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 》， 我是曼祺 。 你能想到的 AI 用法有什么 ？《 让猫成精 》《 赛博牛马 》《 未见新明 》。

这里还有另一个答案 ： 加速科学发现 。6 年前 ， 张林峰和孙伟杰 ， 两位 93 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 6 个数量级以上的加速 。

像刚才我说的固体 、 流体 、 电磁 ， 这些都已经很好地内化到软件里面了 。 但是呢 ， 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 —— 功课绝症 、 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 。

有个大家说 " 科学无国界 "，但是这个假设其实是在变得越来越被 questioned。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 ， 和两个热血少年怎么推动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 。

Hello， 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 。

其实就是你们深势来做 AI for Science 的起点 ， 可以说就是和你当时赌博的这个经历还是很有关系的 。

我们可以回到这个开头来讲一讲 。其实我这次准备资料的时候 ， 学了一个看起来很高级的拉丁语 ， 叫 abolitio，是怎么来着 ？

Ab initio。

Abolitio， 对 ， 就是从头开始 。

从头的意思 。

从头开始的意思 。

对对 。

当然这个在你们的这个学科里 ， 它有一个具体的特别的意思 。 我们可以从头开始讲讲 ， 就是 AI for Science 这个现在越来越多人关注的概念 ， 它最开始是怎么产生的 。

那就从我自己申请这个项目的之前的探索开始 。其实我本科跟伟杰都在北大那个特殊的学院 ， 元培 。

元培允许大家去做自由的探索 ， 去学不同学科的课 。 于是其实我觉得本科的时候 ， 对我来说最关键的问题是 " 你要做什么 "。

就是我最开始其实学了挺多不同的方向 ， 最后确定觉得物理是我应该做的 。 然后到大二 、 大三 ， 特别是伟杰去学生会做主席的时候 ， 学量子力学 。

然后 ，但是有一个很绕不过去的问题 ， 就是其实我们知道这个学校都是很卷的 。 大家学得越厉害的人学得越快 ， 最厉害的人可能到大二大三已经把什么弦论啊 、 什么必要的数学都学完了 。

学霸都是这样的 。

然后但是我觉得到大三的时候 ， 我觉得最大的一个问题是什么 ？ 就是学完了干啥 。 当时有一个这个知名的论断 ，是杨振宁先生说给高能物理的 ， 叫做 "The party is over"。

盛宴已毕 。

对 ， 就是这就意味着对一个特别喜欢物理的同学 ，他觉得最 exciting 的事情是爱因斯坦搞这个相对论 ，是这个量子力学的整个发现的过程 。

那都是几年 20 多岁的人就搞出来的事情 。 但是我觉得最这个残忍酷的事情是 ， 好像这样的机会是不存在的 。

然后所以这个迷茫呢 ， 就映射到很多进一步的探索上 。 比如说我发现大二的时候我也学了广义相对论 ， 得分还不错 ，但我发现这个我们室友有学数学的 ， 大三才学古典微分几何 。

我觉得这里面一定有些地方不太对 。 为什么古典微分几何还没到这种黎曼级分 ？ 对对对 。 然后我想学数学的同学也很厉害啊 ， 对吧 ？

然后他一定学这个东西跟学物理的人学的这个 perspective 是不一样的 ， 否则他凭啥到大三才学 ？ 对 ， 于是我后来发现我们学的东西是很有问题的 。

就是你只是接受了一系列的规则 ， 从这个规则出发你能做推导 ， 然后你被验证说考试的时候你能把这个东西从这个规则起点推出来 。

你学了一堆运算规则 。

你这可能要解释一下， 就是因为广义相对论你是涉及到了黎曼级分的 。

对对对 ，是 。 它是以黎曼级分为数学基础的 。 物理上可能大二就把讲义本学完了 ，但是学数学专业的人到大三才学黎曼 。

什么意思呢 ？ 就是爱因斯坦在做完狭义相对论 1905 年之后， 试着将它跟引力相统一 ，但统一的过程中发现有很多困难 。

用了 10 年左右才把这个事情干完 ，但是其实是干到中间的时候发现必要的数学是缺失的 。 但是正好比他早那么小几十年有了黎曼几何 ， 这个是他需要的数学 。

于是他又约等于重学了一遍这样的数学 ， 又把这个东西做出来 。 所以这个过程并不是我们学这门课的过程 。

我们学这门课就是从最开始怎么统一 ， 然后告诉你原来是这么统一 ， 于是有什么爱因斯坦的强方程 ，blah blah blah， 然后就搞定了 。

这样的事情其实到了大三大四探索的时候 ， 已经探索差不多了 。 对 ， 必要的数学又学了一遍 。

然后于是我觉得其实当时是一个很迷茫的状态 。 而且我觉得我们这一代的这个希望从底层的科学 、 底层的物理出发 ， 来去做点有意思的事情的同学 ， 可能都缺点那么 exciting 的这个大的问题驱动 。

你们可以说一下你们是 9 几年出生的吗 ？ 就大家对这一代会更有一个 。

93 年 。

你是 93？

对 。

伟杰是 ？

我也是 93。 我比他大三个月 ， 所以说我俩都相当于都延了一年 。

然后你是因为去学很多方向 ， 所以你多学了一年 ？

对 ， 所以后来不只学很多方向 ，也包括学贵专业 。

哦 ， 新闻 。

对对对 。 就是其实是希望就去知识分子 ， 希望带着一个不一样的视角来去看这些伟大的发现是怎样出来的 ，以及我应该去解决怎样的问题 。

对 ，因为知识分子我觉得他还是比较关注一些大的问题的 。

对对对 。

他是有一个比较经典的视角 。

对对对 。 因为另外他关心数理化的问题的时候 ，也需要很专业的这个背景 。 所以正好这样的理科背景的同学是难得的 。

所以我就很有幸 ， 就是所有这些数理化的方向 ， 可能都是我来准备材料也好 ， 去编辑或者确认事实也好 。

对 ， 你可以继续说 ， 就是从这个迷茫 ， 然后到后面 。

对 ， 所以我觉得这个迷茫是贯穿到整个本科的结束的 。 比较幸运的是在这个过程中也是在底层的这种电子结构 ， 就涉及到从头算 。

就是我从一个最基础的薛定谔方程出发 ， 对材料化学的问题的求解 ， 尤其是利用计算机怎么去求解的时候 ，有了一些初步的算法的突破 。

我觉得这也是让我体验到了初步的这个科研探索的快乐 。 然后也因为这个原因 ， 就 somehow 这个问题就应用到了化学里面 。

所以我在这个本科最后的时候是一方面很迷茫 ， 我去了 MIT，但是我没有去学数学物理化学 ，而是去了机械系 ， 做这个发动机的这个来回运转过程中润滑油的作用 ， 就是发动机模拟 。

然后因为我当时觉得我已经不知道该做什么了 ， 然后往这个方向走 。 然后也有幸得到了认可 ， 说我可以去 MIT 机械系 。

就你当时博士可以去 MIT。

对对对 。 但与此同时呢 ， 就是在这个电子结构方向 ， 确实做了一些凝聚态物理相关的算法 。 而这样的算法呢 ，其实又恰好可以可能用在量子化学里面 。

所以我当时本科生的这个导师叫冯骥 ， 冯骥老师的这个博士导师是 Ashcroft 和 Roald Hoffmann。Roald Hoffmann 是 1981 年的化学诺奖 。

所以我就有幸 somehow 就进了化学这个领域 ，并且产生了一系列的互动 。 所以我在赌博的时候 ，其实是带着这样的一个化学方向的应用的这样的一个科研经历和数学物理的背景 ，以及为了解决这些问题必要的这种计算 ， 甚至量子计算这些探索过的方向去申请的 。

这是一直到 16 年的过程 。 也是因为这个过程 ， 突然决定去普林 ，而也在那一年有了 AlphaGo 这样的进展 。

同时在那一年， 这个我没有选课的时候 ， 我在 9 月份其实还是觉得我应该学很多东西 ， 然后去探索那个我该问的问题 。

特别是我选了这个凝聚态场论相关的课 ， 这门课的这个讲课的人叫 Haldane，是物理学 。 然后我印象特别深 ， 当时 O 老师是我们的这个 Dean of Graduate Study， 就是他要 review 你选课的 。他就说 ：" 你看你本科已经学了这么多了 ， 我其实学了比大家多得多的学分 。"

对 ， 就是因为之前元培发过一篇文章 ， 就是讲你说上学的时候学了 230 学分 ， 这个比一般的北大同学要多很多 。

对对对 。 但同时呢 ， 说你再学一遍什么量子场论 ， 你也就是在学一遍 。 然后跟大师学也就是在学一遍 。

我觉得你应该现在做 machine learning， 就机器学习 。

哦 ， 所以 O 老师给你的建议 。

对对对 。 于是我其实就把所有选过的课都 drop 掉了 。 然后所以我在整个普林就没有再上过课 。 当然那个我刚 drop 完 ， 第二周那个 10 月份嘛 ， 那个 Haldane 就得了诺奖 。

我就觉得 ， 哎 ， 这个诺奖其实不是这个领域的开始 ，而是对这个领域的盖棺定论 。 对 ， 然后一个新的领域 ， 这个领域还存在 ，但是推动它进一步发展的 ， 很有可能的的确确是这一波的 AI。

所以其实那是 16 年的 10 月份 ，也是我整个我们研究的起点 。 因为这个原因 ， 后来就走上了这条路 。

就是把机器学习和一些物理的化学的东西相结合 。 这个可以就是继续往下说 ，因为 AI for Science，AI 和 Science 其实都是很大的词 ， 对吧 ？

因为 AI 和科学里面的具体的含义是很广的 。 就具体到比如说你们做的这件事 ， 或者是说 O 老师在 18 年， 其实他是第一个来提这个词的人嘛 。

就他们在提这个词的时候 ，他这个里面的 ， 我们可以拆开说 ， 比如说它里面的科学这部分指的是什么 。

我想可能 18 年提之前 ，其实很快得到了很多的进展 ， 这也是我们提那个词的背景 。 所以其实我觉得这个背景的选题过程是很好的 ， 可能会回应你刚才问的两个问题 。

一个是 ， 我好开始学习 machine learning，但我也不能说我后来发现 ， 那 machine learning 不能说就做这个 12345 的图片识别 ，在 16 年的时候 ， 对吧 ？

或者做交通的这个数据分析等等 ， 这些方面其实机器学习已经发挥了很大的作用 。 然后深度学习呢 ，在这个强化这个求解游戏这些方面已经做了很多事 。

于是我们问第一个问题是 ， 如果考虑这样的一系列技术应用于我们过去的科学的场景的时候 ，有哪些好的选题 ？

于是我们发现选题不多的 ， 一种类型就是 data 非常 ready， 就跟 image net 一样 。 对对对 。 然后数据有很多 ， 最好还有个搒 ， 对吧 ？

然后最后那个搒刷完之后， 你就这个能证明说这个方法真的跟以前很不一样 。

对 ， 就是有个 benchmark，有个基准 。

对 ，但这样的问题确实我们已经看到 20 年 AlphaFold 2 解决了这个问题 ，并且后来得到诺奖 。 但是其实 1617 年， 尤其是从这个底层的数学物理背景出发的话 ， 这样的问题的机会看起来不多 。

大部分地方不是 data ready 的 ， 甚至大部分地方 data 不只是说它比较散 、 比较少 ，而且很多科学问题它复杂就复杂在很多这种比较深度的关联 。

但是呢 ，其实那个时候就是 O 老师把我跟 Roberto Car 这个叫到了一块 ， 然后我们三个人一起讨论 。O 老师直接第一个问题就说 ， 跟 Roberto 说 ：" 我觉得 machine learning 几年之内就要把这个你做的 ab initio Molecular Dynamics 给颠覆了 。"

然后你看它已经颠覆了 blah blah blah， 这个 image net AlphaGo。 那你觉得这个部分颠覆不了的原因是什么 ？ 这是 O 老师的问题 。Roberto 就解释什么叫 ab initio Molecular Dynamics。ab initio 指从头算 ， 从第一性的原理出发来去求解万物 。

而第一性的原理在从电子原子尺度出发 ，其实就是薛定谔方程 ， 很简洁的薛定谔方程 ，100 年前就提出来了 。

然后解这个方程的复杂度 ，其实是贯穿整个这个百年的探索 。 所以其实正好是在那个时间点上， 就是我们要真正关心的方程就是电子原子怎么相互作用 ， 然后在这个现实的这个问题对应下是能这个有怎样的现象发生 。

这些领域有什么方程 ， 可以举一些例子吗 ？

最主要的方程其实就是薛定谔方程 、 密度泛函方程和分子动力学方程 。

薛定谔方程 、 密度泛函方程 、 分子动力学方程 。

对对对 。 你要我写下来吗 ？

你可以写一下 。

写一下三个方程 。

你可以写 。

对对对 ， 我可以写 。

你可以写一下， 到时候我们好 cue 到 ，有可能会忘 。

对对对 。其实薛定谔方程就是描述什么呢 ？ 描述这个粒子的波函数的相互作用关系 。 对 ， 就是我就把定态的写一下， 就是这是一个长得非常简单的东西 ， 叫做波函数 。

波函数是做什么呢 ？ 就是比如说这是原子的坐标 ， 比如说我这有个这个水分子 ， 这是氧 ， 对吧 ？

这是氢 。 对 ， 这是这三个 r， 就是氧的位置 、 氢的位置 ， 一共九个数字 ， 对吧 ？ 然后就是电子的位置 ， 小 n 个电子 、 大 n 个原子 ， 这是它的一个这个输入 。

以这个东西为输入 ， 然后输出是这样的一个波函数 。 薛定谔方程就是这个波函数的性质和相应的演化规律 。

那它就是比如说对应到物质世界 ， 它是在研究原子之间的什么了 ？

它研究的其实是电子和原子之间的相互作用 。

电子和原子之间的相互作用 。

粒子之间的相互作用 。 而且其实当然不同类型的粒子会满足不同类型的方程 ，但是在我们研究的这个底层的物质来看的话 ， 最主要就是电子和原子 。

电子和原子的相互作用 ， 如果反映到比如说日常生活里就接触了这些东西 。

比如说电流 ， 比如说我们 。

世界所有的物质都是由电子和原子构成的 。 那就是如果说有一台这个十分足够强大的机器的话 ， 那我们看到的这些所有物质的它的性质 ，以及看不见的像它的电流啊 、 磁场啊 ， 这些都可以通过这个 ， 最终都可以通过这个方程算出来 。

这个方程其实是 1926 年提出的 ，也就是 99 年前 。 对 ， 就是到 1929 年的时候 ， 当时 Paul Dirac 就说这个方程基本上全部的化学 ，因为化学就是研究这个从电子开始 ， 对吧 ？

怎么来去建模万物的学科 ，以及这个几乎所有的物理基本上就被这个方程所涵盖了 。

比它更微观的物理 ， 就是电子更微观的 ， 那像那个弦论啊 、 场论啊 ， 然后以及那个极宏观的像这个相对论和量子力学之间的一些冲突啊 ， 如何进一步融合的问题 ， 那其实是它覆盖不了的 。

但除了这些终极问题之外， 世间所有的物理都在这个方程里了 。

对对对 。 而且你可以想象 ，其实它跟这个我们的这个图像是有点像的 。 就不同原子的位置 ，其实到最后就是三维空间的坐标 ， 就是 x、y、z。

所以每个这个东西就是 x、y、z 来去表示的 。 这个问题为啥难 ， 对吧 ？ 首先就是其实首先输入特别多 ， 于是比如说我们其实原则上整个蛋白也是可以被这样的一个方程描述的 。

但是把蛋白泡水里 ， 然后这样的一个体系 ， 对吧 ？ 一个蛋白通常比如几百个氨基酸 ， 然后对应的就是成万 、 几万 、 几十万个原子 ， 几万 、 几十万个原子都在这个方程里面 ， 它的输入就特别大 。

于是它是一个很复杂的高维方程 。

既然这个方程 99 年前就提出来了 ， 为什么好像我们对很多材料和物质的性质也没有研究得那么清楚 ？

好问题 。 这就是往下我们做这个问题的起点 。 刚才林峰说到那个 Paul Dirac 在 。

29 年 。

29 年的时候就说了 ，有了薛定谔方程之后 ，其实所有的化学和绝大多数的物理 ， 它的基本原理已经清晰了 。

但是我们面临的唯一的困难就是这个方程的数学过于复杂 ， 我们无法求解 。 因为它的这个这个方程的计算的复杂度呢 ，是随着原子数量的上升 ， 它的计算复杂度是 7 次方上升的 。

也就是一个近似的算法 。

对 ， 近似的算法还不是最精准的算法 ， 它还是个 7 次方的 。 然后就算是刚才你林峰提到的第二个方程叫 DFT， 就是 Density Functional Theory， 密度泛函理论 。

那个方程呢 ， 已经简化了很多了 。 它把这个方程简化成了一个每个粒子对跟外场之间的相互作用 ， 把粒子之间的复杂相互作用简化了 。

这个方程呢 ， 随着原子数量的上升 ， 还是一个 10 的三次方的这样的一个计算的复杂度 。

所以 DFT 是薛定谔方程的一个简化的版本 。

对对对 。

然后它需要简化 ， 本身就是为了去追求计算效率的 。

对对 ， 就是为了能算一些东西 。 那简化到这种地步呢 ， 能算什么了呢 ？ 几十个原子到上百个原子的体系 ， 我们能算出来就很多这个东西了 。

几十个原子到上百个原子是它们之间的相互作用 。 比喻一下的话 ， 它是个多大的东西啊 ？ 比如说一滴水里有多少个原子 。

一滴水就已经有 10 的什么 23 次方个原子了 。 这个空气 ， 这里一个立方体是阿伏伽德罗常数 ，是 10 的 23 次方 E 摩尔的这个空气分子 。

所以它还是很小 ， 就 DFT 算的范围还是很小 。

几乎就是一个过度简化 、 过度抽象的一个 。 那个几十个到几百个原子嘛 ， 你想一个原子差不多是 1/10 个纳米 ， 差不多吧 ， 对吧 ？

那一个纳米是 10 的 -9 次方米 。 我们现在说的很多纳米颗粒 、 纳米材料 ，其实已经非常非常小了 。

但是你想一个纳米立方里面 ， 可能就有个几百个原子了 ， 几百上千个原子了 ， 上千个原子了 。 那我们关心的大部分材料或者是药物 ， 它的发生或者一个化学反应 ， 它发生作用的空间尺度 ， 那它可能都在几个纳米或者是这样的尺度上 。

