财务和创业。他的第一本启蒙读物，是我推荐给他的埃隆·马斯克传记。

我当时也完全不懂这些技术。后来花了两三个月，把大学里的数理化生教材自己啃了一遍。当然也不可能全部掌握，但在做事情的过程中再继续学习。

这太厉害了。

所以我觉得，教育不是事先规划好的，而是为了解决最终问题被逼出来的。它反向筛选了很多人：如果不能快速学习和适应，在我们的体系里很快就会被淘汰。

作为一家创业公司，你们同时要做这么多事，资源又有限。过程中有哪些特别难的地方、坑或者教训？

我觉得最难的一件事是，站在技术最前沿往前推创新时，其实可以看到很多机会。

回头看，这一波 AI 和 AI for Science 的发展并没有那么割裂，只是大家应用的场景和讨论语境比较割裂，但技术本质是一致的。

所以最开始我们做了很多事情，到 2020 年也在做同样的事情。我们知道某个方向往前推到 limit 应该是什么样，这是对我来说最大的挑战。

AlphaFold 这个方向，我们之前也尝试过。大部分 AI for Science 早期可以做的事情，我们都走过一遍。

包括 Fusion，也就是核聚变？

对，也包括 AI for Materials，以及把很多事情真正放开手做。

但这些事情需要的资源绝对不足，只能用一种交换方式来做：保持火种，却很难放开手做。

后来 Google、Meta 等公司都开始重视这些方向，国内又反思为什么没有在中国做出来。但其实我们做过，只是很多人不知道，也不是所有机会都能做，因为资源非常有限。

你们的融资额，和美国同类公司相比，差了一个数量级。人家可能有几亿美元。

对。最难的是，你可以意识到很多机会，甚至可能是诺贝尔奖级别的机会，但你同时还要从头培养大二、大三的同学。

别人是 PhD 毕业后去大厂或其他地方，我们从大二、大三开始培养，还要自己建设基础设施、给机房插电、部署环境。

所以每往前走一步，我们都要反复思考：最重要的事情是什么？最关键的落地问题是什么？最关键的技术要做到什么程度？

这个 trade-off 是一个很有挑战的过程。

你们有什么比较遗憾的机会吗？当时看到了，但因为资源或判断没有继续推进，后来回头看觉得是很好的机会。

从 2018 年到现在，最大的机会几乎都抓住了。

我们复盘下来，AI for Science 大概有 4 个机会。

第一个是 machine learning for 数理建模，也就是用机器学习做数理建模。第二个是预训练模型用于数理建模。第三个是 large language model，也就是大语言模型如何提升科研效率。第四个是现在的多智能体。

我们在第一个机会里有 DeepMD、DeepKS、DeepWF。第二个机会是把预训练模型用到科研中，比如原子大模型、基因大模型、分子大模型。蛋白质大模型是 follow AlphaFold。

预训练是从 2021 年开始的。

对。数据积累到一定程度之后就可以做预训练。

第三个是 LLM。第四个是多智能体。

预训练和之前用机器学习有什么区别？

之前用机器学习，我们可能要针对一个具体问题训练一个模型。

比如算一个铝合金的性质。铝合金可能由铝、镁、铜、钛等元素构成，我们要专门训练一个模型，计算它的硬度、光泽等性质。

有了预训练模型之后，就可以有一个统一模型。今天算铝合金，明天算高温合金，后天算一个分子，都可以使用同一个模型。

这和 AI 领域本身的发展很类似。预训练之前，大家也针对不同场景做小模型，有了更多数据之后才做预训练。

对。这不是吹牛，我和林峰保留了 2019 年、2020 年的很多 PPT。当时我们已经看清了技术路线：先做一个小模型，发动整个社区积累更多数据，建立数据库，然后做预训练，预训练之后出现大模型。

当时我们还很难预料，大语言模型什么时候会发生突变，但对于原子、分子这些方向，技术路线已经很清楚了。

大语言模型加入之后，主要帮助的是文献研究和信息处理吗？

它帮助的是科研效率，包括信息处理、知识获取、交互指令和交互界面的改变。

很多事情都可以通过自然语言获取信息和知识，也可以通过自然语言和产品交互。

9. 科研范式开始重写

从另一个角度看，每个阶段解决的都是技术与科研场景连接时的瓶颈。

最开始是神经网络表示物理量，但物理上有各种约束，需要先把建模做好。接下来是把建模用于大规模计算，需要高性能优化、云上并发。

通过 DeepMD，我们最大的收获之一，是同时把超算、云和本地化算力都纳入了一个前沿体系。

大语言模型出现后，它和研发场景连接的瓶颈是：如何处理存量的高质量文献、专利和其他科学数据。

这些数据还需要进一步进行科学模态处理、标注和建模，把全量数据整合起来。每个阶段都是新技术出现了，但连接部分还没有解决，那就是我们应该做的事情。

Agent 的方向，是把科研的“读、算、做”整个流程连起来，干湿实验也纳入其中。

如果把科研看成一种生产活动，从经济学生产函数来讲，科研的生产要素是读、算、做 3 项基础设施：数据库、科研软件和各种实验仪器、实验室。

还有一个最关键的生产要素，就是人。

前面的 machine learning、预训练模型和 LLM，改变的主要是 3 个工具。机器学习和预训练模型，更多改变计算相关工具；有了更强的模型和软件，计算能力得到增强，对实验信号的处理也变得更强。