这还是光是这个空间尺度 ， 你能包含多少个原子 。 第二是原子之间的响应也是有时间的 ， 它们之间就发生一下相互作用 ， 一下接触 ， 可能是 10 的 -12 次方到 10 的 -15 次方秒 。

实际上它们之间发生的作用 ， 形成我们想观察的这个现象 ，有可能是几百个纳秒 ， 甚至说几个微秒 ， 甚至说有的是在毫秒级别的 ， 像蛋白质的很多性质 ， 对吧 ？

所以说一方面就是它这个计算过于复杂之后呢 ， 你就没有办法算得足够大 ， 算得时间足够长 。 所以说有了这第二个方程之后呢 ， 我们很多问题还是解决不了 。

对 ， 所以说才这才刚开始说我们要做的东西 ， 就是 Roberto Car 做的最大的突破 ， 就是基于这个第二个方程进行一个原子间相互作用的 ， 就是一个分子模拟 。

然后就是这个是我们刚才所说的 ab initio Molecular Dynamics。 所以说咱们的 ab initio 还不是一个真正的从那的 ab initio，其实是一个简化的方程 。

就是是一个已经简单化了一下的从头开始 。

对对对 。

不是真正的从最开始那个从头开始 。

那个 Project 永远没完 。

对 ， 永远没完 。 然后这个 ab initio Potential 做出来之后 ，在 1985 年， 应该是 Car 和 Parrinello 做出来这个突破之后， 已经对后面这现在是 40 年了 ， 这个它的计算化学 、 理论化学 ， 然后统计物理这些领域已经产生了非常深刻的影响了 。

刚才还说第三个方程是分子动力学方程 。

对对对 ， 就是分子动力学的话 ， 就是在这还是要解电子相关的相互作用 ， 然后给定一个原子位置 ， 原子的电子是非常小的 ， 所以每给定一个原子位置呢 ， 电子就会很快的就 adapt 到那个原子周围 ， 满足这样的一个方程 。

但是所谓的分子动力学 ，也就是我们研究这种材料 、 药物等的性质的时候 ，其实是原子在演化的 。

而原子演化的时候 ， 原子每动一步 ， 你原则上就得求解一个这样的方程 ， 就很贵 ， 于是算不大 。

所以其实简化之后的这个分子动力学方程 ， 原则上是比较简单的 ， 原则上就是牛顿力学一般来说就可以刻画的 。

给定原子做 R1 一直到 RN， 它作用的这个能量就是这个 energy， 对吧 ？ 然后受力其实就是比如说 energy 对这个每个位置的负梯度 ， 对它呢就等于 FI。

你能不能写 ？

板着一点 。

我觉得我我我我的孩子 。

对对对 。 然后这样的话 ，其实换句话说什么意思呢 ？ 力驱动的体系在做演化 ， 每演化一步 ， 然后这个原子坐标就会更新 。

原子坐标更新完呢 ， 这个能量就 。

它们之间相互作用的能量又变了 。

对 ， 变了之后呢 ， 你就一步就跟放电影一样 ， 你这一帧的时候 ， 原子这么摆的 ， 于是它们相互作用是这样的 ， 于是把它往前走一步 ， 变了之后再走一步 。

但每一步在过去得用量子力学的方式 ，是很贵的 。 那么于是我们的建模任务就是说 ， 我能不能拿 AI 来去表示这样的一个以 R1 到 RN 为输入 ， 然后输出是能量的这样的一个复杂高维的函数 。

所以分子动力学这个方程是对 DFT 又简化了一下 。

是的 ，是的 。

然后你们现在要跟 AI 去结合 ， 或者说跟机器学习结合的部分是在第三个这个 。

是 ，是那个其实这个在我们的那个深度智能的那个宣传片里面 ，也有一个比较生动的一个动画 。 实际上呢 ， 就是分子动力学呢 ，有两种方式 ， 一种是像你说的 ， 把它又简化了 ， 把它们原子之间相互作用的这个力和能量简化成一个更好算的了一个版本了 。

但是那个刚才林峰说的这个 ab initio Molecular Dynamics，是基于密度泛函的计算去评估原子之间相互作用 ， 所以这个用的是密度泛函的精度 ，但是模拟的是原子间的演化 。

然后呢 ， 我们的这个 DP Deep Potential 用 AI 来算这个东西 ， 让它能够算得更快 ， 然后能算得更大规模 ， 能解决实际问题 。

就是用 AI 算 DFT， 算密度泛函 ， 函数算得更快 。

是用 AI 去做一个所谓的 surrogate model， 代理模型 ， 使得它具有这种从头算的精度 ，但是呢 ， 效率要高特别多 。

就是说从最开始的这个薛定谔方程开始 ，其实它就是有一个很难兼顾的地方 ， 就是你的精度和效率 。 所以你们其实找了一个方法 ， 就是去兼顾这个精度和效率 。

对 ，是的 。

这是在 178 年的成果 。

对对对 ，是其实是从 16 年底开始探索这个方向 ， 于是其实不只是这个方向 ，其实是从原始的这个方程 ， 这个复杂的波函数能不能被神经网络替代来去求解 ， 到密度泛函的这个表达形式能不能更高效准确 ， 到原子间相互作用的式函数能不能很精准的建模 ， 这都是一个复杂高维的物理量 ，有没有可能被 AI 有效的表示逼近和加速求解的过程 。

对 ， 于是整个这个规律就变成了就跟 go game， 就是这个围棋 ， 它规则是很明确的 ，但是你求解的时候 ， 这个这个棋谱到对应的一个下一步怎么走 ， 这个建模关系是非常复杂的 。

物理的规律也是很清晰的 ， 虽然有点需要解释 ，但是对物理学生来说早就学了 。 对 ，但是呢 ， 怎么去从头基于这样的物理规律来去加速求解 ， 来去能够映射到这个方向 ， 这就是把这些方程怎么有效的 、 高速 、 高效的 、 准确的用 AI 模型表示的问题 。

对 ， 所以它就变成了一个统一的问题 。 那具体怎么解呢 ？ 就就是我们在 17 年很快取得很多这个进展的方向 。

你可以回忆一下当时取得了一个比较大的里程碑式的成果是什么 。

首先是把这套跑通 。 这我就还是聚焦我们 Deep Potential 的这个第一个比较直观 。其实这个建模在当时我们已知的有东西 ，有什么神经 ， 就是除了物理知识之外， 当时其实各种各样的神经网络已经都出来了 ， 除了 17 年的 Transformer， 对吧 ？

然后这样的一些神经网络 ，其实最直接的就是反正的一堆数作为输入 ， 对吧 ？ 然后输出一个数字嘛 。 那我我现在是以一堆这个原子的坐标为输入 ， 输出一个能量 ， 然后我用神经网络表示它 ， 能不能就直接建模好这样的一个方程 ？

答案是不能 。 因为这个体系 ， 比如说这个水分子 ， 它是这个这样的一个坐标 ， 对吧 ？ 然后它旋转之后， 同样还是相互作用是不变的 。

就是说这样的一个方程有不有一个这个对称下操作下的不变性 ， 怎么去保证这样的一个对称操作下的不变性 ， 就变成了一个我们在建模一个 AI 表示的物理量的时候 ， 一个必要的考虑的问题 。

对 ， 于是这个问题呢 ， 就变成了这个对于波函数来说是交换反对称性 ，A 和 B 状态交换之后， 符号得换号 。

这块对于这个原子体系来说是平移旋转的不变性和交换的不变性 。 对 ， 所以这些不变性该怎么做 ？

对 ， 当时我觉得呃最大的一个有突破性的想法吧 ，其实是最终反正就是表示这么多不同的不变性 。 以前会人们会有两种极端 ， 就是一个就是太领域侧了 ， 就是他就会说哎 ， 这个水有怎样的性质 ， 我就有个 descriptor， 就特别像 AI 做的过程中的特征工程 。

对 ， 然后这个 extreme 就是非常的不 general， 就是我处理水的就处理不了硅 ， 处理不了半导体 。 那怎样 general purpose 的去做 ， 就是一个简单的对称操作的一个处理之后， 用最通用的神经网络去建模 。

这是一个数学问题还是一个计算问题 ？

这是一个数学问题 。 所以其实数学建模在这怎么去处理对称性 ， 建模高维的对称函数 ， 就变成了一个数学问题 。

这问题使得我们有了一个比较有所谓的呃指导原则的解决方案 。 对 ， 然后这个东西搞完之后， 同时呢 ， 就是实现完它之后， 又在这个呃当时像 TensorFlow 这样的一些呃 AI 框架下做实现 ， 很快的就本来是 5 月份有了一个 demo， 然后那个老师们说你可以拿这个东西去做你的 PhD thesis 了 ，17 年的 5 月份 。

对 ，其实但是事实上当时也当时正好是昨天我们还提出来大师兄这个带我的大师兄去 DeepMind 去 ， 去之前给我推荐了你是你应该拿 TensorFlow 做 。

对 ， 然后当时其实是我跟国内的合作者王涵在刚开始接触 TensorFlow， 再把它实现成一个非常通用的方案 ， 只用了一个月 。

所以等到 6 月份的时候 ，因为这个 Roberto Car 组里有很很昂贵的这个从头算的数据 ， 我们就在笔记本上进行了模拟 ， 就发现它的结果跟这个非常昂贵 2 亿个 core hours，2 亿核时的这个结果是非常一致的 。

我之前听你分享过这个故事 ， 你是在飞机上算的 ， 用你自己的笔记本电脑 。

非常跑的 ， 对 ， 非常跑 。 跑这个程跑了多久 ？

嗯 ， 如果想跑这个第一性原理的那个结果的话 ，其实只需要跑不到半个小时， 就能跑这个 。 对 ， 然后训练需要一定的时间 。

那你刚才说用那个很昂贵的设备要算 2 亿核时 ，是什么概念啊 ？

2 亿个核时的话 ， 按照当时的价格 ， 可能一个核时要一毛钱左右吧 ， 就是一个 CPU core， 就是一个核算一个小时， 就要一核时 。

对 ， 现在的核时越来越便宜了 ，因为但是当时其实核时还是比较贵的 。

就之前这些科学计算都是用 CPU 算的是吧 ？ 不是用 GPU。

最开始所有的科学计算 ， 所有的计算都是用 CPU 的 。

对 ， 最开始是 GPU。 那 12 年之后 AI 其实用 GPU 就比较多了 。

对对对 。

但当时物理化学这些计算还是用 CPU。

当时其实人们在开始用 GPU 进行尝试 ，其实 GPU 在 12 年这个 AI 之前 ，在它 05 到 12 年之间的这个探索里面 ， 除了游戏显卡 ，其实做的最多就是科学计算 ， 从高能粒子到分子动力学 ，其实都有相应的 。

对 ， 对 ， 对 ， 对 。

这其实也是一个这个很很很关键的事情 ， 就是其实 17 年有了这些突破 ，在各尺度上我们都做了一系列的事情 。

当时其实拿笔记本就能干过超算 ，因为你是在一下获得了 6 个数量级以上的加速 ， 然后每天以前跟导师是一个月讨论一次 ， 之后改改代码讨一个月 ， 现在是上午讨论完 ， 然后围着笔记本做计算 ， 下午就能继续讨论 。

所以老师们觉得我非常 productive，其实是计算的非常快 ，不是我 。 对 ， 然后嗯 ，而很快的就是也也是因为这个原因 ，其实我们这还尺度还可以继续往上涨 ， 比如说这个界关宏观 ， 各个尺度上的物理方程都可以这样的一个套路去解决 。

所以说它其实就变成了一个非常系统性的全面的机会 。 而且呢 ，其实它对应的就是从这个电子之间相互作用 ， 泥态物理到化学材料 ， 再到我们的这种 ， 比如说这日常的天气预报 ， 或者说汽车飞机等的建模 。

对 ， 所以就把这样一系列的机会都有望说在这样的一个新的范式下能够改变 。 这是 17 年底 。 而 17 年提你提到的 GPU，其实还有一个非常关键的事情 。17 年底的时候 ，Princeton 买了 200 多块 P100， 当时因为你要去这个用超 ， 开始就笔记本不够了 ， 用超算 ， 对吧 ？

然后呃 ， 我就看到这个 GPU 其实当时闲置率非常高 。

普林斯顿买了 200 块 P100 是什么 ？ 就整个学校还是哪个学院 ？ 是整个学校给你们研究生用 ， 还是所有的 。

研究生都可以用 ， 研究生只要有这个相应的经费都可以用 。 但是我发现就是你每天看嘛 ， 就是你会发现有很多的闲置 。

我我觉得核心原因是其实那会 AI 还不够火 ， 那只是一个起点 。 对 ，而且那会其实想要实现一个 AI 代码 ， 还有很大的这个功夫要下， 就是你还要写很多的 code，不像后后来比如有 PyTorch 什么就很容易了 。

但是当时编译 TensorFlow 我每次都得从头编 ， 然后版本进化也很快 ， 对吧 ？ 它每次就问你要不要 CUDA support， 于是就反正就一看闲着那么多机器 ， 然后又急着想算 ， 然后就点了一个 yes， 然后就瞬间编通了 。

编通之后训练的效果 ， 训练的速度又提速了 10 倍 ，而且你瞬间又有了几百块卡 ，因为当时没什么人用 。

到 18 年的时候 ， 你发现这个生产力就是无穷的 ， 我肯定不能让这个卡闲着 。 同时呢 ， 我们把这个所有代码开源 ， 所有的人都在使用 ， 我们就有了一个极其快速 ， 就方方面面都会加速数个数量级的迭代和这个对很多问题的探索的推进 。

对 ， 所以这我想可能这也是我们早期意识到的 infrastructure， 无论是 TensorFlow 这样的一个框架 ， 还是呃 CUDA 啊 ，GPU 这样的一个底层算力的基础能够起到的作用 。

这可以继续往后讲 ，因为其实后来到 18 年， 就是郭老师就是正式说了 AI for Science 的这个想法 ， 对吧 ？

郭老师 AI for Science 其实恰恰是因为林峰用 AI 去加速 DFT 和分子动力学的计算 ， 然后取得了一个其实当时看起来是一个方法论的这样的一个通用的一个方法论 。

我和当时的很多同学 。

对对对 ， 是一个 team。

对对对 ， 然后其实这个方法论呢 ，是呃过去很多数数理建模方面和求解方面都面临着很多的问题 ， 都面临着这个高维函数的建模和求解的问题 。

而机器学习呢 ， 看起来是一个非常适合进行高维函数的建模和求解的工具 。 那郭老师甚至说 ，他甚至当后来发了一篇文章说 ， 机器学习看起来是应用数学领域的最后一块 ，有了机器学习之后， 应用数学的拼图才终于完整了 。

然后所以说呢 ， 郭老师关注到很多的高维问题都可以用 AI 来做 。 当然那个时候我觉得 AI 的概念变化也很快 ， 我觉得那个时候的对 AI for Science 的定义更多的是 machine learning for Science。

对 ， 那会我觉得按刚才描述的 ， 就总结一下， 它可能更精准来说是机器学习啊 ， 用来去解决科学计算之前的一些瓶颈 。

对对对 ， 物理方程 。

对 ， 加速求解 ， 加速物理建模和求解 ， 数理建模和数理建模吧 。

对对对 ，而且物理建模和求解 ， 它是一个就是对呃物理化学里的很多领域 ， 很多底层功用的基础的一个方法 。

对对对 ， 然后所以说 Deep Potential 的这个工作 ， 可以说是 AI for Science 领域的一个奠基性的开创性的 ，并且是带来了一个对更 general 的方法论的思考的这样的一个工作 。

所以说我觉得郭老师的这个前瞻性和这个是其实建建立在非常扎实的团队的工作的基础之上 。 当然 18 年夏天在北大开会 ， 跟唐老师一起一起提出这个 AI for Science 的概念之后呢 ，其实确实是很快就在相关的领域里面学术界产生了很多影响 。

对 ， 这个在业界这个说法后来慢慢就传开了嘛 。 对 ，因为一些行业会议是到后面就经常会有小的分论坛 ， 就是专门讨论这个的 ， 包括黄仁勋自己在 24 年的 GDC 上 ，他其实也讲了三个主要的趋势 ，其中有一个就是 AI for Science。

然后一般人就是想到 AI for Science， 就刚才我们也提到那个 AlphaFold 2 嘛 ， 就是它得了诺奖之后， 这个影响力肯定是变大的 。

就是关于这个蛋白质结构的预测 ， 这个和我们刚才讲的这个物理的建模和求解 ， 它们之间是什么关系 ？

对 ， 从方法论 ， 一个是 data ready， 就跟我刚最开始介绍的 ， 就是说第一波这样的 AI 可能性来的时候 ， 一个是更加 data ready 的 ， 对 ， 就 AlphaFold 这样的 ，其实是 AI 发挥的作用是拟合数据 。

嗯 ， 就是那个领域本身已经有了 ， 那个领域有了两二十亿条蛋白序列和二十万个蛋白结构 ， 我们要建模的问题是从序列到结构的预测问题 。

所以其实整个数据基础 ， 当然有很多领域的认识和实践的基础 ，是在那个时候正好是一个井喷的点 。

而从 AI 的本质建模逻辑上来说 ， 数据是一定需要的 ，但是对于很多科学问题来说 ， 数据不是天然就已经存在的 。

所以其实像 Deep Potential 这样的问题呢 ，是物理规律是存在的 ，但是从中挖掘出这个物理规律里面蕴含的对实际的指导 ，是过去在纸笔和计算机上不容易做的 。

而 AI 起到了一个在规律的这个指引下加速求解的过程 。 对 ， 这是我认为是这个类比于 ImageNet 和 AlphaGo 的早期的几个这个套路很清晰的这种呃这个 AI 应用方式 。