LLM 则让过去的文献数据库变得更强。前面 3 个基础设施，是科研基本生产要素的 AI 化，我们称为 AI 变革新工具。

最后一步是 Agent 改变最后一个生产要素，也就是人。

当前阶段，我认为是 co-scientist，辅助每个科学家的 AI 科研助手。未来，它有潜力自主执行所有科研任务。

过去“读、算、做”这 3 项工具，是设计给人使用的；未来，它们会设计给 AI 使用，让 Agent 自主调用这些工具，完成新的科学研究。

所以，Agent 是另一个维度上的生产力和生产要素重构。

这些事情都需要你们来做吗？你们也可以只做其中一部分。比如 FutureHouse 更偏文献研究和科研 Agent，不涉及科学计算；还有一些公司做实验室自动化。但你们看起来非常全面。

肯定不需要全部都做。我们做这些事情，也是被逼出来的，因为没有别人做得足够好。

在别人已经做得比较成熟的地方，我们基本不做。比如成熟的实验自动化硬件、机械臂和生物实验设备，没有必要重复做。

但如果没有公开 access、无法被你们调用，就必须自己把闭环做起来。

对。科研生产要素缺一不可，必须完成闭环。

在文献和专利这一部分，我们意识到过去的语料不是 AI-ready 的，所以必须建立一套自主的、AI-ready 的科学语料库。

科学语料库不是论文库，对吗？ChatGPT 也可以通过 Deep Research 获取很多论文数据，但它没有一个完整的科学语料库。

对。公开论文和论文摘要只是其中一部分。

理想情况下，最完备的科学语料库应该包括人类历史上所有科学知识。存量知识原则上是可以被做完的，但继续深挖时，会涉及科学模态、科研模型训练，以及科学标注。

比如分子式、实验图谱等数据，目前的模型还处理得不好，但改进方向是清楚的。

问题在于，我们是应该等两三年，等别人把这些东西做成熟以后再做，还是现在就抓住机会，迅速做出好用的产品和基础设施？

我们意识到这是一个很好的机会窗口。正因为别人还没有把事情做得很好，才给了我们机会。

计算方面也是如此。AlphaFold 已经把蛋白质相关任务处理得很好，所以在 Uni-Fold 2 之后，我们有了一些可以 access 的工具。

另一方面，在原子大模型、分子大模型和基因大模型方面，我们投入得更多。

事实也证明，这 3 个大模型不仅是全球较早推出的，而且 follow 我们的都是实力远强于我们的对手。

原子大模型方面，除了 DeepMind，最强的跟随者应该是 Meta。基因大模型 Uni-RNA 的跟随者包括 NVIDIA 的 Evo 2 和 DeepMind 的 AlphaGenome。

分子大模型也是类似，目前 DeepMind 和 Meta 都在跟进。现在看，我们这几款模型在领域里仍然处于第一梯队。不敢说所有指标都领先，但绝对处于可竞争、可比较的范围内。

你们最开始做机器学习 for Science，是 Deep Potential 系列；之后预训练是 Uni 系列，包括 Uni-RNA、Uni-Mol；大语言模型和科研结合是 Bohrium 科研空间站，对吗？