比如说在就是那个呃 Deep Potential 这个里面 ， 它输入的是什么 ， 输出的是什么 ？

输入的是原子位置 ， 原子位置 ， 输出是能量 ， 输出是能量 ， 输出是能量 。 对 ，但原子位置的数据之前是没有那么多是吗 ？

其实是这样 ， 就是它没有 ready 的实验测量的数据 ，但是它呢有一个可以计算出来的 first principle， 对 ， 就可以用这个 principle 去生成很多从位置到能量的这样的数据 ， 从第一性原理生成 。

所以说其实如果我们都都以数据为这个本位视角来看的话 ，其实这个工作的一个重要意义是把 principle 加入到了这个数据的这个列表里面来 。

嗯 ， 就是在没有数据的地方 ，但是你有一个好的 principle 的时候 ，其实你可以生成或者模拟出很多好的数据 。 那那这样的话 ，其实也可以解决这个呃模型训练的问题 。

所以说其实类似的方法现在在比如说集成智能领域 ， 对对对 ，在这个什么商业航天领域 ， 这些领域都都在使用 ， 就是其实模拟一些没有很多机器人运动的数据 ， 对吧 ？

那大家可以用那个物理方程模拟出很多机器人运动的数据 ， 然后包括火箭点火 ， 我们不可能做 1 万次实验 ，但是我们可以在电脑里面模拟很多次 ， 然后生成数据之后再去训练模型 。

所以说当时的这个方法呢 ， 很大程度上是拓展了 AI 的数据来源的边界 。

那你们想创业就是在这个 Milestone 之后是吗 ？ 你们就中间是不在一起 ， 后来是怎么又凑到一起来创业的 ？

18 年，18 年 。 对 ， 那个研究生我们我是继续在北大读书 ， 然后林峰在在 Princeton，但是他通常放假回来的时候都会住在我和欣雨的宿舍 ， 然后这个讨论讨论最近在做的事 。

然后当时那个林峰就已经做出来这个成果 ，并且郭老师提出了 AI for Science。 那个时候林峰在写一个基于当时的 Deep Potential 在写一个项目的申请书 ， 然后当然在这个过程中我也就更了解了这个林峰在做什么事情 。

你们是本科就很熟吗 ？

那超级熟 ， 我们所有的同学里面没有互相比我俩更熟的了 。 这个他们宿舍这个有一位同学中途这个回台湾去了 ， 就不在北大继续读书了 ， 空出来一个床位 ， 然后我就在他们宿舍进行了一些新的建设 。

然后我俩是那个从上学第一天 ， 我们就在篮球队 ， 然后羽毛球队等好几个球队都是队友 ， 然后在那个学生会体育部 ， 我俩还是搭档 。

别人在元培是搞学术 ， 我俩就是搞体育 。 所以说他们好多人开玩笑 ，因为我本科学的是 PPE， 就是正经哲 ， 正经哲 ，他们好多人开玩笑说我是搞 PE 的 ， 就是搞体育的 。

对 ， 然后所以说就是一路这个革命情谊特别深厚 。 所以说在那个研究生期间 ，他在我们宿舍我们一起讨论的时候 ， 我就大概知道他这个事是干啥的 ，是你想让他创业 ， 还是他因为本来就你也想创业 ， 这事可能不好追溯了 。

哈哈哈 ， 对对对 ，他也讲伟杰当时上学的时候也做很多投资和创业工作 。

你刚刚不是说他是学生会主席吗 ？ 是光呃是那个元培的学生会主席 。

对对对 ， 后来其实我觉得那个时候大家探各方面探索都很多 ， 我还做边警 ， 对吧 ？

对对对 ， 所以都是斜杠青年， 然后也自己搞过一些小的创业项目 。

你们俩决定好创业是在什么时候 ？

其实我觉得真正的一个时间节点 ， 前面互相讨论 ， 我也在问说 AI 领域有没有什么投资机会 ，因为我在投资机构实习嘛 ， 然后也在想哪些方面有创业的可能性 ， 然后他也在讲这个这个领域就有什么技术变化 ， 包括他也给我的当时实习的公司做过很多这个呃那个技术上的顾问 。

然后我觉得正式的那个时间点 ， 可能我们互相都有这个想法 ，但是正式的点应该是郭老师提出 AI for Science 之后， 把我俩拉到一起 ， 我们一起吃饭 ， 然后我们三个一起把这个想法就放到桌面上来谈了 。

那就是 18 年夏天之后 。

对对对 ， 提出 AI for Science 之后不久 ， 所以郭老师是很鼓励你创业的是吗 ？ 他作为你的导师 ，其实同时给我当时给我最大的震撼的一个点是 ， 郭老师其实把我叫到办公室说你应该现在毕业 ， 然后第二就是应该回国 ， 第三就是应该创业继续搞 。

你对我是博二啊 ， 就是不只是在学术界内搞 ，也应该在业界 。

对 ， 然后这这这三个事情呃对我来说都冲击蛮大的 ，因为虽然我在折腾很多事情 ，但我觉得对我来说关键还是真正认识到什么事情是要做的 ， 然后往深走 。

所以在北大我们一起探索的过程中， 我觉得打篮球想问题是比在宿舍想问题更活跃的 。 但那个时候其实我特别享受在普林做这些事情的过程 ， 难得终于知道自己要干什么了 。

可以有很多就是说真的是有一个藏宝图 ， 你已经发现地图了 ， 一个地一个地方需要你搞 ， 突然郭老师说你你你你应该毕业 ， 你要毕业 ， 你要回国 ， 你要创业 ， 这三个事情我就从来没有想过 。

就是那会其实你是想在普林就是继续待下去 ， 对吧 ？

对 ， 我不是说我想不想 ， 我我从来没想过别的 ，因为我对吧 ， 二年级 ， 然后而且有好多可以做的事情 ， 然后探索刚刚开始 。

而且现在回顾的来说 ， 当然什么 TensorFlow、CUDA 什么加速什么的 ， 这些东西是那个时候其实我我们有幸站在一个这个高度上去做 ，但那个时候我我其实没有那么高的这个认识 。

对 ， 所以这点我觉得郭老师的驱动然后很重要 。 同时郭老师说你要做的话 ， 我说呃没有孙伟杰肯定是不行的 。

对 ， 我说然后所以我们就一块就在 18 年就讨论了这个事情 。

你们自己想清楚什么时候 ，因为这个东西肯定最后还是你得自己有一个跳进来的决心嘛 。 你选择创业其实选了一种人生或者说生活方式的 。

当时我们三个聊完我就下定决心了 。

对对对 ， 我在三个聊的时候 ， 郭老师那时候叫我那就说完这三点 ， 我我也下定决心 。

就是对于这种选择呢 ，其实我觉得别的太多现实的考虑 ， 你永远是想不完的 。 但是我觉得可能因为我早就有心中有一个隐含的想法 ， 就是如果有合适的机会一定要创业 ， 这也是我就是职业生涯上我自己的想法一个比较重大的转变 。其实这个转变是在 2016 年的时候我就心中就想好了 ， 只不过我不知道这个机会什么时候会来 。其实跟林峰一样

， 我只不过没有意识到这个机会这么早就可以来 。 但是他我们打篮球的人都知道啊 ， 就是你在一个赛场上， 如果对手给了你机会 ， 或者说这个赛场这个这场比赛给了你机会 ， 你没有抓住的话 ， 肯定是会被惩罚的 。其实当时那几天我想了很多 ，但是其实我们三个一起聊完的那个瞬间 ， 我就确定了这个肯定是我要做的一件事情 。其实我们讨论

前 ，因为郭老师给我说的这三点 ， 让我觉得完全没想到的 。 我想郭老师怎么可以这么跳脱 ， 就是给你这么突兀的建议 ，但是他给我说的时候 ， 我我也是基本聊完我就想清楚了 。

因为呃整个机会是 AI for Science，不是这个 simulation get simulation done publish the paper。 对 ， 这这是完全不同的两个事情 。他是怎么和你说的 ？

他就说首先这个机会就是这么个机会 ， 就是他是他觉得嗯他 30 多年没见过这样的机会 。他觉得他虽然也看得很有成就 ， 三十三十岁出头就在 Princeton 做正教授 ，但是他觉得他一辈子没有找到真正他想的那些问题的解决方案 ，而我们看到了 。

这是第一个 。 第二就是看到的 ， 看到之后你该怎么做 ， 你就发现剩下继续该做好的事情 ， 就别的不说 ，不说说这个东西宏伟的蓝图怎么实现 。

我进一步写写了那么多 code，也需要进一步的工程化的建设 ， 我不能每天就答疑 ， 对不对 ？ 然后那这个时候 Princeton 是人很少的 。

对 ， 然后没呃对 ， 所以说他肯定不是这样的一个过程能够解决的问题 。

所以他觉得这件事情在学校里继续做 ，他觉得是做不下去的 。

对对对 ， 要更高的效率 ， 更好的更新的组织形式 ，以及更多的一个面向最终落地的探索 。 对 ， 所以其实当时我觉得形成的共识是做一家源自中国引领世界的科技公司 。

所以源自中国到最后能够把这件事情真正影响整个领域 ，以及能够真正深入推动落地 ， 想把这几件事情做好的话 ， 那确实就需要把他的几个建议都吸收 ， 才有可能 。

它只只是一个起点 ， 才有可能 ，并不是说就一定能发生 。 但是如果不这样做 ， 那个确实可以很早毕业 ， 然后去再做 ， 可以做个继续这个做教职等等等等 ，也可以有有个小组 ，但是看起来不是这样的过程能做做完这件事情 。

所以这个选择其实是排除吧 。 对 ， 大部分选择不行的时候 ， 那对我来说正好这个伟杰是找创业的机会 ，而对我来说我其实没想过我自己会做 ，但是我觉得好像没有不这样做是不行的 。其实你们俩都是两种挺典型的创业的心态 。

有一种创始人是他其实很早就想好了我就是要创业 ， 然后他在等待一个方向和机会 。 还有一类创始人， 这个有很多技术背景的创始人是这样 ， 就他其实不是为了创业呃来来做一个公司 ，而是他为了要做一个事 ，他觉得这个事需要通过创业的这个方式来实现 。

来实现 ， 对对对 。

所以你们俩是在这个方面就很互补 ， 很互补 。

对 ，其实当时我也在看这个是不是我第一的反应是我出可能出现一个很好的投资机会 ， 知道了这个事情的 ，因为最最开始我就知道林峰在做这个事情嘛 。

那当时这个我按照常规的逻辑来判断的话 ， 我说这件事情林峰能想到 ， 世界上肯定有也会有其他的头脑能想到 ， 那这个是不是也有一些领域里面投资的机会 。

然后当然我就做了这个领域里面的一个非常快速的调研 ， 然后发现哦 ， 这个事情还真的是在当时的阶段是世界上独一份的 。

如果我们不下场自己干的话 ， 可能还真的没有其他的投资机会可以去搞 。 然后所以说这个某种程度上也是加加深了我这个决定这个这个创业的这样的信念 。

那你还是挺喜欢风险的啊 ，因为有一件事如果只有世界上目前比如说只有很少的人做 ，其实你有两个角度嘛 。

一个角度就是你刚才说的这个是非常独创 ， 另一个角度就是那是不是这个事就是他可能啊不是那么有前景 ， 所以才很少的人会去做 。

就抗风险能力啊 ， 一方面是来自于他的这个收益潜在特别高 ， 另外一种还有另一个反面就是他带来的就是风险 ， 真正风险带来的底线你的容忍度更高 。

我觉得我和林峰都是相对来说在这个容忍容忍度方面都是比较高的 。 反正我从小就长在农村 ， 小镇青年， 那大不了我这个退一万步讲 ， 我回小镇回县城当个老师 。

我还以为你说你家有宅基地了 。

对对对 ，其实这个嗯 ， 然后但是呢 ， 这么一件事情很让人很兴奋的一件事情 ， 就真的是能源自中国引领世界的科技公司 ，而且是可能是对很多科研和像药物材料这些领域产生一个颠覆性影响的这样的一件事情放在眼前的话 ， 你不可能不兴奋 ， 对吧 ？

那它的上限你能看得很清楚 ， 那下限是远远高于我们可承受的范围 ， 对吧 ？ 我觉得当时对我来说是一个就是很容易做的决定 。

那你们就是要把这样一个非常前沿的成果转化成真的产品和服务 ，因为做公司肯定还是要商业化的嘛 。

这个过程中间肯定是有比较大的 gap 的 ， 就你们具体是怎么来做的 ， 怎么来解这个题的 ？ 从就是 18 年对吧 ， 然后到现在其实有 67 年的时间啊 ， 你们先做了什么 ， 后做了什么 ？

早期的时候其实刚创业的时候 ， 坦白讲确实没有想得很清楚 。 我们知道这个 Molecular Dynamics， 它是算原子间的相互作用嘛 ， 那我们首先关注的是它到底原子间的相互作用在哪些场景下会非常非常重要 。

所以说很快就可以模糊的定位到像药物开发 ， 很多的化学化工 ， 还有很多材料的开发 。

这是 19 年的事是吗 ？

这是 1819 年的事 。

1819。

所以说当时呢 ， 我们决定创业之后， 确实你可以观察我们的历史沿革 。 我们公司是 18 年 11 月 29 号注册的 ，但是实际上公司刚开始运营是 19 年的 5 月份 。

这个过程中其实我们两个一方面是具体怎么干没有想得很清楚 ， 第二是光我们老哥两个也不行 ， 得有这个更多的团队 ， 然后此外呢 ， 我们也需要更多资源 。

所以说我们其实分头进行了很多呃这个方向上的调研 ， 然后人员上的团结和资源上的准备 。 呃当然快速定位到这模糊领域之后 ，其实从 19 年 5 月份到 19 年的七八月份 ， 那个我们做了非常密集的行业研究工作 。

当时基基本上我们几个是每天看一个行业 ， 把里面的所有的行业的数据 ， 里面的行业的呃产业链条和里面的行业研发的逻辑这些一个个都梳理清楚 。

你们找到的和分子动力学比较相关的非常有前景的行业是什么呀 ？ 有哪些 ？

那个时候我们当然也就是大的方向确实还是化学化工 ， 药物和材料这些 。 那当然还有像半导体啊这些跟材料密接能源这些跟材料密切相关的 。

但是从行业的特点来判断的话 ， 我们当时第一个选的还是药物 ，因为药物呢不不仅是这个问题在里面非常重要 ， 第二呢它这个行业相对来说它有比较强的支付能力 ， 第三呢它的行业链条是划分的比较清晰的 ，并且呢行业里面都产生了很多外包研发组织 ， 就是 CRO。

我们有任何一个计算上的结果呢 ， 很快就能拿到实验上去验证 。 所以说我们最最开始就先选了这样的一个领域 ，而且这个领域里面呢使用我们类似的方法 ，在国外已经有一些这个成熟的公司了 ， 像薛定谔 ， 像 Acceleris 这样的公司 。

然后同时呢 ， 当时国内也开始一些 AI 制药的这个产业的萌芽 。

那薛定谔和你们的区别是什么呢 ？ 因为你刚才有说过 ，其实就是林峰做的那个方向 ， 你当时想去找投资机会的时候 ，其实也很少能有投的机会 。

是的是的 ， 薛定谔做的就是刚才林峰写的第三个方程 ， 就是用上一代的这个经验的基于经验的分子动力学来算这个药物和蛋白质之间的相互作用 ， 来做药物设计 。

然后他们的这个无论是他们的软件还是他们的服务 ，在海外已经成为了一个非常头部的这样的一家企业 。

就是他们并没有和机器学习去做这个合作 。

对对对 ， 所以说我们就先从这个场景先切入 。 那事实也证明非常快速的就得到了验证 ， 然后并且呢这样的经验能够进一步的拓展到其他的场景里面去 。

你们这个对应的产品是 ？

Hermite。

Hermite。

就是我们的药物计算设计的软件 。 然后刚才我说的那个模块呢 ， 主要是对应在药物的这个 Docking， 就是分子对接和 FEP， 就是分子的优化这这样的功能上 。

你说 Hermite 这个产品很快得到了验证 ，是指比如说它在多长时间里就获得了一些比较主要的客户 ？

是先是在技术上得到了快速的验证 ， 然后产品上的验证呢其实要到了 2020 年了 。

2020 年你们获得了新的客户 。

对 。

就这个 。

对 。

当时还是疫情啊 。

而且疫情期间多地配合 。

对对对 。

PPT 化产品图 。

所以说当时五六六七月份一直到七八月份 ， 我们在密切进行行演嘛 。 那时候先选定了大方向和我们瞄准了薛定谔的这个产品 。

然后我们当时这个当然当时那个正好林峰办婚礼 ， 办婚礼的当天 ， 第二天就是我们一个非常重要的项目的答辩 。

因为当时我们其实早期起步的时候手上我们当时估算了一下要把这个分子模拟这个事情 ， 把它变成一个非常 general 的一个基础设施 ， 大概要花多少钱 。

我们算了一下大概需要 10 亿 。

10 亿人民币 。

对 ， 就光这一件事啊 ， 还不是说整个 AI for Science 的基础设施 。 然后我们看了一下账上哈 ， 只有这个 20 万 。

嗯 ， 那所以说我们就得想办法 ， 既然要做这个事 ， 那就想办法把这个先把这些资源先找到嘛 。

这 20 万最开始怎么来的 ？

那是我们 。

20 万显然应该是没融资的状态 。

当时是这个承担了一些科研项目 。

哦 ， 就科研经费 20 万是吧 ？

对 ， 就是外包研发吧 ， 相当于 。 然后那所以说那个除了融资之外呢 ， 我们就先参加了一些这个比赛项目 ，因为比赛有奖金嘛 ， 所以说也算是拿到了这个创业的第一桶金 。

那他的那个时间特别巧 ， 恰好是在林峰的婚礼的第二天要去这个比赛的决赛的答辩 。 然后所以说林峰这个中午发表完这个婚礼的这个致辞 ， 然后我们我们一群兄弟还在那喝的这个这个正热烈的时候 ， 这个林峰说 ：" 哎呀 ， 兄弟们不能喝太多 ， 一会 3 点还得改 PPT， 明天还要答辩 。"