对，比较典型的是 Science Navigator。

最近的智能体是 SciMaster？

对，都是已经有产品对应的。

从不同体系的命名，可以看出不同技术系列。

Agent 现在还是非常初级的状态。

你觉得才刚刚开始？

对。但我觉得，直到 Agent 这一步，才有点像我们 2017 年左右看到的逻辑：AI 和很多不同方向结合，一下子都发展到了一个高度。

2018 年时，无论 Deep Potential 还是 AlphaFold，都已经接近把单个方向推到极致。现在 Agent 起到的作用，是把这些东西连接起来。

最终看到的，是 AI for Science 推动所谓的范式变革，涉及科学研究和工业研发。

变革最后一定会涉及复杂体系里的交互界面：什么东西是和用户交互的界面，什么东西是推动共同体生产关系的逻辑。

在这些方面，Agent 的加速可能比过去所有类型的积累都快得多。

比如刚才说的全量数据整合，以及每个环节上的大模型训练，过去都需要少数人在充满 dirty work 的事情上持续积累。

Agent 可以把这些环节连接起来，同时推动整个 scientific community 进行新的思考。

对 AI 研究来说，Agent 已经让 AI 论文的意义变得越来越有限。它可以写论文、评审论文，很多不够原创的想法，它自己就能完成。

这时我们会反过来问：既然它能完成这些事情，我们为什么还要发表这么多论文？

整个学术共同体的重要驱动力，是同行评审和学术发表体系。过去作为计算科学家，实验科学家发现一个现象后，可能来找我合作，因为我会某个软件，可以对这个现象进行计算。

未来，他可以直接问 Agent，由 Agent 调用软件获得结果，再交互式地解释和发现问题。

这些变化不会很慢。技术体系不一定立刻迭代完，但科研模式、学科定义、跨学科合作方式，都会快速变化。

你能描述一下这个大的图景吗？

在 AI Scientist 或科研 Agent 出现之前，学术研究人员是什么样的生产关系？他们如何工作？有了这些东西之后，哪些维度会发生变化？

第一个变化是，当代科研越来越细分。每个人都在盖烟囱。

同时，大家也越来越受限于发表体系。你不太能说领域之外的话。

举个例子，我用模型解释实验时，模型有很多近似。这个领域的人可能都知道某个近似是合理的，大家接受这个近似。但另一个近似可能就不行。

当一个新技术出现时，它可能直接要解决实验问题，那些近似到底有没有意义，就不好说了。整个细分领域的语言体系会受到冲击。

如果大模型随便做也能完成你过去做的事情，那你过去的论证还有什么意义？

这个冲击非常巨大。

现在只是“读、算、做”中的“算”实现了比较全面的普及。

举个例子，锂有什么作用？它不只是用来做动力电池，也有医学用途，可以治疗抑郁症。

我们关注电池，所以过去研究过碳酸锂。碳酸锂也是一种药。

过去大家不会把这些领域关联起来。材料研究者不会自然地思考“我做的材料还有什么用途”，因为不同领域之间是隔离的。

但现在通过 AI，可能很快就能查到不同领域的知识，产生新的关联。

另一个维度是，越来越细分的科研研发，最后真正能产生实际价值的成果有多少？

这会反过来促使我们思考过去科研的运转模式：投入了这么多，有多大程度能够落地？有多少是真正意义上的纯粹科学发现？

AI 和 AI for Science 平台化建设的进展，会让这些问题变得越来越迫切。未来必须回答：在新的技术条件下，科研范式应该是什么样？

我们需要一个能够平滑过渡的体系，否则过去的方式会越来越不 work。

所以你们要做一家源自中国、引领世界的科技公司。具体要做的事情之外，还有一个更大的想法，就是重塑科学发现和创新的方式，重塑科研范式。

回头看，源自中国、引领世界和科技公司这 3 件事，都面临过 challenge 和 trade-off。

“引领世界”这一点，我们经常会想：是要继续在技术领域引领，还是更现实一点，尽快完成商业变现？

我们也面临过一些商业模式，但觉得可能并不 sexy。

“科技公司”这件事刚才讲过。“源自中国”也面临过选择。

坦白讲，我们也有机会变成一家美国公司，或者变成一家海外公司。

是被收购，还是怎样？

海外有大公司提议，让我们把团队和公司整体搬出去。这样做的好处是可以获得更多资源，而且对方承诺的资源远远高于我们现在拥有的资源。

所以确实有投资方提出过这样的 offer？

对。

回头看，我觉得当时我和林峰做公司的初心，是值得被记住的。

“源自中国”对于科研范式变革而言，是一个非常关键的问题。

我们已经看到 AI 带来的巨大冲击。过去 100 年的科研范式，最开始来自欧洲，然后很大程度上转移到了美国。

后来大家说科学无国界。人类知识的载体是文献、书籍，它的受众是全人类，是为了全人类的福祉和进步服务的。

但这个假设正在越来越受到质疑。

AI 既然在推动科学，AI 底层模型就会越来越涉及这些问题。我们希望推动的是一种开源、开放的体系，从科学研究的价值体系，到工业研发，再到人类共同命运的推动。

我觉得，这个主张在中国更加坚定。

2016、2017 年我在普林斯顿时，看到那些比我大 10 到 20 岁的学长学姐，他们的 paradigm 都是：在普林斯顿做研究，去顶尖学校当教授，这当然没有问题。

但现在，美国很多大学和研究中心的经费受到限制，包括我导师的 center，最近经费都快停了，甚至已经停了。大家能做什么、不能做什么，也受到越来越多限制。

科学共同体一方面要拓展人类认知边界，另一方面又要反作用于下一步技术创新、产业落地，为人类带来更好的生存状态。这个使命正面临很大的挑战。

你刚才提到还在继续做学术的朋友，他们面临经费和资源限制，是因为他们是华人吗？

不只是这样。哈佛、UCLA、普林斯顿都有很多非常知名、具有国际影响力的教授，他们也会面临经费问题。

这其实是一个更大的问题：科学本身应该发挥什么作用？它的价值体系应该如何面向未来？

我们回到刚才说的 miss 和踩坑。还有哪些组织发展、管理上的问题？

当时我们的对标对象，无论是 Schrödinger、达索系统，还是 AI for Science 领域风头很盛的 DeepMind，我们都很确定，他们拥有比我们多百倍甚至千倍的资源。