然后这个当天改完 PPT， 然后我们当天就回到北京 ， 然后第二天答辩 。 当时也很幸运的拿到了那个颠覆性大赛的那个就是那个那个奖 ， 那个是三年 1,200 万的一个奖金 。

三年 1,200 万还挺多的 。

对对对 ， 所以说我们的融资就没有很着急 ， 就相当于拿了一个小的天使在手上 。 所以说我们一直到当时我的计划是拿了这笔奖金之后， 我们可以到 2020 年的春节后把我们的思路再整理的更清楚一点 ， 我们进行第一轮融资 。

然后结果谁想到就 2020 年就疫情了 。 人员呢其实是刚刚组织起来 ， 然后还那个刚刚磨合好 ， 刚开发出了一个就是一个初步的非常简易的版本 ，在我们内部得到了技术上的验证 ，但是我们都知道离市场化还有距离 。

然后正想大干一场就疫情了 。 然后疫情期间呢 ， 我们当时团队里面就 20 多个人， 分布在了全球几乎所有时区里面 。

日不落公司 。

对对对对对 ， 就是在中国的 ， 就是在那个全球各地 。 然后林峰当时在英国 ， 还有同事在美国 ， 然后那个还有同事当时在欧洲其他地方 ，是然后大家皆立志的这个工作 。

这个我做了一个事情之后， 我交给英国时区的 ， 然后张林峰张林峰搞完之后交给美国时区的什么王东东他们 ， 然后一天 24 小时不间断 ， 基本上是这样这样的状态 。

但是当时我觉得可能事情既然已经做了这个计划 ，也决定要干这个事情 ， 要融资这些事情 ， 所以说那我觉得还是要推起来 。

然后我就当时就是只有我和李欣宇在国内 ， 疫情稍微好一点的时候 ， 我就把李欣宇从老家拽到北京 ， 我们就开始了第一轮融资 ， 然后 BVE 领投我们的这一轮 。

百度风投 。

对对对 。

你们当时去找你们想创业做这件事情 ， 这在中国好找投资人吗 ？ 你们怎么说服别人相信这件事情 ， 或者理解这件事情吧 ， 先理解这件事情 。

对 ， 呃确确实是我给很多投资人讲过这个故事啊 ， 就是整个的就是这个事情的意义是什么 。他们最大的质疑是什么 ？

一般而言 。 最最大的瓶颈我觉得还不是质疑 ，是大家先理解这个东西是怎么回事 。 然后那同时呢 ， 这个我得给大家做很多这个偏向科学的解释 ， 说这个问题为什么重要 。

对 ， 你会怎么去描述这个了 ？

就是归根结底 ， 世界上的所有的物质都是由原子和分子构成的 。 那如果我们能非常清楚的理解原子和分子这个尺度上的相互作用 ， 那我们理论上可以求解世界上的所有的材料 、 药物 、 化学反应这些性质 。

那就意味着我们这个像化工啊 、 药物啊 、 材料啊 、 能源啊这些底层的研发会出现很大的变化 。

然后其实就是在 2020 年的时候 ， 我们在薛定谔之外发现了一个另一个非常值得我们参考的一个对标 ， 就是达索系统 。

达索法国的公司 。

对对对 ， 所以说这个达索系统对我们来说是一个比较关键的这样的一个思考和对标的对象 。

你指的是商业模式上， 还是说产品矩阵上 ？

无论是从底层的技术逻辑还是商业逻辑上 。

你可以讲讲啊 。

那个达索系统是它底层是什么呢 ？ 呃我们其实我先说一个结论 ， 就任何一个工业研发领域的研发范式的成熟 ， 一定是这个研发可以在电脑里做 ， 对吧 ？

如果你不能在电脑里面非常嗯好的 ， 非常准确的去进行这个很多模拟计算设计的话 ， 你这个研发其实还是一个总体上是一个盲目的 。

我举举一个简单的例子 ， 你现在回家里做装修 ， 你不可能说我脑子里想一个东西 ， 然后就上去去抹墙 ， 去做地面 ， 买家具 ， 对吧 ？

你肯定是先有一个整体的一个渲染图 ， 这东西是什么呢 ？ 这个东西就是工业设计和工业仿真 。 那同理呢 ， 那个达索系统是做的什么事情呢 ？

它把呃这个所有的飞机和汽车的这些图纸由纸由纸上搬到了电脑里面 ， 我们在电脑里来画这个飞机和汽车长什么样 ， 然后呢是基于在电脑里画的这个图纸 ， 用一系列的固体力学 、 流体力学 、 电磁学 、 光学这些技术去模拟这个飞机和汽车能不能跑起来 ，是不是安全 。

所以说达索系统本身还是做的这件事情 。 然后在电脑里做研发之后呢 ， 当然我们的实验技术也在进步 ， 我们有风洞了 ，但是风洞实验不是说拿风去吹飞机完了 ，是你得多维度的收集那些数据的信息 ， 你也要有非常强大的工业软件把这些数据处理了 ， 你才能得到一个师傅他真实有效的反馈 。

所以说呢 ， 这些当时 2020 年我们对产业有更深的研究之后， 我们发现啊 ，其实过去所有的工业研发领域都经历了这样的一个过程 ， 它的数字化 ， 然后它在电脑里面可以进行 CAD、CAE， 然后它的数字化一定跟实验的这个体系能够闭环起来 。

那所以说呢 ， 我们就发现过去所有的这些工业门类里面 ， 跟原子分子相关的这些工业门类 ， 它的研发都很不成熟 。

药物材料就是重复性实验 ， 你看那个最开始化学是怎么来的 ？ 化学最开始来自于叫 Alchemist， 就炼金术师 ， 对吧 ？

然后那个药物呢 ， 直到这几年有很大变化了 ，因为有了 AI，有了计算材料 。 但是我们刚创业那个时候 ， 所有研发药物的人会自嘲说 ：" 我这个是我这个做药就是炼丹 。"

AI 的人也也这样 。

炼丹 ， 对吧 ？ 然后那个做这个材料的人说 ：" 我们做材料就像炒菜 ， 加点盐 ， 加点味精 。"

什么水不够加面 ， 面不够加面不加水 。

对对对 ， 所以说呢 ，其实没有一个理性的成熟的研发的范式 。 所以说哎 ， 这个商业上机会是很大的 。

另一方面 ， 从技术上我们看 ， 过去的所有的工业研发软件把成熟的可用的科学规律都用上了 ， 像刚才我说的固体 、 流体 、 电磁 ， 这些都已经很好的内化到软件里面了 。

但是呢 ， 恰恰有一个东西没有很好的利用起来 ， 就是量子力学 。

我想问一下， 量子力学是我们是通过观测 、 通过实验是验证的 ？

So far 是验证的 ， 对 ，其实从科学上的这个更好的说法应该是叫修正 。 比如说牛顿力学 ， 它在我们就是低质量低速的场景下 ，其实它是正确的 ，但是在相对论的这个范畴下 ，其实它是被可以被修正的 ，有一个更通用的一个表示 。

但是那个通用的表示呢 ， 可能在我们大多数的常见的场景里面太麻烦了 。

所以你刚说的意思就是一些呃宏观的物理的规律 ， 很多是已经被工业设计用到的 。

对对对 ，但是量子力学没有 。

在在微观 ， 微观的所有的这些方程 ，其实这些规律是没有在过去的工业研发里面没有被很好的利用的 。

而微观的这里面的真正的第一性原理就是量量子力学嘛 。 然后所以说呢 ，其实恰好我们找到了一个巨大的工业场景和一个非常深刻的科学规律的这样一个匹配 。

所以说我们当时 2020 年我们给深势提出的五年计划是我们要做一套微微尺度工业研发的平台 。

微尺度工业研发的平台 。

对 ， 所以说对标呢就是微尺度的达索系统 。

微尺度的达索 。

对对对 ， 这目标就是 25 年 。

对 ， 那就是今年 。

对 ， 所以说今年最近我和林峰那个在做很多讨论 ， 一是复盘我们过去五年， 我们发现我们 2020 年设定的目标确实实现的差不多了 ，而且很多工作一到今年年底 ， 我认为能给市场 、 给我们的当时设定的目标的伙伴一个非常清晰的一个交代和成果 。2020 年其实当时那个把这个想法发现并且不断的深入研究是越研究越兴奋 。

所以说先先做那个药物研发的软件 ， 然后进一步延伸到药物研发的服务 ， 然后以及材料电池相关的软件和然后以及服务于教教教育科研机构里面呃相关的研发的这样的软件平台 。

你这个指的是玻尔还是 ？

呃玻尔 ， 对对对 ， 玻尔 。

玻尔科学 。

一开始是先从这个微观尺度的计算先开始做的 ， 就是原子分子的计算模拟 ， 然后以及这个一些材料啊这些相关的计算开始做的 。

所以在你们就是 20 年到 25 年的这个计划里面 ， 就是微观尺度的达索 ， 它里面有一些是对应到具体场景的 ， 对吧 ？

比如说这个药是具体场景 ， 材料电池也是具体场景 ， 然后有一些是通用的技术的底座 ， 就你刚刚说的模拟分子计算 。

其实是像我们刚才林峰说的这套模型啊 ，以及这模型延伸的一系列的这个工作 ，其实学校里面很多老师和学生都在做做研究 ， 然后一方面我们得有一个一套软件平台来支撑他们 ， 另外呢 ，他们在做这个研究的过程中也需要很多算力 、 存储这些相关的耗材 ， 那我们把它做成一个更方便 、 更这个容易 access 的这样的一套体系 。

这块我觉得可能也是做起来的另外一个角度 ， 就是因为前面你说 18 年我们有一个早期的成果 ， 这成果在哪能用起来 ， 这看起来是找方向呃找落地的场景的一个很看起来很对的问题 。

但是这里面有一个很大的变化因素 ， 这些成果从来都不是静态的 。 嗯 ，其实整个技术体系的发展是 17 年对于 AI 来说是个拐点 ，17 到 22 年这五年也同样是一个跟前面的逻辑很不一样的 。

对 ，17 年 attention is all you need， 就 transformer， 然后 18 年开始 GPT 一对 ， 所以说底层的 AI 发展是非常快的 。 与此同时呢 ， 每一个我们看到的算法其实当当它做出来之后， 原则上别人也就做出来了 ， 就大家都能看得到 。

所以说底层的这样的一些 ， 一方面在我们需要找最终从公司创业成功的角度 ， 我们应该做好怎样的一些业务和商业落地的场景 ，但是同时底层的技术体系的建设是它这个意义下的做什么 ， 往往是要从已经做的事情继续往外， 就新的技术的结合和往外做拓展来去做的 。

对 ， 所以其实从 18 年开始这个方向上的另外一条一条线 ， 就是一方面大家看到比如说到 20 年最开始 18 年 200 多块空的 GPU 能用起来 ， 到 20 年已经是 2 万多块 ， 能够在当时全球最大的超算上 push limit。

与此同时呢 ， 无论是深往深走 ， 就是把这样相应的算法应用于药物材料 ， 还是说进一步的我们去看每一个地方技术要素的持续的变化 ， 比如我要做计算的时候 ，不只是说集中力量算一把 ， 我需要用这种云上的高弹性的算力做批量的计算 ，以及我需要用这个本地的算力去维护我自己私有化的数据 ， 这就需要很好的算力和数据管理的这样的一个工程化

的系统 。 同时呢 ， 最难的问题是怎么找人的问题 ， 就这个时候其实可以说是没有一个任何一个特定的专业和没有一个任何特定的专业的阶段的人是 ready 的 。

对 ，但他就没 ， 比如熟化学的不熟 ， 算法熟悉算法也不可能软件工程或者说应用落地能够熟 ， 还要我们还要一起做研报 。

对 ，其实你自己的背景就挺特别的 ，因为你刚才在讲这个过程的话 ， 我就在想如果你们要做这个成果 ， 当然你们是一个 team， 可能这个 team 里就得有人是懂数学 ，有得懂化学的 ，有得懂计算的 ， 对吧 ？

对对对对对 ， 尤其是要懂产品 ， 懂工程化 ， 懂这个商业落地的 。

还还有就是要懂 ， 比如说像 TensorFlow 这些就是 。

对 ， 懂 AI 的 。

AI 相关的 。

因为林峰技术好 ，他本科学了数学物理计算机 。

原培是可以选三个方向 。

原培是可以选任何多方向 ， 随便选 。

可以选 n 个方向 。

对对对 ， 只要你能满足一个毕业的要求就可以了 。

我觉得有一有一条很关键的脉络 ， 我觉得回过头来看 ， 这很有意思的 ， 就是当时尤其回在国内 ， 我觉得其实放眼全球 ，其实相应的这个背景和训练的同学也是很少的 。

国内的话就是本科最好的同学想着出国 ， 毕业完想着对吧 ， 就是反正每一个阶段他都有相应的这个阶段要规定好要做的事情 。

可能他大概会有一个既定的路线 ， 然后觉得你比如说去普林斯顿读了博士 ， 可能你呃更正常的一个路线是你继续在美国去寻找一个教职 。

对 ，而且其实就是以更世俗的角度来看的话 ， 林峰比如在美国拿个教职 ， 发几篇 Nature Science，他回国 ， 那那个时候再回国肯定就是一个非常高的姿态 。

但是林峰当时， 林峰当时我觉得我特别佩服他 ， 就是他在这个过程中他的决心是 ，他觉得那有这样的几年可能这个事情都做完了 。

嗯 ， 我们如果说更早的把这个时间把握住的话 ， 我们已经做出做到一个更高的 level。

对 ， 我们可以回来说 ， 就是你刚说缺人的这个问题 。

对对对 ， 于是其实就是技术上要做的事情永远是更容易明确的 ，因为你这这做东做东西还不够 。

这个时候我觉得非常这个也是体现了我们本科配合的这样的一个呃经验的事情 ， 就是先吸引第一个人 ，他当时做这个学校的辅导员 ， 还有成绩单 。

对 ， 然后 。

哦 ， 就你是辅导员 ？

不是不是 ，是黎新宇 ，他当时已经 。

对对对 ， 所以他当时已经就是拿到 offer 可以留校做辅导员了 。 对 ， 所以所以就是各个背景的同学通常都是大二大三的本科生 ，因为更高年级总有他的 agenda， 然后呃然后大家一起学 。

那学的过程其实不只是一个大家就最开始就板书 ， 我觉得这些东西在黑板上我写过很多遍 ， 就教大家这个算法的背景 。

呃 ，但是后来就会发现黑板根本不好使 ， 就是不可能新来一个同学从头写一遍 。 而且研发的东西越来越深的时候 ， 基本上很难这个说一个同学能每个人都从头来一遍 ，他就得快速的说这个 API 是干嘛的 ， 然后去接过去 。

对 ， 所以其实这也呼唤一个体系 。 对 ， 所以其实到后来无论是这个算法快速的落地让别人用起来 ， 需要解决的底层算力数据系统的问题 ， 和还是说人才培养 ， 或者大家学起来用起来的需要的教学 ， 需要的这个比赛这些系统 ， 我们发现都得自己先搞一套 ， 让大家用起来的时候慢慢的在这个形成一个新的这种交叉人才的培养体系 ， 再去解决具

体问题 。

所以你们内部是有一个教量子力学的系统吗 ？ 或者课程体系吗 ？

呃 ，其实最开始就就因为你看这个 ， 当时就美国我们在搞的时候 ， 首先有有 collab， 就这样的一个 notebook 是 interactive，有 Coursera 是上课的 ，Taggle 比赛的 ，有 Hugging Face 开 AI 的开放开放的社区 。

但是这些东西在我们所面向的生化 、 环材 、 物理 ， 这个计算机 ， 呃不是物理和这个天文地理等这些领域 ，其实是还是比较陌生的在那个时候 。

对 ， 所以 AI for Science 版本的 collab，AI for Science 版本的 Cargo，AI for Science 版本的 Coursera 等等等等 ， 所对应的基础设施需求都是弹性的算力调度 ， 比如我学的时候要强调链 ， 练的时候要这个弹性的算力 ， 对等等等等。

所以这些方面就也同样的变成了一个交叉人才的培养和挖掘的体系 。 对 ， 所以后来的话就是很多人都是打我们的比赛 ， 参加我们的社区活动 。其实这个刚才我们遗漏的一个事情 ， 就是最开始我们早期的时候都是没有现成的人， 所以说我们带了很多大一大二这种那个实习生 ， 然后这帮人逐渐带起来之后呢 ， 我们另外一方面呢是在这个社区里面 ，

我们当时组建了一个到现在应该也是全球最大的 AI for Science 的开源社区 ， 叫 Deep Modeling。Deep Modeling 呢 ，其实它一方面呢 ， 它是一个很好的人才发现的一个地方 。

第二呢 ， 就是它可以发现很多新的场景 ，有人拿我们这个这个模型干这个 ，有人拿我们干那个来 。 所以说呢 ，在这个过程中呢 ，也是给我们后来的这个人才啊 、 体系啊的积累了很多 。

对 ， 我觉得你们是一类比较特别的公司 。其实你们同时干了三件事 ， 一个事就是我肯定是要做商业化和产品 ， 我要服务客户 ， 这一般的商业组织都要干的事情 。

然后第二个事情就是科技类的公司 ， 对 ， 要做创新 ， 要去做一些前沿技术的开发 。 然后第三件事就是需要去自己培养一些交叉学科的人才 。

我觉得教育其实是某种上是服务前两个目标的 ，是没办法被逼出来的 。

这是一种新的教育的方式啊 ，因为现代科学它其实分的很细嘛 。 对 ， 就各个学科分的很细 。 那个本来可能就是已经存在很久的一种教育制度 ， 它不不一定是适合目前的这种创新和工作环境的教育制度啊 。

我觉得这里面恰好我研究生是学教育的 。 我觉得这里面 。

教育学 。

对对对 ， 前两天我还回教育学院给毕业生们做了一个演讲 。AI 时代确实是人的这个成长力的最核心的一个因素 ， 就是学习在发生着巨大的变化 。

我觉得未来越来越多的会是在干中学 。 我认为真正的概念是按需学习 ， 对吧 ？ 因为 AI 时代搜索引擎解决了我们的信息获取问题 ，AI 其实本质上解决了我们知识获取的问题 。

你想要任何知识 ， 我觉得我们未来知识没有比例的 。 但是更关键是你怎么样围绕你现在要解决的问题 ， 把它定义成你要学哪些东西 。

所有的人都是这么过来的 。 张林峰丝毫不懂金融啊 、 财务啊 、 创业的这些东西 ，他的第一本启蒙读物是我推给他 ， 推荐给他的一龙一龙 mask 的专辑 。

然后我当时这些技术什么都不懂 ， 你就是靠了两三个月把大学的数理化的教材 、 数理化生的教材自己就啃了一遍 ，也肯定也不全会 。

但是在接着在干中再再再进一步学嘛 。

这太厉害了 。

对 ， 就是我所以说我觉得教育呢 ，不是在规划里面的 ，而是为了要解决我们那个最终那个问题逼出来的 ， 然后反向的筛选了很多人。

如果不能快速的学习和适应的话 ， 那可能在我们这个体系里面很快就被淘汰了 。

因为你们作为一个创业公司 ， 就然后同时有这么多需要去做的事情 ， 资源也是比较有限的 。在这个过程中间有什么特别难的地方 ， 包括有过一些什么坑或者教训吗 ？

当然也应该也有很多了 。

有很多了 。

有很多了 。

可以讲讲这个比较关键的吧 ， 或者说就可以复盘的 。

我觉得最难的一个事情是这样的 ， 就是其实就你站这个站在技术最前沿去往前推创新的时候 ，其实可以看到很多的机会的 。

就是我觉得倒推回来 ，其实这一波 AI 和 AI for Science 发展并没有那么的割裂 ， 只是说大家应用于不同场景和大家讨论这个语境下比较割裂 ，但它的基础本质是很一致的 。

所以其实你最开始看到 17 年、18 年我们做了很多事情 ， 到 20 年也同样 ，但我们都知道某个方向往前推到 limit 应该是怎样的 。

这是我觉得对我来说最大的一个挑战 ， 就是说你比如说 AlphaFold， 就不对 ，也同样就是其实这大大部分的 AI 能 force 算是早期能做的事情 ， 我们都是过了一遍的 。

对 ，AlphaFold 这个方向你们在那之前你们就试过 。

甚至 Fusion， 甚至 Fusion。

Fusion 就是核聚变 。

对 ， 然后也包括 AI for materials 来去把这个这个事情做那 10 个亿的事情 ， 真的真的放开手去做掉 。 对 ，但这这些事情其实是这个资源绝对不足的 ， 你只能通过一个换的方式做 ， 就是保持火种 ，但是很难放开手做 。

而且错过了之后， 后来大家都这个 Google 啊 、 什么 Meta 等等都很重视的时候 ， 我们国内又开始反思说 ， 哎 ， 这个事情为什么没在中国没有 ， 咋咋就没做出来 。

其实你们做了 ， 只是说但很多人不知道 。

或者说并不是说有的东西真的没有机会做 ，因为你资资源是很有限的 。

对 ，因为你们的融资额其实和美国的同类公司相比就是少了数量级的 。

对 。

人家那种几亿美元的啊 。

这是第一个 ， 就是你可以就是其实其实最难的是你你可以遇到非常多的这样的机会 ， 说可能说那啥点 ， 可能说不定也是诺诺奖级的机会 。

但是这个跟从头培养大二大三的同学 ， 对 ， 我们是一堆 PhD 毕业完抢着去大厂或者去各种地方 ， 我们另一边是从头 ， 就不说其他的基础设施建设 ，是从大二大三的同学开始培养 ， 一个个的这个机房插电源部署环境的这个事情开始解决 。

那所以它在同时一个东西往上走的时候 ， 我们需要反复的反思说最终要做好什么 。 对 ， 然后最关键的落地问题是什么 ， 和最关键的技术你要做好的事情是什么 。

对 ， 然后这个过程造成的这个 tradeoff， 我觉得还是一个挺这个挺有挑战的过程 。

这个 tradeoff 就是说你要去做一些选择和取舍的时候是比较难的 ，是吗 ？ 比如什么方向我再往前推一推 。

对 ，其实嗯 ，是的 。

你们有什么底下就是遗憾的这种当时看过 ，但因为各种原因吧 ，有可能是资源 ，有可能是判断 ， 导致没有再往前推一推 ，但回头看觉得是个非常好的机会 。

我觉得其实从 18 年到现在 ， 最大的几个机会我们其实都是抓住了 。其实 AI for Science 我们复盘下来其实四个机会嘛 ， 一个是积极学习 for 数理建模 ， 第二个机会呢 ， 这个当然我们刚才已经讲了 ， 我们有 DeepMD、DeepKS、DeepWF， 第二个是预训练 for 那个数理建模 ， 把预训练模型的技术用到很多的这个科研中来 。

比如说我们做了原子大模型 、 基因大模型 ， 然后蛋白大模型我们是 follow AlphaFold。

对 ，Uniform。

还有对 ， 还有我们的这个分子大模型 。

这个是从什么时候开始的 ？

这个是从 21 年 。

21 年开始预训练啊 。

预训练技术 。

数据够了就可以预训练了 。

预训练了 ， 对 。 第三个呢 ，其实是 LLM， 就是大语言模型怎么样提升我们的科研效率 。 那第四个机会到现在就是我觉得是多职能体 。

所以说几个大的机会我认为是抓住了 。

就是把预训练放进来和就是之前用机器学习来做 ， 它的区别是什么 ？

之前机器学习做完之后呢 ， 就我们要比如说用这个分子动力学的方法算一个 ， 比如说你这个支架 ， 你这是一个铝合金 ， 对吧 ？

氢合金 。

这是叫氢氢氢合金 ， 它往往是由铝 、 镁 、 铜 、 钛这些元素构成的 ， 对吧 ？ 那么我们就要把这些元训练一个模型 ， 然后来算这个合金的性质 ， 比如它的硬度啊 、 光泽啊这些 。

而有预训练模型之后呢 ， 我们就有了一个统一的一个模型 ， 无论是你算什么物质 ， 你算今天算铝合金 ， 明天算这个高温合金 ， 然后你明想算一个分子 ， 都可以用这一个模型来做 。

哦 ， 那它跟那个 AI 领域的进展是类似的 。

对对对 。

尤其是在预训练之前 ， 就 17 年之前 ， 大家也是做很多小模型去做一些不同的场景 。

对 ， 然后有了更多的数据之后才能做预训练 。其实这个是我们这个真不是吹牛啊 ， 我和林峰其实保留了我们在 19 年、20 年的时候很多的 PPT。其实我们当时已经完全看清了这个技术的路线 ， 就是先有一个小模型做出来之后呢 ， 发动整个社区积累更多的数据 ， 先然后做数据库 。

做完数据库之后呢 ， 然后预训练 ， 预训练之后有大模型 。 但是我们这一条路线我们看的很清晰 ， 我们其实当时还很难预料到 LLM 有这么啥时候发生 。

对 ， 什么时候发生 ， 这个突变什么时候发生 。 但是对我们的这个原子 、 分子这些大模型而言 ，其实当时已经看到 ， 就技术路线上看的是比较清楚 。

然后大语言模型呃又加进来之后， 它主要做的事情是帮就是文献研究的那一部分 ，是吗 ？ 是帮助科研的这一部分 。

信息的处理 、 知识的获取 ，以及很多这个交互指令 、 交互界面的改变 。 对 ，其实就完全可以基于很多事情都可以基于自然语言来获取信息 、 知识 ，以及对很多的产品进行交互了 。

我觉得我们可能从呃另外一个角度 ， 就是这些像大语言模型来的时候 ， 我们每个阶段解决的问题都是这样的一个技术和科研研发场景产生连接时候进一步连接的瓶颈问题 。

最开始神经网络表示物理量 ， 物理量有物理约束 ， 我得做好 。 对 ， 于是这样的一个这个建模到一个大规模的计算过程中的高性能优化和云上的并发 。

所以其实通过 DeepMD， 我觉得最大的这个收获是同时就把各种类型的算力形态 、 超算 、 云和本本地化的全部的都有一个很前沿的体系来去做了 。

而像大圆模型出来之后， 它跟我们的研发场景产生连接的这样的一个瓶颈在哪 ？ 一个是存量的高质量的文献数据 、 专利数据 ， 还有的挖 ，而且它其实是加快挖掘的作用 ，而不是已经挖完的作用 。

对 ， 所以我们需要对科学模态进行进一步的处理 、 标注和进一步的建模 ， 然后把全量的数据整合起来 。

这些方面的事情呢 ，其实每个阶段都是新的技术来了又不够 ， 那产生连接的部分就是我们该做的事情 。

然后 Agent 来就是做科研的思路 ， 就是把干湿实验的部分也纳入进来 ， 就是读算做的一整个流程 。

本质上是科研 ， 如果你把它那个视为一个生产活动的话 ， 你从这个经济学的生产函数来讲 ， 科研的生产要素其实是读算做 ， 这些是三项基础设施 ， 就是数据库 、 科研软件和各种科研实验仪器 ， 对吧 ？

是各种实验实验室 。 然后还有一个最关键的生产要素是人， 前面的这个 machine learning 预训练模型和 LM 是改变的是下面三个工具 ， 比如说我们呃 machine learning 和预训练模型更多的改变计算这个相关的工具 ， 对吧 ？

有更更强大的模型 、 更强大的软件 。 然后有了这个预训练之后呢 ， 这个计算能力得到更得到更强 ， 然后有很多对于实验信号的处理 ，有了预训练模型之后变得更强 。LM 呢 ，其实是能把过去的文献数据库 ， 它的这个变得更强 。

所以说前面三个基础设施呢 ，是这三项科研基本生产要素的 AI 化 ， 我们叫做这个 AI 变革新工具 。

最后一步呢 ，Agent 呢 ，其实是让最后一个生产要素就是人在发生变化 。 当前的阶段我认为是 call centers， 辅助人， 像以每个科学家的 AI 助手 ， 对吧 ？AI 科学助手 。

那未来呢 ， 我们可以看到其实它真的有潜力说 AI 自主的来执行所有的科研任务 。 过去刚才这个读算做的这三项的基本工具是设计来给人用的 ， 未来它是肯定是设计来给 AI 用的 ， 让 Agent 来自主的调用这些工具来完成新的科学研究 。

所以说我觉得 Agent 这一步呢 ， 是一个就是另一个维度上的生产力生产要素的成功 。

我有一个疑问 ， 就是这些事情都需要你们来做吗 ？ 或者说你们可以只做其中一部分吗 ？ 比如说像有一些公司 ， 比如像 Future House， 它可能就是做的偏 ， 比如说文献研究的这一部分的 Agent， 它可能就不涉及到科学计算 ， 然后也有一些可能它是比如说跟实验室的自动化相关的 。

是的 ，是的 ，是的 。

但你们这个看起来就非常全 。

对 ， 非常也是也是非常好的问题 。 我觉得肯定不需要我们都做 ，其实我们在做的事情也是被逼出来的 ，是因为没有别人做的好 。

所以说其实你看在别人做的比较成熟的地方 ， 我们其实是基本上是不做的 。

所以这个大的领域里比较成熟的是什么 ？

比如说像很多这个已经成熟的实验自动化硬件 ， 我们没必要再去做了 。

好 ， 实验自动化硬件 。

对对对 。

就一些机械臂什么的 ， 做生物实验之类的 。

对对对 ，但是如果说没有公开 access 被我们调用使用的能力的话 ， 那其实必须得在这个里面完成闭环 。 因为你知道科研的生产要素这几个是缺一不可的 ， 它必须得完成闭环 。

那所以说呢 ， 我们在文献这个读的这一块呢 ， 我们意识到过去的所有的文献和专利这些语料不是 AI ready 的 。

所以说那我们就必须得做一套我们自主的一个这个 AI ready 的科学语料库 。

科学语料库不是论文库是吗 ？

包括 。

因为比如说像 ChatGPT， 可能它有 deep research 之后， 它其实也可以训很多论文的数据啊 。

但是它其实并没有一个真正完整的科学语料库 。

那它还有什么 ？

可能 access 的其实只是少部分公开的论文和所有论文的 abstract。

那一个比较完备的科学语料库 ， 除了这些公开论文之外， 还应该有什么 ？

因为理想上最完备的应该就包括人类历史上所有的科学知识 。

所有的科学知识 。

对 。

这个通用大模型公司不能获得吗 ？

原原则上存量的是肯定可以被人做完的 ，但是存量往深挖的时候 ， 就涉及到刚才所说的一系列的科学模态 、 科研模型的这个训练 ， 甚至说科学标注 ， 比如说分子式 ， 比如说实验的图谱 ， 这些方面的数据其实是当下的模型还不行 ，但是想要改进的话 ，AI 的逻辑是对的 ，是没问题的 ，但是需要进一步去做 。

那问题就是 ， 那你是先让它抓住这个机会 ， 抓住这个空白 ， 迅速的做出一款好用的产品和基础设施 ， 还是说等两三年之后别人都成熟了之后我们再做 ？

那我们意识到这个是一个很好的一个对我们的机会窗口 ， 正是因为别人目前还没有办法把这东西做得很好 ， 我们才给了我们机会 。

像计算方面也是 ，AlphaFold 可能把蛋白的相关的这些任务处理得很好了 ， 所以说我们在 Uni-Fold 2 之后， 我们有一些这个可以 access 的工具了 。

另一方面呢 ， 我们所所说的这个原子大模型 、 分子大模型和基因大模型方面 ， 我们投入了更多 。

那事实也证明 ， 我们这三个大模型不仅是全球首发的 ，而且 follow 我们的都是实力远远强于我们的对手 。

国际大厂 。

对 ， 比如说我们的原子大模型 ，follow 我们最好的除了 DeepMind 之外， 应该是 Meta， 就是 Facebook。 然后我们的基因大模型就是 Uni-RNA，follow 我们的是英伟达的 Evo2，是 DeepMind 的 AlphaGenome。

然后分子大模型也是一样的 ，是那个现在应该也是那个 DeepMind 的 ， 还有这个 Meta 也都是 follow 我们 。 而且目前看起来 ， 我们的这几个这几款模型在领域里面还是属在第一梯队的 ，不敢说各方面指标都领先啊 ，但是绝对还是在可竞争 、 可这个对比的范围内的 。

就是你们最开始机器学习 ， 然后 for Science， 这个是 Deep Potential 这个系列 ， 对吧 ？

对 。

然后之后预训练是你刚才说的 。

Uni 系列 。

Uni 系列 ， 对 。

对 。

包括 Uni-RNA， 然后 Uni-Mol 这些 。 然后大语言模型和这个科研结合是玻尔科研空间站 。

对对对 ，是那个 。

还有你们最近的 。

那是比较典型的 SciNavigator。 然后那个最近的智能体是 SciMaster。

SciMaster。

嗯 。

所以都是已经有产品在对应了 。

对对 ，是的 ，是的 。

嗯 。

当然你可以从这个不同的体系的命名 ， 你可以看出这个不同的技术系列 。

但是 Agent 应该还是会很初期的状态 。

Agent， 对 ， 我觉得才刚刚开始 。

对 ，但我我觉得 Agent 的变化有点像 ， 就是直到 Agent 这一步 ， 我觉得才有点像我觉得我们在 17 年左右那个逻辑下， 然后 AI 结合非常多不同的方向 ， 一下就都做了到了一个高度 。其实到 18 年的时候 ， 无论 Deep Potential 这种 ， 还是像 AlphaFold， 都已经就差推到极致了 。

对 ， 然后整个这个形态已经具备了 。 眼下从 Agent 其实起到了一个这样的作用 ， 最终看到的是 AI for Science 推动所谓的范式变革 ， 这个变革涉及到科学研究 ， 涉及到工业研发 ，而变革一定到最后是一个复杂的体系里面的一个交互界面的问题 。

也就是大家什么东西是我这个跟这个用户交互的界面 ， 什么东西是我们推动这个共同体的一个生产关系的逻辑 。

这些方面其实 Agent 的加速在我看来是比过去我们所有的这个类型的积累都要快得多的 。 对 ， 就是比如说其实刚才说的全量的数据的整合 ， 这种每个环节上的大模型的训练 ， 这都是一个少数的人在一个充满 dirty work 的事情上做这个往深走的积累 。

而 Agent 其实把它们连起来 ， 然后同时可能要推动整个 community 做新的一个这个思考的事情 。 为什么呢 ？ 因为我们可以快速的看到 Agent 的这样的一个体系 ， 比如说对 AI 研究来说 ， 基本上已经让 AI 的 paper 很快的就变得意义越来越有限了 。

它可以写 paper， 可以 review paper， 可以把很多只要不是那么原创的想法就能自己就搞定了 。 那这时候到 B 说我们那么这个时候它能做这些事情 ， 那我们发那么多 paper 干什么 ？

而放大来说 ， 整个这个学术共同体的一大驱动力是 peer review 的学术发表系统 。 类似的 ，以前可能我作为一个计算科学家 ， 别人为什么要找我合作 ，是因为他实验上发现一个现象 ， 然后找我过来合作一下， 然后共同理解一下 。

然后我我因为我正好会某个这个呃软件 ， 能去拿它来去进进行某个现象的计算 。 那这个时候 ， 这个实验科学家可以直接问这个 Agent， 它调用这个软件获得结果之后， 就能够跟它交互式的去解释发现 。

这些方面的事情呢 ，其实我觉得来的不会很慢 ， 然后不会很慢 ，不见得说这个整个这个技术体系就立马迭代完了 。

但是会让过去我们所依赖的这个科研的模式 、 学科之间的定义和合作交叉的模式等等 ， 都会有一个很大层面上这个快速的变化 。

你可以描述一下这个大的图景吗 ？ 就是比如说在 AI scientist 或者说这个科研的 agent 之前 ， 就学术的这些研究人员 ，他们是一个什么样的生产关系 ， 怎么相互工作的 ， 然后是一个怎么样的生产流程 。