当时我们还远远比现在小，所以问题是，如何团结更多力量，如何用更巧妙的研发构思，最大程度提高研发成功率，把结果 deliver 出来。

你们资源最缺的时候是什么阶段？

我觉得是 2023 年之前。2022 年可能不是资源最缺，而是最深陷泥潭的时候。

当时发生了什么？

从技术深入推动和落地的角度看，回到最开始说的平台 versus 垂直的问题，最新技术永远需要自证可用性。

所以这不是简单选择平台还是垂直，而是必须先把一件事情做完整。这就要求我们探索药物设计管线，往深处走。

同时，一个创新算法要变成工业软件，也需要工业化、工程化和持续用户反馈，这是一个独木桥。必须走到足够深，才能突破泥潭。

与此同时，新的技术越来越多，外界对这个方向的关注也刚刚开始。微软成立了 AI for Science 中心，国内外大厂都开始关注。

当时每做出一个新东西，都很难解释清楚。别人会认为你是一家陷在泥潭里的公司，还是一家始终保持技术引领的公司？

所以对我们来说，最大的挑战不是要不要做 DeepMind，而是在当时的情况下，究竟应该做什么。

到了 2023 年，我们往哪个方向走，组织、应用和技术上都有很多相互锁定的问题。

药物要往深处推，就必须持续投入，也需要相应团队和组织形式保障。平台要往宽处走，每个方向都要经历复杂的工程化过程，而这个工程化体系不像互联网那样成熟。

与此同时，2022 年年底 ChatGPT 出现了。如何拥抱这个新技术，对我们既是福音也是挑战。

我们还要把新技术应用到文献和专利的全量数据中，把计算和实验真正闭环起来，最终实现加速发现。

这里的“加速发现”，不是脑子里发现一个想法，而是要以东西真正做出来作为闭环。

基于 2022、2023 年的一系列探索，到 2023 年年底以后，我们真正突破了那个阶段。

相比互联网大厂、工业巨头和高校研发机构，我们已经具备了非常独特的组织形态，以及构建基础设施的积累。

我补充一点。在每个节点上，我们都尽量把相应的技术要素做到极致，基本上都在持续引领。

但有一个 trade-off 是必须做的选择：平台到底是做通用，还是沿着特定项目往深里做，比如自己做一款药。

这正是我想问的。我来之前和一些投资人交流，他们说你们也可以选择自己做一条药物管线。

但你们最后还是选择做更通用的平台，对吗？

我认为，真正的垂直管线公司和平台公司的逻辑相对不兼容。

管线公司要把所有赌注押在一两个重要资产上，不断往深处推进。它首先考验的是对更深市场的理解，比如做药，就要理解临床治疗需求，具备很好的立项能力。

其次，在持续推进项目时，还要考验临床管理等能力。

坦白讲，无论做深的管线还是通用平台，对我和林峰来说，学习强度都一样，因为这些事情对我们都是新的。

但我们最终还是希望技术平台本身能够自我迭代。

这个最终选择是在什么时候？

大概是 2023 年。

在这之前，每个阶段都讨论过，也探索过做管线？

我们做过一些尝试。

学习对我和林峰从来不是问题，需要做什么就学什么。核心在于对市场和需求的理解，这不是我们最擅长的地方。

第二，如果深入推进若干条管线，技术平台就得不到充分迭代。如果同一套技术平台服务特定阶段的需求，如果同一套技术平台服务特定阶段的需求，它可能服务 1000 个、甚至 1 万个客户，平台就会自我迭代、自我成长。

这从内心上更符合我们的初心：做一家源自中国、引领世界的科技公司。

为什么做平台会更符合这个目标？

首先，这件事本身是源自中国、引领世界的。把它做成一个平台，服务更多人，也更符合科技公司的定义。

也更有可能激发更多科学发现，而不是只在某一个领域产生结果。

对。但做一款成功的药物，和做一个服务全人类科学家的平台，都具有普世价值，价值上没有高低。

更多是我和林峰个人的内心意愿：哪个声音呼唤得更强烈，哪个选择在我们心里投射出更大的影响。

你们做这个决策时，有考虑过公司未来能做多大吗？

比如半导体行业，ARM、Synopsys 这样的公司给整个行业提供开发基础，但体量和市值可能不如下游直接做芯片的英伟达、英特尔、高通。

这是另一个思考维度。但对我们来说，无论做哪一个方向，做到千亿美元规模都不是问题。

英伟达之所以这么大，是因为踩中了不止一波机会，最近这些年才真正变得特别大。

你不能说 Synopsys 不够大，它也有千亿美元市值。药厂做到大型 pharma，也可能是千亿美元规模。国际头部材料厂商，也可能达到这个级别。

达索系统当时大约是六七百亿欧元，现在大概也是五六百亿美元。

所以我觉得，任何方向做深都可以做大。平台型公司让每个人都能方便地获得信息，也同样可能成为非常大的公司。

在你们现在探索和挑战的这么多方向里，哪个方向最有潜力获得诺贝尔奖？你们想过这个问题吗？

AlphaFold 出来之后，我们就觉得它肯定是诺贝尔奖级别的成就，只是早晚的问题，没想到这么快。

也可以从另一个角度问：诺贝尔奖通常表彰过去几十年对人类产生重要影响的成果。往后看 10 年或 20 年，会不会有哪个诺贝尔奖完全脱离 AI？

我觉得这两年的诺贝尔奖已经反映出，AI 冲击之后，评价标准正在变化。

AlphaFold 获奖，Hinton 获得诺贝尔物理学奖，都说明 AI 已经进入科研评价体系。

现在所有科研工具都在 AI 化。未来越来越多 co-scientist、AI scientist 进入科研领域。10 年或 20 年之后，所有诺贝尔奖都很难和 AI 脱开关系，都会基于 AI for Science，只是用在不同领域。

未来可能会有表彰 AI for Science 基础设施的奖项。刚才提到的分子大模型、基因大模型，以及 AI 科学家，都有机会获得这样的认可。

另一方面，使用这些基础设施发现的新成果，评价标准仍然类似：是不是发现了新的生物学机制、新材料或新的物理现象。这些也会产生大量突出成果。

这其实是 2022、2023 年之后对我们来说非常大的问题。

当时看起来像一个选择题：诺贝尔奖表彰重大成果的第一个发现，鼓励你做第一个，第二个就没有意义了。

但基础设施往往是最后一个。等所有人都在这个基础设施上工作时，它就已经成为底座。

好的产品最后可能需要同时满足 3 个维度：PMF，也就是 product-market fit；正循环的闭环逻辑；以及扩展逻辑。

在巨大技术冲击下，一个好的平台可能同时满足这 3 点：它加速科学发现，因此拥有最好的 PMF；所有人都在上面工作，因此自然成为基础设施；如果它还能推动新的价值体系建立，就形成了正循环。