然后有了这个东西之后， 你预测它会在哪些维度上有比较大的变化 ？

第一个就是我们常说这个当代科研越来越细分了 。 对 ， 学科领域越来越细分了 。

每个人都在盖烟囱 。

每个人其实在盖烟囱 ， 对吧 ？

盖烟囱 。

对 ， 然后同时呢 ， 它我觉得它对于整个发表体系 ， 就是大家这个科研的体系里面 ， 你不太能说你领域之外的话 。

呃 ， 我举一个例子 ， 比如说这个这个地方 ，其实我用模型解释实验的时候 ，其实模型有很多地方的近似 ， 然后这个领域的人可能都知道这个东西是近似了 ， 大家都都接受这个近似是可以的 ，但是那个近似可能就不行 。

对 ，但是一个新技术来的时候 ， 它可能就我就是要解决这个实验问题 ， 那这个近似那个近似是不是有意义的就不好说了 。

但整个细分领域的这样的一个语言体系就被冲击了 。 对 ，因为它一下说你做的事情 ， 反正大模型随便做也能做 ， 那这个时候你做的你这些 argument 还有什么样的意义呢 ？

对 ， 然后这个冲击其实是非常之巨大的 。 对 ，其实现在的 Science Navigator 其实只是在读算做里面的读 ， 做到了全面的普及 。

那这个时候一个问题我们就会看到 ， 比如说锂有什么样的作用 ， 它不只是做动力电池 ， 它有它医学 ， 它在这个 。

对 ， 它可以治疗抑郁 。

对对对 ， 你你你既然知道这个事情 。

对 ，因为电池我们也关注嘛 ， 所以碳酸锂这个材料我们以前研究过 。

对对 ， 碳酸锂还是一款药 ， 对吧 ？ 对 ， 然后所以像这样的东西是以前这个大家是不会关联起来的 。

我做一个材料 ， 它有什么用 ？ 这个问题对于做材料的人来说 ， 很多时候其实是对它有些隔离的 ，但它现在随随便便一查 ， 可能不同领域的知识就来了 。

对 ， 所以其实这个已经造成了很大的影响和推动 。 对 ， 从另外一个维度就说这样越来越细分的科研研发 ， 到最后出现的成果 ， 真正能够产生实际价值的有多少 ？

这也是一个反过来的问题 ， 使得我们对于过去科研的这样的一个运转模式有很大的这种思考 ， 说我投入这么多 ，有多大程度能够落地 ，有多少又真正意义上是纯粹的科学发现 。

现在的这一系列的 AI 和 AI for Science 平台化建设的进展 ， 至少会让这样的一系列的问题变得越来越迫切 ， 越来越需要解决 ， 越来越不解决就不行了 。

那这个时候我们需要问的反倒是说 ， 那么这样的一个技术下， 未来那个新的范式下的模式应该是怎样的 ？

就是我们需要一个体系能够丝滑的过渡 ， 否则就是至少过去的方式是越来越薄弱的 。

对 ， 所以你们是要做源自中国引领世界的科技公司 ， 然后它要做的这个具体的事 ，其实我理解是你们有一个商业之外的很大的想法 ，是重塑这个科学发现的方式 ， 创创新的方式 。

这叫重塑科研范式 。其实所以说刚才你问 ， 我从之前没有从这个角度思考问题啊 ， 你问我们面临过哪些困难或者 trade off，其实回头看来 ， 就是源自中国引领世界的科技公司 ， 这三件事情可能都面临过 challenge 和 trade off。

哈哈哈 ， 对 ，其实刚才那引领世界的这一点 ， 刚才其实我们讨论了 ， 就我们有也很多时候在想 ，是不是还要持续的在这个技术领域里要引领 ， 还是说更现实一点 ， 做尽快的这个完成商业的变现 。

我们面临过一些商业模式 ，但是我们觉得可能它并不 sexy。 科技公司这事情刚才讲过了 ，其实源自中国这事情也面临过一些选择 。

我们其实坦白来讲 ， 我们也是有机会去变成一家美国公司 。 哈哈 ， 比如说对吧 ， 或者变成一家海外公司这样的机会 。

你变成的方式是被收购吗 ？ 还是怎样 ？ 有什么海外的大公司提过 ？

就是我们肉身出去 ， 就整个搬出去 。

的好处是觉得可以获得更多资源 。

而且我们是被承诺可以获得很多资源 ，而且是远远高于现在资源 。

就是其实是有 ， 就是投资方有这个提议 ，有这种 offer。

对对对 ， 嗯 ，有 。 所以说回头看来 ， 我觉得当时我和林峰的这个 ， 就是做公司的这个初心或者使命 ， 还是一个值得被记忆的一件事情 。

我我觉得 ， 嗯 ， 刚才的那个最后一句就是源自中国的部分 ， 我觉得对于科研范式变革而言 ， 这是一个非常关键的时期 。

我们已经看到 AI 带来这么大的冲击了 。其实过去 100 年的这个科研范式是从欧洲 ， 对吧 ， 然后圣地又到了很大程度到了美国 ， 然后它慢慢的变成了一个大家说科学无国界 ， 然后人类知识的载体是文献 ， 对吧 ， 书籍等等 ，但是它的这个受众面是全人类 ， 它是要为全人类的福祉和这个往前推动来去做贡献的 。

但是这个假设其实是在变得越来越被 question 的 。AI 既然是在推动科学 ，AI 底层模型都越来越有这个问题了 。

长话短说 ， 就是我们希望能够推动的是一个开源开放的 ， 从科学研究的价值体系到工业研发 ， 再到整个说大一点人类共同命运 。

人类命运共同体 。

共同体的这样的一个推动 。 对 ，而我觉得这个主张其实是在中国更加坚定的 ， 从 AI 到 AI for Science。 然后呃 ， 我看到了非常 ， 就是其实 1617 年在 Prinstone 的时候 ， 我不会想到我看到的任何一个这个我觉得做得特别好的 ，他的这个 ， 尤其是比我大 10 到 20 岁的这个学长学姐们 ，他的这个 paradigm 都是你在 Prinstone 玩 ， 肯定是那几个学校的顶级学校做教职 ， 然后他这是绝对没问题 。

但是一方面我们看到这个地方的这个 ， 对吧 ， 就是前面的 ， 比如我导师的这个 center 可能在美国经费都快停了 ， 呃 ， 都已经停了 。

然后嗯 ， 另一方面就是呃 ， 大家要做什么不做什么 ， 得到的限制越来越多 。 对 ， 那这个时候这个科学作为一个 community， 作为一个这个 ， 我们要一方面做这个人类认知边界的拓展 ， 另一方面又要反作用于我们下一步的技术创新和落地 ，以及给人类带带来更好的这样的一个生存状态 ， 这样的一个使命来说 ， 它是面临很大的挑战的 。

嗯 ， 你之前的有一些 ， 就是现在还在继续做学术的朋友 ，他们面临这种经费上或者说条件资源上的限制 ，是因为他们是华人吗 ？

对 ，其实整个科学共同体不只是 ， 对 ，不只是这样的 。

你看 Harvard 现在 ，Harvard、UCLA。

对对 ， 然后那个 Princeton， 这里面有很多非常出名的大的教授 ， 然后甚至说在很有国际影响力的教授 ，他们的经费会完全 。

其实是一个对科学本身起到什么样的作用和它这样的一个价值体系应该怎样面向未来的一个大问题 。

我们回来就是把你们刚刚说的那个 ， 你说 miss 的一些东西 ， 或者踩的一些坑 。

啊 ， 踩坑啊 。

可以可以说完啊 。 还有什么 ， 比如说组织发展啊 ， 管理上的 。

嗯 ，其实刚才你也提到了 ， 就是当时我们面临的对标啊 ， 无论薛定谔也好 ， 达索系统 ， 还是当时 AI for Science 风头很盛的 DeepMind， 我们都可以非常确定 ，他们有我们百倍甚至千倍以上的资源来做这个同样的事情 。

当时我们还远远比现在小 ， 那我们怎么样团结更多的力量 ， 如何用更巧妙的一些研发上的构思 ， 然后来最大程度的提升我们研发的成功率 ， 把这个我们想要的结果能够 deliver 出来 。

实际上你们资源最缺的时候是在什么阶段 ？ 是在哪一年， 或者说你们要干什么事情 ？

我觉得 23 年之前吧 。

对 ， 我觉得应该不是资源最缺 ，而是最深陷泥潭的时候 。

深陷泥潭 ， 当时发生什么深陷泥潭 ？

我觉得从反正从技术往深推动和落地的角度上讲 ， 我觉得因为你回归到最开始踩的坑也好 ， 平台 versus 垂直也好 ，其实那个时候是就最新的技术永远是需要自证它的可用性的 。

也就是你想自证 ，不是说我选择平台还是垂直的问题 ，而是我就必须得往深走 ， 我先把一个事情做完 。

这使得我们其实一定要探索像药物设计管线这样的方向 ， 就是往深走 。 另一方面 ， 从技术的角度 ， 同时同样就一个创新型的算法想要变成一个工业软件 ， 它也需要一个工业化 、 工程化 ， 然后用户反馈始终迭代的过程 ， 它也是一个独木桥 。

对 ， 你必须得走深到足够深才能突破那个泥潭 。 但与此同时呢 ， 新的技术有很多 ， 新的这个大家的关对于这个方向的关注又刚刚开始 ，其实进展其实是变多了的 。

比如说这个什么微软也成立了 AI for Science 中心什么等等的 ， 这一系列进展其实大厂也都很关注 。 当时做的每一个新东西都没得解释 。

对 ， 所以大家会认为你是一个陷在泥潭里的公司 ， 还是一个这个始终保持技术引领的 。 所以对 ， 我觉得对我们来说最大挑战是你愿不愿意做 DeepMind 不是一个问题 ，因为是给定你现在的情况 ， 你应该做什么这样的一个问题 。

到了 23 年的时候 ，其实每这个方向就成为了一个在我看来就是我们往哪走都会是这个有一定的这个从组织上， 从这个应用方向上和从技术上都有很多很多的这个东西是死锁的这样的一个状态 。

就是药物往深推 ， 我得持续投入 ， 然后同时呢 ， 我还需要这个往深推的一个相应的团队组织的形式来去保障 。

我要是平台往宽走 ， 平台每一个地方都得经历一个非常 non-trivial 的工程化 ， 这个工程化体系不像互联网那么 ready， 我得好好建设 。

对 ， 然后同时呢 ， 新的技术又来了 ，22 年底 ChatGPT 终于来了 ， 那怎么拥抱好这样的一个新的技术 ，其实它对我们来说既是福音也是一个挑战 。

那么这些方面到最后说新的技术应用于我们的这个文献专利的这个全量的布局 ， 和甚至说我们要把这个肝闭环计算做完之后， 要实验有效的联动起来 ， 才能够最后加速发现 。

加速发现不是说以脑子里发现什么 ，而是以东西做出来为闭环 。 这个事情呢 ，其实是在 22 年、23 年这样的一系列事情的基础上， 我觉得一方面是这个我们往深的探索和最后的决定 ， 另一方面也是这个整个技术体系和市场和这个整个领域的进展推动 ， 说我们到 23 年底再往后就真正突破了那样的一个时期 。

并且呢 ，其实我觉得相比于任何一个类型的机构 ， 无论是互联网大厂还是工业巨头 ， 还是说高校研发机构 ， 我们都具备了一个非常独特的一个这样的一个组织形态和基础设施构建的这样的一个积累 。

所以我感觉那个时时间是比较这个哪哪哪好像都不对 。 然后可能我觉得 ， 嗯 ， 我一补充一点 ， 就是在每个节点上， 我们都把相应的技术要素做到了一定的极致 。

每一个节点上基本上我们都是在持续的引领 。 但是另外我觉得是一个 trade off， 我认为是必须做的选择 ， 就是这个平台到底是往通用做 ， 还是沿着一些特定的项目往深里做 ， 比如说自己做一款药 。

这个是我想问的 ，因为我在来之前跟一些投资人交流 ，他们也说其实你们也可以选择自己去做一个药的管线 。

对对对 。

但是你们其实最后你们选的是还是要做这个更通用的这个 。

对对对 ， 我认我认为这个是真正的 trade off。 平台公司和这个管线公司的逻辑是相对来说是不太兼容的 。

管线公司呢 ，是要你要把所有的赌注压在一两个重要的资产上， 不断的往深去推进 。 那它要考验的第一个是我们对更深的这个市场 ， 比如说要做药的话 ， 就是我们要对临床治疗的需求这个市场的理解 ， 我们才有很好的立项能力 ， 立出好的项目 。

然后第二呢 ， 就是你不断的往后追进的时候 ， 你考验的是你不断去这个 ， 比如说像临床的管理这些 。其实坦白来讲 ， 无论是做一个深的管线还是做一个通用平台 ， 对我林峰都是同样的学习的强度啊 ，因为这些事情对我来说都是新的 。

但是呢 ， 我们最终的选择是我们还是想让这个技术平台本身有它能自结带起来 。

这个最终选择是在什么时候 ？

其实是 23 年吧 。

23 年， 所以你们中间是 。

每个阶段都会有这样的讨论 。

没有 ， 都都会有这样的讨论 。 对对对 。

你们中间探索过就是做管线什么 ？

我们进行过一些尝试 。 对对对 ，但是其实这个一方面 ，其实学对学习对我林峰从来不是不是问题啊 ， 就是你到什么需要干什么时候就学什么 。

到现在其实也这样的 ，但核心是对于那个市场的 ， 对于需求的理解 ， 我们认为不是我们最擅长的地方 。

第二呢 ， 就是选择深入的推进入港管线的时候呢 ， 我们的技术平台得不到充足的迭代 。 如果我们在同样一个技术平台就服务特定阶段的需求的话 ， 那我们的技术平台可能服务 1,000 个甚至 1 万个客户 ， 它会发生自迭代和自成长 。

那这个呢 ， 可能是从内心的声音上， 我觉得是更符合我们初心的一段事情 ，因为我们的初心是源自中国引领世界的一家科技公司 。

为什么这样会更符合源自中国引领世界的科技公司了 ？

首先这个东西是源自中国引领世界是是确定的 ，但是这个把它做成一个平台技术 ， 服务更多的人， 更符合一个科技公司的属性 。

就是你觉得这样是可以激发更多的科学发现 。

对对对 。

而不是在某一个领域 。

对对对 ，但我觉得就是做一款成功的药物和做一个能服务全人类科学家的平台 ， 都具有对全人类的普世价值 ， 对吧 ？

所以说在价值上没有高低 ， 更多的是我和林峰个人的内心的意愿 ， 或者说哪个声音有更强的呼唤 ， 哪个事件在我们心中投射了更大的阴影 。其实本质上是这样的一个问题 。

你们在做这个决策的时候 ，有考虑到就是公司未来做多大这件事情吗 ？ 比如说类比到半导体行业 ， 像 ARM 这种公司 ， 像新思这种做 EDA 的公司 ，他们其实给整个行业提供了一些开发的基础的 ，但是他们的体量和他们的市值是没有下游那些直接做某一个芯片 ， 比如说英伟达 、 英特尔 、 高通这些公司更大的 。

这是另一个思考维度 ，但是对于我们来讲 ，其实无论做哪一个 ， 它做到千亿美金都是没问题的 。 你像英伟达什么这些确实很大 ，但是它是踩中了不止一波的机会 ， 它才走到今天这么大 。

它其实变大也就是最近这些年的事情 。

所以说那你可以说你说 Synopsys 它不够大吗 ？ 它也有千亿美金 。 然后那对于一家药厂 ， 你做一家药厂 ， 你做到一个大型的 pharma 差不多也是千亿美金啊 ， 一家材料厂商 ， 国际上头部的也差不多有千亿美金这样的级别 。

达索市值多少 ？

达索当时是差不多六七百亿欧元 ， 现在差不多也是五六百亿美金吧 ， 应该肯定有 。 然后所以说其实我觉得做哪个方向做深了都可以做得很大 。

但是当然另外啊 ， 那平台型的公司 ， 它让每个人的获得信息都变成一个非常方便的事情 ， 那它是同样也是一个很大的公司 。

在你们现在探索和挑战的这么多方向里面 ， 你们觉得哪个方向最有潜力得诺贝尔奖 ？

哈哈哈 。

你们有想过这个吗 ？ 你们有想过这个问题吗 ？

当时 AlphaFold 我们其实它出来之后， 我们觉得这个肯定是诺奖级别的成就 ， 只是早晚的问题 ， 只不过没想到这么快 。

我们可以从另一个角度问 ， 就是因为诺贝尔奖往往表彰的是过去几十年， 就是给人类带来了重要影响力的成果嘛 。

那我们可以比如说往后想 10 年或者 20 年， 到时候会有哪个诺贝尔奖会脱离 AI 而存在吗 ？ 就它完全不使用 AI 的技术 。

对 ，其实我觉得这两年就是诺贝尔奖就是颁的有几个奖项 ， 包括这个 AlphaFold， 包括就是呃 Hinton， 你看他也得了一个物理奖 ，他已经反映出某种受到 AI 冲击之后 ，他的评价标准在变 。

而且我认为就是你看现在所有的科研工具都是 AI 化的 ， 然后未来有更多的 co-scientist、AI-scientist 进入到科研领域里面 。

我认为 10 年或 20 年之后， 所有的诺贝尔奖都是跟 AI 脱不开关系 ， 一定都是基于 AI for Science， 只不过是它用在不同的各个不同的领域上 。

未来诺贝尔奖可能会有 ， 就是在就是颁给 AI for Science 基础设施的奖项 ， 对吧 ？ 我认为刚才我们提到的分子大模型 、 基因大模型 ， 这些都是有机会的 ， 包括 AI 科学家 ， 这肯定都是有机会的 。

那另外呢 ， 就是使用这些新的基础设施发现的这些成果 ，其实那跟原来评价标准还是一样的 ， 到底是不是发现了新的生物学机制 ， 发现了新的材料 ， 发现了新的 physics， 它这些可能也都会产生大量的这个突突出的成果 。

这是我我觉得毫无疑问的 。

可能某种程度就是这个问题 ，其实去年也就是 2 刚说说的 223 年往往后走的时候 ， 肯定对我们来说是一个这个巨大巨大的问题 ，因为这是在那个时候是看起来是个选择题 ， 就是诺奖是给一个重大成果的第一个 ， 对 ， 太鼓励的是你做第一个 ， 然后第二个就啥都不是了 。