眼下 AI Agent 让这种可能性的界面变得简单了。每个人都可以通过语言交互来定义问题。

新的诺贝尔奖，可能来自这些工具和方法。平台支持很多科研人员的工作，未来我们可以看有多少诺贝尔奖成果在平台上产生，或者有多少诺贝尔奖得主还没有进入我们的朋友圈。

这算你们的小目标吗？

没有刻意做这件事。我们还是先解决最紧要的问题。解决一个重要问题、建立好的基础之后，别人自然会靠近你。

二〇二四年十月诺贝尔奖公布时，确实对我有一定影响。我也和鄂老师聊过，我们当时确实站在了这样一个可能性面前。

如果 2018 年看到 AI for Science 的机会后，什么都不管，只是一直往前推，而不是经历这么多事情、从大二大三开始培养人才，也许结果会不一样。

你后悔这个决定吗？

肯定不后悔。要是后悔，我可能会后悔死。

我觉得这件事带来的影响，甚至会冲击诺贝尔奖本身的意义。诺贝尔奖是已经存在的评价体系，而我们要做的是科研范式革新，其中当然也包括评价体系本身。

不管有没有我们的存在，评价体系一定会变。我们希望让它朝更好的方向变化。

你们现在有 4 个阶段、4 种产品形态。目前业务上比较成熟、带来较多收入的是什么？

刚才说的有些是产品，有些更偏模型或基础设施。它们也是服务用户，但用户可能是开发者，而不是直接进行研发和价值创造的人。

目前比较成熟的，是药物和材料计算软件，但市场规模相对有限。

现在技术比较领先、市场空间也比较大的，第一是 Bohrium 的 Science Navigator，用 AI 帮助大家处理文献和获取知识。

进一步的 SciMaster，也就是科研 Agent，市场空间可能会很快打开。

Bohrium Science Navigator 是高校和研究机构付费，采用订阅制吗？

对。高校和科研机构可以为学生和老师购买一批账号，让他们使用。

你们还有科学计算平台，类似云平台的商业模式？

也有。但如果说最可能带来较大收入的方向，还是 Science Navigator 和科研 Agent。

“读、算、做”本质上对应智能科研数据库、智能计算平台和智能实验平台。它们单独来看，都可以成为独立产品。

智能实验平台今年还没有足够成熟，可能是明年的重点。

这 3 个平台中的任意一个，都可以独立提供产品；再结合 Agent，可以连接其中一个、两个或者 3 个，形成闭环提供给客户。

你们刚才也说，接下来 5 年一个比较重要的计划，是做 AI 科学家。

如果到 2030 年这一步实现得比较好，我们每个人能感受到什么变化？

一个是和自己相关的，一个是可能离自己比较远的。

和自己相关的，是新一代研发成果。无论是药物、材料，还是和日常生活息息相关的底层支柱，都会有不少产品通过 AI for Science 研发出来。

可以预测有哪些比较有感知的成果吗？

颠覆式电池技术、合金、高分子材料等。药物上市还需要周期，但过去的积累会加快后续过程。

比如固态电池普及？

对，但其中都有不确定性。从统计上说，一定会出现很多成果，但具体是哪一个，取决于未来 5 年的探索。

我觉得每个人都可能拥有一个教授级别的科学家作为朋友。

你可以随时问 AI 科学助手任何感兴趣的科学问题。前两天北京下暴雨，雨后天空变成粉红色，有同事在 Bohrium 上问为什么天空会变成粉红色，Bohrium 给出了非常精彩的回答。

前几天开会时，我们突然讨论到暗物质。我问什么是暗物质、如何探测暗物质、如何用 AI 提升探测暗物质的能力，Bohrium 和 SciMaster 都给出了很好的回答。

现在科普类公众号迅速变火，很多内容也是 AIGC 生成的。生产力越来越发达之后，人对科学的需求也在急剧增长。

未来每个人可能都有一个在各个学科领域达到教授级别的 AI 科学家朋友，有什么都可以问。

从产业角度看，手机续航可能达到 10 天甚至 1 个月，不需要频繁充电。

电动飞机已经有初步产品，但现在可能只能飞 40、50 分钟或 1 个小时。未来固态电池等技术可能推动它进一步发展。

人类所有疾病的药物发现，也可能像现在使用搜索引擎一样简单。得了某种疾病之后，通过 AI 系统迅速分析相关靶标，再快速生成药物。

Insilico 的创始人 Darryl 预测，未来 5 到 10 年人的寿命会翻倍。你们觉得这个预测是不是过于乐观？

因为 5 到 10 年还无法验证，所以科学上也不好反驳他。

我觉得 5 到 10 年内实现可控核聚变，概率会因为 AI for Science 的发展而显著增加。

AI 可以帮助我们登上月球、火星，研发更耐高温、更坚固的材料。

人类有几个终极愿景：消灭疾病、获得无限能源、走出地球进入太空，以及更快的通信和更强的计算。

这些目标的基础设施，都离不开原子和分子层面的研发，也离不开更高效的科学创造。

过去 5 年，我们的愿景是解决微观尺度的工业研发；未来 5 年，我们的愿景是 AI scientist。最终，我们希望服务于人类的这些终极设想。

AI 改造科研之后，科学发现大大加速，会有什么风险？哪些问题需要提前考虑？

有显性的，也有隐性的。

显性的风险是，AI 可以造治病的药，也可以造另外方向的药，甚至制造毒品。任何技术进展都有另一面，我们需要始终警惕。

当工具变得人人都可以获得时，相应的安全监管就必须持续跟上。

隐性的风险，刚才也谈到了诺贝尔奖。诺贝尔奖可能是上一代的评价体系。未来如何评价科研的 3 个要素——工具、内容和人——会变成一个巨大挑战。

工具方面，Agent 能解决多大问题，相对直观。它会冲击过去科学成果工具化、工业软件化的方式。

内容方面，过去论文是科研成果的载体。AI 很快能够写论文、做研究，而且在很多范围内做得更好。从明年开始，这会成为摆在所有人面前的问题。

进一步，有了 AI scientist 之后，human scientist 应该如何被评价？这些都会发生本质变化。

如果这个问题解决不好，为什么可能导致人类科学倒退？

我只能举一些想象中的例子。比如大家不清楚大学存在的意义，不知道选专业时该选什么，也不知道有什么问题值得解决。

我反而不太担心生成毒药或虚假内容。AI for Science 无论创造和传播新的知识，还是创造新的实体，都已经处在过去的监管体系中。

比如合成一个新分子、新材料，它的供应链本身就受到监管。监管机构只需要围绕 AI 带来的新可能性，进行修订和升级，我觉得就可以了。

我担心的是人和大学存在的意义，以及人的成长方式发生变化。

过去人有一个逐步提升的学习曲线。AI 时代，人的学习方式变了，获取知识不再依赖过去的方式。

最简单地说，AI 现在可能还不能替代很多全职员工，但替代实习生没有问题。这意味着人失去了实习机会，初级工作作为练手机会变少了。

人的成长方式会发生变化。

对。这样可能产生结构性的断层，这可能是一代人面临的问题。

AI 原生的小朋友可能不面临这个问题，因为他们从小就伴随着 AI 长大。

另一个问题是，大学和教育机构未来的意义是什么？

现在 AI 做文献调研很快就超过人了；在很多领域写文章，比如写机器学习论文，也可能超过博士生。它甚至可以自己做研究、写文章。

AI 做教学和科研，有很多方面也超过人。那大学老师要做什么？大学学生要做什么？

从教育理念上讲，大学教育的本质，是激发人的勇敢和善良，激发人自主的灵魂。

但在 AI 快速变化，尤其是 AI for Science 快速变化的前提下，过去的教育体系很难跟上。AI 的技术变化比任何一次技术变化都快，教育机构如何适应，可能需要一代人甚至两代人解决。