去年那个科技证峰会反感慨了一下 ，而基础设施是做最最后一个 ， 就是以后大家就都在这上面了 。

对 ， 于是它其实是最后是要做最后一个 ， 可能一个好的一个产品 ， 最后是 PMF 以及正循环的闭环逻辑扩展逻辑 ， 最好的一个 。

对 ， 这是三个维度上的要求 。 然后当然在一个巨大的技术冲击下， 一个好的平台可能在这三者上是一个最好的一个 ，因为它加速了发现 ， 所以这个第一个所有人对 ， 然后同时呢 ， 嗯 ， 所有人在上面 ， 它 never 就是最后一个 。

同时它如果能够推动一个新的价值体系的的成立 ， 那它就是 PMF 最好的一个 。 眼下 AI agent 其实是把这样的一个嗯可能性的界面变得简单了 ，因为每个人都能说话 ， 呃 ， 通过说话来去产生交互 ， 来去这个定义问题 。

就是有可能新的诺贝尔奖是用这些工具 、 用这些方法产生的 ，因为其实相当于你们作为平台 ， 它上面是支持很多科研人员的工作的 。

80 年代有一个日本的诺奖井喷漆 ， 对 ， 然后其实蓝光二级管道就很多地方 ，其实是一套过去真的形成一个非常严谨有效 ， 甚至有匠心精神的这样的一个材料等的研发 ， 然后有了很多的突破 。

对 ，但是眼下可能这样的类型的突破是真的可能非常批量的被这个 AI for Science 所加速了 。

所以有个可能是不是说你们自己得了诺贝尔奖 ，而是你们支持了很多 ， 比如说中国的科学家 ，他们加速了这个过程 。

看看有多少诺贝尔奖在我们的平台上产生 ， 或者说看看现在多少诺贝尔奖还不在我们的朋友圈里 。

对对对 。

你们之前想过这个问题吗 ？ 这就算你们的一个小目标吗 ？

没有 ， 没有刻意的去做这件事情啊 。 我觉得还是先解决这个最紧要的问题 ， 然后你解决了一个重要的问题 ，有了好的基础设施 ， 别人会自然的来靠近你 ， 就是越近来远嘛 。

24 年 10 月这个诺奖的新闻的时候 ， 可能对我还是有一定的影响的 。 我当时也跟欧老师聊了一下， 就是我们确实就站在这样的一个可能性过 ， 对吧 ？

就是 18 年这个 TF of Science， 你看到的机会 ， 如果说就你就看到 ， 你就是啥都不管了 ， 你就使劲推 ，而不是说从头经历这么多 ， 呃 ， 人还要从大二大三开始培养的这样的一个阶段来去在国内做起来的话 。

对 ， 所以只是说问问这个后不后悔这个决定 。

后不后悔 ？

肯定不后悔啊 。

为什么不后悔啊 ？ 那我感觉要是我后悔死了 。

哈哈哈 。 我我觉得我觉得这个影响是让诺贝尔奖的意义都会受到很大冲击的事情 。

对 ， 所以诺贝尔是一个已经存在的评价体系 ， 就因为你们要做这个事 ， 就是去革新科研的范式 ， 那肯定里面也包括评价体系本身 。

对对 ，而它可能不管是不是我们的存在 ， 我觉得它一定会变的 ， 只不过说我们希望让这个变化变得朝更好的方向去进行 。

你们方便讲讲 ， 就是你们现在因为有四个阶段的这些四个产品的形态 ，其实你们都是有的 。 就目前呃 ，在业务上比较成熟 ， 给你们带来比较多的收入的是什么类型的产品 ， 或者是哪几个产品 ？

那个刚才那里面有一些是具有产品形态的 ，有一些是偏向模型或者基础设施的形态 。 所以说它可能是服务的不是呃 ， 它也是一种用户 ，但它不是服务的这个直接进行研发和价值创造的用户 ， 它服务的是开发者 。

我现在当前我们比较成熟的其实是药物和材料计算的软件 ，但相对来说市场规模会比较受限 。

目前呢 ， 一方面我们技术很领先 ， 另一方面市场空间也比较大的 ， 第一个就是我们刚才 Board 的科学导航 ， 就是用 AI 帮助大家进行文献的处理和知识获取的 。

然后当然那个我们进一步的 SciMaster， 就是科研 Agent， 科学的 Agent， 这个我觉得马上的它的市场空间会迅速的打开 。

Board 导航是高校和研究机构付费 ， 对 ， 模式是这样的是吗 ？

对对对 。

它其实是一个 ， 它是订阅制的 。

对 ， 高校和科研机构可以给自己的学生和老师买一批账号 ， 让学生老师来用 。

你们现在有这个科学计算平台 ， 这种类似于云平台的商业模式吗 ？

呃 ， 这个也是有的 ，但相对来说 ， 就刚才你问的问题是我们最可能带来最大的收入的范围的嘛 。

所以那个是相相对是不是最主要的 。

对 ， 所以说读算做呢 ，其实本质上是智能的科研数据库 、 智能的计算平台以及智能的实验平台 ， 这三个它独立来看都有独立的产品 。

当然智能的实验平台我们在今年范围内还没有足够成熟 ， 可能是我们明年的终点 ，但是这三个独立平台每一个都可以作为独立产品 。

然后此外呢 ， 再结合 Agent， 那 Agent 呢 ， 可以加上这里面这三个里面的任意一个 、 两个或者三个 ， 然后变成这个闭环提供给客户 。

你们刚才也说到 ， 就是接下来五年深视的一个比较主要的计划 ， 就是去做 AI 科学家 。 那在 2030 年， 如果这一步实现的比较好之后， 我们会看到什么 ？

比如说我们每个人都能感受到的变化可能会是什么 ？

你是科学家 ， 你先想想 。

哈哈哈 。

我觉得一个是与自己相关的 ， 一个是可能离得比较远的 。 与自己相关的 ， 我觉得就是新一代的研发成果 ， 嗯 ， 无论是药还是材料 ， 还是我们日常生活息息相关的这些底层支柱 ， 我觉得会有不少的产品都是这样的 AI Scientist 的研发出来的 。

可以预测一下有有哪些吗 ？ 就大家比较有感觉的 。

比如颠覆式的电池技术 ， 电池 。

颠覆式的电池技术 。

或者合金 ， 对吧 ？ 或者这个高分子等等。 药物的话 ， 它因为上市还有一个周期 ，但是我觉得过去的积累到再往后会加快这个过程 。

颠覆式电池 ， 比如说固态电池普及是吗 ？

对 ，但这里面都有一定一系列的不确定性 。 对 ， 所以我觉得从统计来说一定会有非常多 ，但是具体是哪个 ，其实还是取决于这样的一个五年的探索和推动 。

对 ， 确实有很多其实材料啊 ， 什么各方面都可以革新的东西 ， 比如说手机电池 ， 现在虽然手机已经这么普及了 ，但你基本上每天肯定还是得充电的 。

我觉得从每个人都能感受上， 就是每个人都会有一个就是教授级别的科学家做你的朋友 ， 每个人都可以有一个 AI 助手 。

你想感兴趣任何的科学问题 ， 你可以随时去问他 。 比如说我们前两天北京下暴雨 ，不下完暴雨之后， 那个天整个天变成粉红色 ， 我们就有同事在博尔常问为什么什么时候这个天会变成粉红色 ， 然后博尔当然给出非常精彩的回答 。

那比如说呃 ， 前两天我们在开会问到这个 ， 我们就突然讨论起暗物质 ， 我就问什么是暗物质 ， 如何探测暗物质 ， 使用 AI 技术如何提升探测暗物质的能力 。

当然这个 Board 和 SciMaster 都给出了非常非常好的回答 。 那现在其实我不知道你有没有发现 ，因为你是一个非常前沿的媒体 ，但其实最近你有没有发现科普类的公众号迅速的在变红 。

而且有很多我知道也是 AI GC 做的 。

对对对 。 所以说其实在生产力变得越来越发达之后， 人对科学的需求是急急剧的增长的 。 那未来可能每个人真的有一个在各个学科领域都是教授级别的科学家 ， 是一个是你的 AI 朋友 ， 你有什么都可以问他 。

这是从每个人都能感受到的 。 那从这个整个产业上， 我觉得你比如说我们的手机 ， 我们续航 10 天或者是一个月不用充电的智能手机 ， 我觉得是很有可能会出现的 。

还有电动飞机 。

电动飞机现在已经有这个初步的产品了 ，但是它它可能只能飞四五十分钟 ， 一个小时 。 那当然像刚才我们说的固态电池 ， 包括人类所有的疾病 ， 它的药物发现就像现在使用搜索引擎一样简单 。

我们有任何一个疾病之后， 我们通过 AI 系统可以迅速的分析出跟这个疾病相关的达标 ，并且迅速的生成药物 。

Anthropic 的创始人就 Dario，他有一个预测说未来 5 到 10 年人的寿命会翻倍 。 你们觉得这个是有点孤独乐观吗 ？

因为 5 到 10 年没法验证 。

就不好科学上去 。

对对对 ， 你没有办法反驳他 。 对 ， 呃 ，而而且我觉得可能 5 到 10 年之内可控核聚变 。

可控核聚变 ， 你觉得 5 到 10 年是有可能的 。

如果有 AI，AI for Science 有更好的发展的话 ， 我觉得它的概率会极大 ， 会增大很多 。 然后像刚才林峰说到的 ， 可以帮助我们登上火 ， 登上月球 ， 登上火星的更耐高温 、 更坚固的材料 ， 这些我觉得我们人类的几个终极愿景 ， 我们追求消灭疾病 ， 我们追求呃这个无限的能源 ， 我们追求走出地球走向太空 ， 我们可能追求更快的通信 、 更强大

的计算 。 这里面所有的基础设施都离不开在原子分子方面的研发的努力 ，也离不开所有这些呃这个更高效的科学创造 ， 对吧 ？

所以说我们过去五年的愿景是解决微尺度的工业研发 ， 未来五年的愿景呢是 AI Scientist。 我觉得我们的这个愿景就是服务于我们人类的这些终极终极设想 。

另一方面 ， 你们觉得就是 AI 来改造科研之后， 科学发现被带来加速 ， 会有什么风险是要我们现在提前去考虑的吗 ？

这里面有显示的和隐式的 。 显示的肯定是在各个环节上，AI 可以造这个治病的药 ， 就可以造另外一个方向上的药 ， 对吧 ？

可以也可以造毒品等等等。 所以说呃 ， 任何一个技术的进展的 ， 它的另一面是我们始终需要去警惕的 。

它是一个人人可以获得的工具 ， 这个时候相应的安全监管等肯定是我们需要去始终关注的一个问题 。 当然也有一些隐性的 ，其实就是刚才我们讨论到诺贝尔奖 ， 到最后是一个上一代的评价体系 ， 整个如何评估工具 ， 就科研的三要素 ： 工具 、 内容 、 人， 整个怎么评价都会变成一个巨大的挑战 。

这个挑战体现在比如说工具 ， 那现在还只有 Agent 能解决多大问题 ， 这个倒是比较直观 ， 冲击了很大程度上过去的科学成果 ， 工具化的这样的一个工业软件化的呃挑战 。

但是科研的内容过去是 paper 的载体 ，AI 很快写 paper 和做研究在很大范围内是能做得更好 。 从明年开始 ， 我觉得这就是一个摆在所有人面前的问题 。

那么再更进一步 ，有了 AI Scientist， 那么 Human Scientist 该怎样被评价 ， 这些问题都会有非常本质的变化 ， 这个问题一定会来的 。

所以值得警惕 ， 警惕问题是这个问题解决不好 ， 解决不好可能带来的问题或许是人类科学的倒退 ，而不是人类科学的进步 。

这是什么情形啊 ？ 解决不好为什么人类科学会倒退 ？

当然这个我觉得只能举一些想象中的例子 ， 比如大家会不清楚大学存在的意义 ， 我就选不上专业的时候报啥专业 ， 那这个时候可能大家不知道有什么一起要解决的问题 。

对 ， 我觉得这个问题是可能存在的 。

我觉得刚才生成毒药啊 ， 或者生成虚假的内容 ， 这些我反而不担心 ，因为 AI for Science 从这个维度上来讲 ， 无论是它创造和传播新的知识 ， 还是说它创造新的实体 ， 它都在过去已经被量监管了 。

然后所有的 ， 比如说我要合成一个新新的分子 ， 合成一个新的材料 ， 它的供应链现在也是被监管的 ， 比较监管的机构在这个基础之上， 呃 ， 围绕着这个 AI 新出现的可能性进行一些修订升级 ， 我觉得就可以了 。

我觉得我担心的反而是刚才林峰说的人和大学这个存在的意义和人的这个成长改变了 。 因为从教育的角度来讲 ， 过去人是有一个逐渐提升学习曲线的这样的养成过程 ， 你在 AI 时代呢 ， 人的学习方式变了 ， 人获取知识不再依赖于过去的这样的一个 。

你就最简单来说 ， 现在 AI 可能不能替代很多全职的员工 ，但是它替代实习生是没有问题的 。 那意意味着人失去了实习 ， 就是你的初级工作让你练手的机会变少了 。

对 ，是的 。 所以说人的成长方式发生变化了 。 那这个时候我觉得会产生一些结构性的短草 。 那这个是我觉得要就是可能是一代人面临的问题 ，因为小朋友们 ，AI 原生的小朋友们不面临这个问题 ，他从小就是伴着 AI 长大的 。

那另外呢 ， 就是我觉得刚才林峰所说的大学和教育机构 ， 它的未来的意义是什么 ？ 我们在当前的 AI 研究里面 ， 我们可以看到 AI 做文献调研很快就超过人了 。AI 在很多的领域里面写文章 ， 比如说写机器学习的文章 ， 它可以超过博士生了 ， 它自己做研究 ， 自己写文章 。

那 AI 呢 ， 甚至说做一些教学和科研 ， 它很多很也很很多也也超过人了 。 那大学里面的老师要干什么 ？

大学里面的学生要干什么 ？ 从终极的教育理念上来讲的话 ， 确实大学它教育本质上是要激发人的勇敢和善良 ， 激发人自主的灵魂 。

但是我觉得这种在如此 AI 快速变化 ， 尤其是 AI for Science 快速变化的前前提下 ，在过去的技术变革下， 我们都可以看到我们的教育体系是很难跟得上 AI 的技术变化 ， 比任何一次技术变化都快 。

那我们的这些教育机构如何去适应 ， 这可能是需要一代人生两代人来解决的问题 。

对 ， 所以有一个风险 ， 或者说带来的变化是跟人本身相关的 。

一个就是人本身相关的 ， 第二就是就是跟教育和科研的这个组织相关的 。

就你们觉得五年之内吧 ， 什么专业还是比较安全的 ？

社会科学领域的专业 。

正经哲是吗 ？

政治经济哲学 。

对 ，是政治经济哲 。 越是基础的学科我认为越安全 。 物理和化学 、 数学虽然说有很多研究会 AI 参与很多 ，但是它至少养成人类的思维方式 ， 养成这个人的基本能力来讲是必须的 。

对 ， 我认为未来可能人必须得学的专业是这个数学 、 物理 ， 数学是毫无疑问的得学的 。 然后自然科学其实物理是最关键的 ， 社会科学里面就是正经哲是最关键的 。

其实现在北大的录取线好像就是数学和物理的分是比较高的 ， 最高的 。 啊 ， 袁培 ， 还有袁培是吗 ？

就是总之就是光华没有以前高了 ，因为光华以前一般是最高的 。在我我是觉得数数学 、 物理 、 计算机和政治经济哲 。

正经哲 ， 对对对 。

你觉得还是计算机 ？ 那其实都是回归表基础的学科 ， 就是当然还有科理 ， 当然还有一点 ， 我觉得是文学 ， 还有艺术 。

你刚说的艺术 、 体育 ， 文学 、 艺术 、 体育 ， 对 ， 这些就是反而是变成更更重要的 。 啊 ， 还有永远替代不了的政治学 。

对 ， 所以是政治经济 。

正经哲嘛 。

哈哈哈 。

我反观可能是正经哲 ， 正经哲本来就是一个学科 。 对 ，其实最它最开始是社会科学领域的第一个学科 ，是哲学分化出了人文和科学 ， 科学里面又产生了自然科学和社会科学 。

社会科学的第一个学科就是政治经济哲学 ， 自然科学的第一个学科 ， 你看牛顿的那本书叫啥 ？ 自然哲学的数学原理 。

自然哲学就是理科的第一个学科 ， 然后政治经济哲学呢 ， 就是社会科学的第一个学科 。 所以说它是由政治经济哲学 ， 后来又产生了社会学 、 经济学 、 政治学这几个 。

对 ， 所以说起来就是在经过了工业时代的非常大的分工之后， 现在又得回去了 。

对 ， 现在又回到很多技术 ， 又得变成一个一个很本质的这种学习方式了 ， 专业化分方式了 。

我今天就是跟你们聊之前 ， 我去了一下你们的办公室 ， 我发现挺有意思的 ， 就是林峰的办公室比较乱啊 。

我办公室也挺乱的 。

不 ， 你办公室非常整齐 ， 就整齐到夸张 ， 就是你的这个桌上的东西都是一块一块放好的 ， 就像那种拍那种照片 ， 要把一个东西的零部件给拆开 ， 然后码好那种感觉啊 。

就你们俩的性格还挺互补的 。

这个是确实是多年以来的这个 。

就你是 J 人是吧 ？

对 ， 你是 J 人， 你是 P 人 ？ 他也是个 J 人 ，其实在特定的问题 。 对 ， 如果你其实 。

就是差错在不同的 。

对对对 ， 差错在不同的可能性上 。 对 ， 这个是确实比较典型的 。 就你看我的我的衣柜 ， 我的行李箱 ， 我所有的衣服都是叠成相同的大小 。

啊 ， 叠成相同大小了 。

所以说我搬家特别快 ， 就因为我的在衣柜里的叠的衣服是适配我的衣柜和箱子的 ， 就是它我能把衣服一摞一摞拿起来 ， 就是整齐的 ， 就是非常贴合的放在箱子里面 ， 然后搬走 。