所以一个风险和变化，和人本身有关；另一个和教育、科研组织有关。

你们觉得 5 年之内，什么专业相对安全？

社会科学里的政治、经济、哲学，应该比较安全。

越基础的学科越安全。物理、化学和数学虽然会有很多 AI 参与，但它们至少能培养人的思维方式和基本能力。

我认为未来人必须学习的专业，数学毫无疑问是其中之一；自然科学里，物理很关键；社会科学里，政治、经济、哲学很关键。

还有计算机。

对，数学、物理、计算机，以及政治、经济、哲学。

当然，文学、艺术和体育也很重要，反而会变得更重要。政治学也永远不会被替代。

这些其实都是比较基础的学科。

自然科学最早的学科是自然哲学。牛顿的书叫《自然哲学的数学原理》，自然哲学是理科最早的学科。

社会科学最早的学科是政治经济哲学，后来才分化出社会学、经济学和政治学。

经历工业时代巨大的分工之后，现在可能又要回到一种更本质、更综合的学习方式和专业划分方式。

我今天和你们聊天之前去了趟办公室，发现很有意思。林峰的办公室比较乱，你的办公室则整齐得夸张，桌上的东西一块一块放好，像拍照时把零部件拆开后码整齐。

你们俩的性格还挺互补。你是 J 人，对吗？

对。

你是 J 人，他是 P 人？

他在不同问题上可能不一样。

我其实也是 J 人，只是在特定问题上表现不同。

你有多整齐？

我的衣柜、行李箱和所有衣服，都叠成相同的大小，所以我搬家特别快。

衣服的尺寸适配衣柜和箱子，我可以一摞一摞地拿起来，整齐地放进箱子里。行李箱里的衣服也都贴合箱子的尺寸。

所有东西都放在固定位置。

你们现在一起做一件很新、也很有挑战的事情。平时怎么相处？怎么分工？你们各自负责什么？

会不会吵架，或者在某些决策上出现比较大的分歧？

创业之后好像没有发生过特别剧烈的争吵。

所以上学时有？

上学时把很多本质问题都吵完了。

我们对彼此的三观和各方面都充分了解、认可，所以创业之后很多问题都比较容易沟通。

如果总结一下，你们俩相同和不同的地方是什么？比较底层的部分。

我总结有两点。

第一是欲望和勇气。我们俩都比较自驱、比较上进，这是欲望的一部分。

第二是都敢于做决定、做改变。

这两点非常相似。当然，欲望的来源可能不一样。我的欲望，更多来自做了很多年体育之后形成的好胜心。

林峰对世界和科学的好奇，可能比我更强。

我看你之前写文章，分享过一本书，叫《牧羊少年奇幻之旅》。我也很早看过。那本书讲的是要一直倾听内心的声音。

我觉得你挺浪漫的，虽然你是理科生。

林峰确实很浪漫。我刚到北大时，本来没想学物理，每天写诗。

你本来想学什么？

我先学了两天经济学，觉得应该经世济民。

结果顺手学了一下经济学，把主修经济学的同学都碾压了，后来就去学物理了。

对。后来我很快放弃了学术路线，觉得自己确实不太适合。

那你们的区别是什么？

这个比较难总结。

刚才不是找到一点了吗？你去我们办公室，看到了整洁程度的区别。

我在内部文章里写过，林峰其实是外冷内热。他虽然是 I 人，平时感觉比较难接近，但内心如火，对所有事情都充满激情。

我有点相反，是外热内冷。我很容易接触、接近，但内心的原则和判断，其实 bar 比较高。

你高中时是不是有一个暑假出去流浪？

高中，不是大学。

为什么要做这件事？

实际情况是，我当时保送了，地方又比较小，很多人想让我替考。

所以你想躲开？

对。我和伟杰有一个共同点：每个人生阶段的下一步，都是去上一步觉得最好的地方。

小学去最好的初中，初中去最好的高中，高中去最好的大学；普林斯顿也是研究上最好的地方。

每次都会觉得，下一个更好的地方一定是符合自己理想主义的地方，大家都会好好学习。后来才发现，并不是这样。

高考时我又想，上大学之后干什么？这和我刚才说大学探索完之后干什么，是一样的问题。

于是我买了几张火车票，带了一根双节棍，就去闯沙漠了。

因为你喜欢李小龙，所以真的会双节棍？

不会。我当时写了很多日记，也有很多思考。

闯沙漠时思考了什么？

我感觉教科书里教的事情，和实际看到的世界很不一样。到了一个地方才发现，它可能也没有那么高大上，也有很多草台班子的地方。

那我应该做点什么，大概就是这种思考。

这件事我印象非常深，但可能以前没有和林峰聊过。

刚上大学不久，我看到了林峰的本子。他写了很多东西，我发现我和林峰在初中、高中阶段看过几乎所有相同的热血动漫，而且都非常深地把自己带入到热血动漫里。

比如孙悟空、樱木花道、漩涡鸣人，还有《海贼王》里的路飞，我们喜欢的东西一模一样。我知道我自己会把自己代入最热血的主角，他肯定也是这样。

此外，他在沙漠里给自己设计了一个个人 logo，和我中学时为自己设计的图案如出一辙。

我一入学就和他是队友，看到这个图案就想，这肯定是同一类人。

你给自己创作过个人图案？

对。

还记得是什么样子吗？

太中二了，还是快进这个环节吧。

你们确实都有很强的内在激情，而且很早就在想以后要做什么，十七八岁，甚至更早。

至少我们都容易被热血、奋斗和激情感染。

还有一个共同特点，就是做选择很快，也比较坚定地选择北大。

我和林峰在做选择时有一点非常相像：与其选择一个确定性很高的可能性，我们更愿意选择一个不确定性更高、但上限更高的可能性。

所以你们都是风险偏好比较大的人。

这也是企业家精神。我看到一个机会，即使有风险，也会想办法抓住。

但可能是大家评估风险的方式不同。风险本身是 noisy 的，从一个维度看 variance 很大，从另一个维度看，variance 可能并不大。

创业的本质，是找到非对称性的风险。别人看起来风险很高，但你凭借 know-how 判断，风险其实是可控的。

你们喜欢的这些动漫角色有一个共同点：都参与了未知的冒险，去追求自己想要的东西。

对，都是比较理想主义的。

我回国时还经历了隔离，隔离期间不知道该干什么。后来我看《灌篮高手》，最后一集没有拍完，B 站上有一些漫画拼起来的视频。

看到某个画面时，弹幕全都在哭。

“老爹，你最光辉的时刻是什么时候？是全国大赛吗？”

对，是一些特别燃的名场面。

我看你 2022 年写过一篇文章，回顾 Deep Potential 发布时的情形。你当时说，希望很多年以后大家会看到，理想主义真的可以改变世界。

那句话是 Deep Potential 发布时，我们一个同事的朋友说的。

你们现在怎么看“理想主义改变世界”这句话？

我依然坚信。但我觉得还要加上另一句话：要有菩萨心肠，也要有雷霆手段。

完整地说，应该是：理想主义的实干家才能改变世界。

10. 创新者即将到来

最后一个问题。接下来一年，最有意思、最值得观察的悬念是什么？

Innovator 到底长什么样子。

OpenAI 讲过它的 5 个阶段，从 chatbot 到 reasoner，再到 agents，下一阶段是 innovator，再下一阶段是 organizer。

现在大家都看得到 Agent 正在快速铺开。但从 Agent 走到 innovator，恰好是 AI 和 AI for Science 一定会正面相逢的阶段。

我们在 7 月底发布 SciMaster 的同时，也发布了一个 baby-level 的 innovator，它是一个 AI for Science 的基座模型。

我们有两种认识世界的方式。

第一种，是把所有互联网信息都铺在面前，让模型学习一遍，学完以后再看自己往哪个方向深入。

另一种，是从通用智能走向通用智能的皇冠，也就是 innovation、科学智能。

还有一个方向，是从科学智能走向通用智能：先把最本质的东西理解清楚，再从数理化和政治、经济、哲学走向社会。

明年，无论是通用智能还是科学智能继续往前走，碰撞点一定是 innovator。所有 AI 厂商都在往这个方向努力，所有 AI for Science 的下一阶段终极问题，也会是 innovator 模型应该是什么样。

你现在看到哪些迹象？Agent 出现，是因为它具备推理、编码、工具使用和记忆等能力。如果到了 innovator 阶段，可能还需要哪些要素？

Chatbot 时代，大模型有一个 scaling law：数据越来越多，模型越来越大，预测下一个 token 的 performance 越来越好。这个 performance 同时影响训练和应用阶段。