然后我的行李箱里的衣服都是贴合我的行李箱的 ， 它的所有的尺寸都是叠成相同的大小 ， 然后我所有东西都是摆在固定的位置上 。

因为你们俩现在其实是一起做一件我觉得非常新也很有挑战的事情 。 你们平时是怎么相处的 ？

包括你们怎么就是分工 ， 你你干什么 ， 你你负责什么 ？

比较比较动态 ， 比较动态 。

你们会有呃吵架或者说比较大分歧的时候 ，在某一些决策上曾经发生过的 ， 可以回忆一下吗 ？

没有吵架吧 。

好像创立公司之后好像没有发生过什么特别剧烈的争吵 。

啊 ， 所以上学的时候有 。

就是因为上学的时候把很多本质的问题都吵完了 ， 就是所以说这个对彼此的三观和各方面都已经充分的了解和认可 ， 所以说创业之后才能说有很多问题都是非常容易沟通 。

你们当时的这些碰撞 ， 就是把很多本质的问题都讨论完了 。 如果总结一下的话 ， 就是你们俩相同的地方和不相同的地方是什么 ？

就比较底层的部分 。

我总总结下来第一点是这个 ， 我觉得是欲望和勇气 ， 就是我们相对来说还都是比较自诩比较上进的 ， 只是来自欲望的方面 。

第二是这个都是比较敢于去做一些决定或者做一些改变 ， 这这这两点是非常非常相似的 。 那当然可能我们欲望的来源可能不太一样 ， 我的更多的是我的欲望可能是来自于很多我 ，因为我干了很多年体育 ， 我内心有非常好胜的这种成分 。

林峰呢 ， 可能他的这种就是对世界对科学的好奇 ， 我觉得要要更强一些 ，有更强一些 。

对 ， 我看你之前自己写文章有分享 ，有一本书就是叫这个 《 牧羊少年的奇幻之旅 》。 啊 ， 那个我也看过 ， 很很早以前看过 。

就是那个里面其实就是在讲你一直要去听你心的声音嘛 。 我觉得你还挺浪漫的 ， 虽然你是个理科生 。

林峰非常 ， 林峰是非常有浪漫的 。

我刚来北大是没有觉得要学物理的 ， 天天写诗的 。

你你本来是想学什么 ？

我我学两年经济 。 哈哈哈 ， 觉得呃就比较有情怀 ， 觉得应该经世济民 。

对 ， 然后顺手那个顺手学了一下经济 ， 然后把我们这些主业学经济的全碾压了 ， 然后之后去学物理了 。

哦 ， 然后所以你们觉得他还好 ，他就让我很快放弃了学术路线 。 我觉得我确实不太适合 。 哈哈哈 。

嗯 ， 那你们俩的区别是什么 ？ 你刚说的是共同点啊 ， 林峰你可以说一下你你的感觉啊 ， 包括共同点你可以补充 。

这个好像挺难总结的 。 区别刚才你不是找到一点了吗 ？

你说哪一点 ？

嗯 ， 你就去我俩办公室不是看过了吗 ？

哦 ， 就是那个整洁收拾 ， 爱收拾的程度是吗 ？

对对对 ， 嗯 ， 我在我们内部的一篇文章里面写过 ， 我那个我写的东西可能很多很多不太适合公开发 。

林峰其实他是这个外冷内热的 ，他是虽然说虽然说他是个 I 人， 然后平时感觉很难接近 ，但是其实林峰内心似火 ， 这个对所有的事情是充满了激情 。

我就我有点相反 ， 我是外热内冷 ， 很容易接触 ， 然后可能也很容易接近 ，但是其实内心的这个原则和判断其实是 ， 就我觉得我内心 bar 还是比较高的 。

我和林峰是两种状态 。

你大学是不是有一个暑假出去流浪来着 ？

高中吧 。

啊 ， 你是高中的时候 。 嗯 ， 你当时是为什么要做这个事情 ？

实际情况是这样的 ，因为保送嘛 ， 然后地方小 ， 很多人想让我提考 。

啊 ， 你想躲躲躲掉这个 。

我觉得当时我我因为我跟伟杰有共同 ， 就是我们每一个人生阶段的下一步 ， 都是去一个你上一步觉得最好的地方 ， 把小学时候去最好的初中， 初中时候去最好的高中， 高中时候去最好的大学 ， 普林斯顿也是研究上最好的地方 。其实每次基本上都是觉得是一个你觉得那个更好的地方一定是这个符合你理想主义的地方 ， 大家都好好学习 。

就后来发现不是 ， 然后到高考时候又有很多人， 我就想我我我上了大学干啥 ， 对 ， 就跟我刚才说这大学探索完干啥是一样 ，但大学至少我是就更明确了 。

对 ， 然后所以就呃买了几张火车票 ， 还带了个双节棍 ， 就去闯沙漠了 。 因为我也比较喜欢理想路 。

所以你真的会双节棍是吗 ？

不会 。

哦 ， 学会了 。

但我当时写了很多日记 ， 然后就很对对 ， 所以其实我觉得那个跟跟当时很多这个思考和现在的再多的事情是非常 align 的 。

闯沙漠思考了什么 ？

啊 ， 就是就是没有就思考这个 ， 就是我感觉我们教科书上教的事情和这个我们实际看到的是挺不一样的 。

就你去一个地方就哎 ， 发现啊 ， 这可能也不是那么高大上， 对吧 ，也有很多草台班子的地方 。 对 ， 那那那我应该就做点啥 ， 就大概是这种类型 。

这这个事情我印象非常深刻 ，但是可能没和林峰聊过 。 但大学刚开学不久 ， 然后我就看那个林峰的那个本子 ，他写了很多东西 ， 然后就发现我和林峰在初中高中阶段 ， 我们都看过所有相同的热血动漫 ，而且都是非常深刻的把自己带入到热血动漫里面 。

比如说什么 ？

比如说比较典型的孙悟空 、 樱木花道 ， 然后那个漩涡鸣人， 然后海贼王那个路飞 。 像我们俩都是喜欢的东西一模一样 ，而且都是就是我因为我自知道我自己嘛 ，他肯定也把自己都带入到那个最热血那个主角中 。

然后此外 ，他在沙漠里面给自己创作了一个个人 logo。 哈哈哈 ， 跟我在中学时候给我我自己创作的就是如出一辙 。

然后我一我当时那个从那个所以说我一入学 ， 我俩就是队友嘛 ， 我一看他的这个 ， 我一想哎呦 ， 这肯定是那么自己人。

就是你可以自己创造一个个人的图案是吗 ？

啊 ， 对对对 。

你还记得什么样子吗 ？

我记得太重要了 ， 还是太重要了 。 算了算了算了 ， 咱们这个快进一下这个环节 。

哦 ， 那你们还真的都挺有内心的激情的啊 。 而且你们就是可能想以后要做什么这个事 ， 挺早就开始想 ， 十七八岁吧 ， 或者更早 。

可能更早 。 哈哈哈 ， 对 ， 至少是我们可能那个时候也不太知道自己要干啥 ， 才十七八岁 ， 谁知道 。

但是我觉得至少我能感知到 ， 我们都是比较容易被那种热血 ， 然后奋斗激情这些特质感染的 。

我觉得有一个共同的特点 ， 就跟创业五秒钟一样 ， 来北大也是大概很快 ， 就是比较坚定来北大 。

哈哈哈 ， 就我和林峰 ， 我俩在做选择的过程中， 我俩有一点是非常相相像的 ， 与其这个一个确定的可能性 ，但是很高 ， 我们俩都愿意选择一个更不确定 ，但是上限更高的 。

所以你们其实也都是风险偏好比较大的 。

对 。

这也是企业家嘛 ， 企业家精神就是这样 。 我看到一个机会 ， 我即使有风险 ， 我也要想办法去抓到它 。

对对 ， 我我觉得其实可能这是大家怎么评估风险的问题 ，因为这都是很 noisy 的一个可能性 。 你从哪个维度上觉得它的 variance 特别大 ，但是可能从另外一个维度 variance 并不大 。

对 ， 就是其实创业本质上我是找到一些这个非对称性的风险 ， 对别人来看它是风险很高的 ，但是你以你的 knowhow 可以评估这个风险 ，其实是很可控的 。其实你们刚才特别喜欢的这些 ， 就是动漫角色 ， 这些主角 ， 我觉得他有一个特点 ， 就是他们都去参与到了一个未知的冒险中， 去追求他想要的东西吧 。

对 ， 都是比较理想主义的 。 我记得我回回国不是还那个隔离吗 ？ 隔离就不知道该干什么了 ， 然后那个就很乱 ， 然后当时看那个就看灌篮高手 ， 然后呃什么最后一集没拍嘛 ， 就有些那种漫画拼起来的在 P 站 ， 然后看到一个画面 ， 然后所有的弹幕就是都给我哭 ， 然后就刷着哭 。

比如说这个老爹 ， 你曾经过啥时候是最 。

对 ，是你最光辉的时刻 ，是全国大战吗 ？

哈哈哈 。

对对对 。

对 ， 一些一些特别燃的名场面 。

就就是现在 。

其实我我看你 22 年的时候你自己写了一个文章 ， 就是回顾这个 Uni-FEP 发布时候的情形 ， 然后你当时说的是希望很多年以后大家会看到理想主义真的可以改变世界 。

那个是 FEP 发布的时候 ， 我们一个同事的朋友圈 。

你们现在怎么去看这件事情 ？ 就你们现在对理想主义改变世界 。

林峰在那个给原培学院的毕业生的致辞上也说过这句话 ， 我依然是坚信的 。 但是就是我我也相信这句话还得加上另一句话 ， 就是你要有菩萨心肠 ， 同时也要有雷霆手段 。

我们的这句话的应该写全是理想主义的实干家才能改变世界 。

然后最后一个问题是想问你们接下来一年一个最有意思值得观察的悬念是什么 ？

嗯 ，Innovator 到底长什么样子 ？ 呃 ， 你看这个 OpenAI 在它的五个阶段 ， 就是 Chatbot 到 Reasoner， 再到 Agents， 下一个阶段就是 Innovate， 然后同时再下一个阶段是 。

对 ， 然后显然我们现在是在一个 Agent 快速铺开的时候 ， 大家都看得到 ，但是从 Agent 走到 Innovator， 恰好是 AI 和 AI for Science 一定会正面相逢的一个阶段 。其实我们在 7 月底的时候也发布了 SciMaster 的同时是一个 baby level 的 Innovator， 是一个 AI for Science 的基座模型 ，但是我们有两种认识世界的方式 ， 对吧 ， 一个就是所有互联网信息全都铺在你面前 ， 然后那个你学一遍 ， 学完之后再再看看自己往哪

往生走 。 另一个就是这叫从通用智能走向这个通用智能的一定程度上皇冠 ， 叫 Innovation， 就是科学智能 。 但是也有另外一个方向是科学智能到通用智能 ， 你先把最本质的东西能够 get 清楚 ， 能够思考理解的同时， 对吧 ， 大学学完数理化正经哲 ， 再去走向社会 ， 这可能是从科学智能到通用智能的路径 。

但明年无论是通用智能还是科学智能往前走 ， 它的碰撞点一定是 Innovator。 所以所有的 AI 的厂商都在往这个方向努力 ， 所有的这个 AI for Science 下一步的中阶段性终极问题也是这个模型该是怎样的 。

这个模型你现在看到一些什么迹象吗 ？ 因为比如说 Agent 它其实有一些特性的嘛 ， 或者说有些特性促成它的出现 ，有推理能力 ，有编码 ，有工具的使用 ， 对吧 ， 还有记忆啊 。

那如果是在 Innovator 这个阶段的话 ， 它可能是有哪些要素了 ？

对 ， 我们 Chatbot 往前的大模型其实是有一个 scaling law， 对吧 ， 就是数据越来越多 ， 模型越来越大 ， 然后它的这个 predicting next token 的这样的一个 performance 越来越好 ， 然后这个 performance 又意味着它在训练和应用阶段的一个统一的任务 。

而从 Innovator 角度 ，其实有不同层次的这个看的方式 ，因为现在都是 indicator of 这个 future success，而不是一个真正的 success， 所以其实从不同地方的观察是不一样的 。

我觉得从 AI AI 模型过去迭代的逻辑和从现在智能体人机交互去改进的逻辑 ， 这两个方向上， 这个技术逻辑是非常显然的 。

对 ， 从这个圈子里的角度来去看的话 ，但是一个不那么显然的事情是它怎么去从头构建这个世界 。

对 ， 就是呃 ， 当你知道这个 ， 比如说我回过头来看那个 ， 就我说大二就开始学广义相对论 ， 对 ， 然后学的时候你知道这个东西怎么推 ， 你对吧 ， 就我觉得最遗憾的事情是我已经知道了 ， 所以我就缺乏了那个我从头 derive 的那个机会了 。

我就本身上我就缺了这个 make this kind of innovation 的可能性 。

对 。

然后呃 ，其实我我我恰好原创性的本科的时候解决了过一个问题 ，但是恰恰好是因为我不知道 ， 然后后来导致说哎呀 ， 当时我也不知道 ， 当时要有了 Science Navigator， 可能我我就没这个机会 ， 我就不可能 。

是你解决了一个别人已经解决的问题 。

对 ， 事实上是后来才知道是别人解决 ， 所以有 Science Navigator 我是肯定不会做 。

就是这个就刚才我说的那个人群失去了实习机会了 。

对 ， 人群失去了机会 。 但是从某种程度上， 当然从 AI 的角度也同样 ， 它都知道和它能做 Innovation 是有一个本质的不同 ， 这本质的不同可能是涉及到它从哪开始的 。

啊 ， 说起来最近 OpenAI 有一个动向 ， 就是它上了一个新的模式 ，但它也就是从用户的角度 ， 就是叫苏格拉底模式 。

那对对对对 。

它就是一个对话启发式的 ，而不是直接给你一个回答的模式 。

这块是有很丰富的探索 ， 我觉得有非常多不同的角度 。 我觉得这既是我们现在本质上也在推动的事情 ，也是一个可能不见得说最后长什么样子 ，但我觉得还是一个非常值得关注的事情 。

对 ， 我觉得你提了一个很好的问题 。

因为现在呢 ， 就是 AI agent 已经可以把独算做闭环起来了 ， 就是自己干一个任务能干个两三天没问题了 。

我倒是想看到真正 AI 调动独算做的工具 ， 发现一两个新的科学成果 。

最近的 Alpha Evolve 是不是有算是有一些进展 ， 就是 5 月份 Google 发的那个 ， 它有一个成果 ， 好像是说把 4×4 的呃这个矩阵复数的运算从以前的 49 次变成了 48 次 。

对矩阵那个 ， 这个是还是一个相对来说数理方面的成果 ，在计算世界就能闭环嘛 ， 它相对来说闭环和验证非常快 。

我的意思是在比如说像材料啊 、 化工啊 、 然后药物啊这些方面 。

Future House 也号称发现了一个新药 ，但是从周期上来说是对不太可能 。

我觉得 overclaim 的成分比较比较大 ， 就是那个真正的成分比较大 ，是能够以人类过去的认知为基础 ， 然后自己去探索未知的世界 ， 创造出了某种程度上完全超越人类想象也不太可能 。

毕竟人这个对这个世界的认知也是有不同的分布的 ， 对吧 ，但是至少超越出咱们普通的科学家认知的这样的科学成果 ， 我认为明年有 ，而且非常有希望看到 。

那你们对技术的预测还是都还挺激进的 ，不过或者说这个激进是就可能是一般人的指标啊 ，因为你们是从业者 ， 你们看到的信息不一样 。

相比于 Elon Musk 还有 Altman， 我我俩的预测都不算激进 。 哈哈哈 。

我不觉得五年之后会实现双倍那么多 。

对对对对对对 ， 然后比如说那个 Oracle 的 CEO 说这个要创造出这个万能癌症疫苗 ， 对吧 ， 我认为也就是关于生命科学的相关的 ， 我认为它是过于激进 。

但是对于 general 的科学发现啊 ， 我觉得在特定领域上的特定环节上的科学发现 ， 我认为五年的目标毫无疑问 。

嗯 ， 从你们的视角 ， 人类什么时候可以消灭癌症 ？

我觉得五年确实有点激进了 ，但是比如说到 2035 年或者 2040 年， 十年到十五年我认为是有有有希望的 。

或者不能说消灭癌症啊 ， 把癌症变成慢性病 ， 就是像现在的心脑血管啊 、 肥胖啊这一样 ， 就是你是可干预可治疗的 。

那期待就是你们关心的这些问题 ， 你们希望明年会发生的事情 ， 然后在明年可以有一个答案 。 那今天非常谢谢两位来做客完点聊 ， 然后分享了整个深势的创业过程 ， 还有给我们介绍了什么是 AI for Science， 这个之前可能大家觉得会比较晦涩 ，但是我觉得现在确实已经越来越多的人讨论 ，也越来越多的会改变到大家的这个工作和生活的一个领域 。

谢谢解说 ， 好 ， 谢谢 。

本期 《 零点呈现 》 推荐这几期过往节目 ：101 期访谈王小川 ，103 期与清华的两位博士生萧朝军和傅天宇详解注意力机制的改进 ，116 期与 Meta 前 GenAI 研究总监田渊栋聊他写的长篇科幻小说 《 破晓之钟 》， 和 127 期与甄格代语森做 25 年的 AI 年终复盘 。

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 。101 期是从医疗和生物科技的角度谈到了这个话题 ，103 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 DeepSeek-R1 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 ？127 期的年终复盘中则讨论了 OpenAI 和 Gemini 取得 IMO，也就是国际奥赛金牌的成果 ， 像陶哲轩这样的数学家已经在尝试用 AI 来辅助研究 。

而 116 期田渊栋在科幻小说 《 破晓之钟 》 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。20 年前有一本畅销书叫 《 奇点临近 》， 奇点 singularity 是机器智慧超过人类智慧的临界点 ， 书中预言奇点到来的时间是在 2030 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 LateTalk，也欢迎关注我们的公众号晚点 LatePost。 下期再见

。