从 innovator 的角度看，情况更复杂。现在看到的都只是 future success 的 indicator，而不是真正的 success。

从过去 AI 模型迭代的逻辑，以及现在智能体和人机交互改进的逻辑来看，技术路线是比较清晰的。

但一个不那么显然的问题是，它如何从头构建这个世界。

我回头看自己大二就开始学习广义相对论。学习时知道这个东西怎么推导，但我最遗憾的是，自己已经知道答案，所以缺少了从头 derive 的机会，也就缺少了做出这种 innovation 的可能性。

我本科时恰好原创性地解决过一个问题，但后来才知道别人已经解决过。如果当时有 Science Navigator，我可能根本不会去做，因为会直接知道别人已经解决了。

OpenAI 最近似乎上线了一种新模式，从用户角度看叫苏格拉底模式，不是直接给答案，而是通过对话启发用户。

对。这方面有很多探索，也有很多不同角度。它最后长什么样不一定，但非常值得关注。

我觉得你提了一个很好的问题。现在 AI Agent 已经可以把“读、算、做”闭环起来，自己完成一个任务两三天没有问题。

我想看到的是，AI 真正调用这些工具，发现一两个新的科学成果。

最近 Google 发布的 AlphaEvolve 算不算进展？它把 4×4 复数矩阵乘法从原来的 49 次运算降到了 48 次。

对。这还是一个相对数理化的成果，在计算世界里闭环和验证都很快。

我说的是在材料、化工、药物等领域，真正通过 AI 发现新的成果。

FutureHouse 也声称发现了新药，但从周期看，我觉得其中宣传成分比较大。

以人类过去的认知为基础，探索未知世界，创造完全超越人类想象的东西，也不太可能。毕竟人对世界的认知本身就是分布式的。

但至少超越普通科学家认知的科学成果，我认为明年非常有希望看到。

你们对技术的预测都比较激进。不过你们是从业者，看到的信息和一般人不一样。

和 Elon Musk、Sam Altman 相比，我和林峰的预测都不算激进。

我不觉得 5 年后人的寿命会翻倍。

Oracle 的 CEO 说要创造万能癌症疫苗。

这类关于生命科学的预测，我认为过于激进。

但对于一般科学发现，特定领域、特定环节的科学发现，5 年目标毫无疑问是有希望的。

从你们的视角，人类什么时候可以消灭癌症？

5 年确实有点激进。但到 2035 年或 2040 年，也就是 10 到 15 年，我认为有希望。

不能说消灭癌症，但可以把癌症变成慢性病，像现在的心脑血管疾病和肥胖一样，变成可干预、可治疗的疾病。

那就期待你们关心的这些问题，也期待明年出现新的答案。

今天非常谢谢两位来做客《晚点聊》，分享深势的创业过程，也介绍了什么是 AI for Science。这个领域以前可能比较晦涩，但现在确实有越来越多的人开始讨论，也会越来越多地改变大家的工作和生活。

谢谢。

谢谢。

谢谢。

本期零点呈现推荐这几期过往节目：一百零一期访谈王小川，一百零三期与清华的两位博士生肖朝军和付天宇详解注意力机制的改进，一百一十六期与 Meta 前 Gen AI 研究总监田渊栋聊他写的长篇科幻小说《破晓之中》，和一百二十七期与真格戴雨森做二五年的 AI 年中复盘。我在列的时候也惊奇发现，以往这么多主题视角不同的节目里，我们都会聊到一个共同的子话题，就是 AI 怎么加速科学发现，以及那之后会怎么样。一百零一期是从医疗和生物科技的角度谈到了这个话题，一百零三期我们从注意力要处理的上下文一直在变长延展聊到了这个话题，当时正值 DeepSeq R 一带火了强化学习和推理模型，而在两位嘉宾看来思考几个小时还不够长，比如博士生要应对的科研问题可能要做一年甚至数年，如果模型能继续思考更长时间，那是不是会帮我们产生更多科学发现或大幅加速这个过程？一百二十七期的年终复盘中则讨论了 Open AI 和 Germany 取得 IMO，也就是国际要塞金牌的成果。像陶哲轩这样的数学家已经在尝试用 AI 来辅助研究。而一百一十六期，田元栋在科幻小说《破晓之中》里则设想了科技极致发达后的情况。他认为技术终究会走到所思即所得的状态，所以在他的想象中，高级文明在宇宙里寻找和争夺的并不是之前科幻故事里经常描绘的新型能源或者稀有金属之类的战略资源，而是独特的智慧，是可能被他们忽视的更优解。也就是说，神级宇宙文明在寻找的是更好的 idea。二十年前有一本畅销书叫《起点临近》，起点 singularity 是机器智慧超过人类智慧的临界点。书中预言起点到来的时间是在二零三零年代初，我们准备好迎接预言实现了吗？本期节目就到这里，欢迎收听。如果你对今天聊的话题有观察、好奇或疑问，欢迎在评论区分享想法，这也会成为我们节目的一部分，让整个讨论更完整。你也可以把我们的节目分享给对这个话题感兴趣的朋友，欢迎推荐更多你想听的主题和嘉宾。你可以从小宇宙、苹果 Podcast 等渠道关注“晚点聊 Late Talk”，也欢迎关注我们的公众号“晚点 Late Post”。下期再见。