对话深势科技张林峰、孙伟杰：AI for Science，从开始到现在
晚点团队约 34 分钟“我们希望推动一个开源的体系，从科学研究到工业研发，再到人类命运共同体。”
文丨程曼祺
编辑丨宋玮
多年前，杨振宁曾在一次高能物理学术讨论会上说：“The party is over”。因为上一个物理大发现时代已然远去。
现在，派对又开始了。
AI for Science，用 AI 加速科学发现，正成为 AI 最新、最激动人心的方向。由斯坦福大学前校长参与创立的 AI for Science 公司 Xaira Therapeutics，去年一启动就募资超 10 亿美元；OpenAI 也在今年成立 “OpenAI for Science” 部门，刚在上个月雇了一位黑洞理论物理学家。
早在 6 年多前，中国的 AI for Science 创业实践已经开始。最适合讲述这个故事的是张林峰和孙伟杰。
2018 年，25 岁的他们创立深势科技。 2022 年 3 月，张林峰写文：《AI for Science 2022：未来已来，即将开始流行》。8 个月后，ChatGPT 才发布。
深势的启动资源不是来自 VC，而是全国颠覆性技术创新大赛的金奖奖金——1200 万元人民币。张林峰在普林斯顿读博期间提出了 “深度势能分子动力学” 方法（DeePMD，Deep Potential Molecular Dynamics）。它后来获得了全球高性能计算权威奖项 “戈登·贝尔” 奖。
DeePMD 引入 AI，优化了量子论中一个长久的问题：对 “第一性原理计算”，即 1926 年提出的薛定谔方程等量子论基础方程的求解。在不太损失精度的情况下，DeePMD 能将第一性原理计算的范围从上百个原子扩展到上百亿原子，即从小到难以描述的纳米尺度扩大到显微镜可以看到的细胞、细菌尺度。
这个成果能用于发现新材料、新药物，这些领域都要了解物质性质。更长远看，人类的终极科学想象：无限能源（核聚变）、消灭疾病、走向宇宙，都需要对物质的更深探索。
张林峰的博士生导师之一，中科院院士鄂维南曾说：这是他三十多年没见过的机会，在他的学术生涯中，他一直没找到那些真正想解的问题的方法，现在他看到了。
1993 年出生的张林峰来自山西汾阳，因参加物理竞赛保送北大。在定位于跨学科教育的元培学院，他同时修了物理、数学、计算机。与张林峰同龄的孙伟杰来自黑龙江佳木斯，主修政经哲。两个北方高个儿男孩是院篮球队、羽毛球队队友，也在元培学生会体育部搭档。
理科生张林峰浪漫而热忱：保送大学时，他在清华和北大之间选了北大，他向往自由、天天写诗，还学了一段经济学，想 “经世济民”。申请博士时，张林峰拿到 MIT offer，但在普林斯顿看到爱因斯坦沉思过的草地后，他说自己走不动道了。文科生孙伟杰逻辑清晰，当被问及 “怎么看 Anthropic 创始人预测 5-10 年内，人类寿命会翻倍？”，他说：“5 到 10 年没法科学上验证寿命是否翻倍，观测时间不够。”
张林峰刚来普林斯顿时，在草地上撞见一只小鹿。“它独立、轻逸、灵动。它超然物外，沉浸在自己的世界里。在很长时间里，我跟它一样，处在一种 Detachment 模式里。对此我心存感激。”（《醉在普林的日子（上）》）
深势的早期投资人，众源资本冉翀说：“张林峰有极强的历史感和科学视野，他能从科学演化的路径上理解 AI 的意义，极为笃定 AI for Science 的未来，也清楚通向目标的关键节点和缺乏什么。” 更让他惊讶的是，“每次和伟杰交流，都很难感受到他是文科生。他对科学与技术的理解非常深刻。”
成立 6 年多来，深势科技推出了 Hermite 药物计算设计平台、Piloteye 能源电池研发平台；以及一系列预训练科学模型，如分子大模型 Uni-Mol、实验表征大模型 Uni-AIMS 、蛋白质大模型 Uni-Fold、基因大模型 Uni-RNA 等；科学文献大模型 Uni-SMART；和综合这些积累的科研平台与科研 Agent，“玻尔科研空间站” 和 SciMaster；服务了宁德时代、比亚迪、多氟多、长安汽车、京东方、东阳光药、人福医药、诺泰生物等企业客户。
张林峰和孙伟杰在创业时就定下目标：做一家源自中国、引领世界的科技公司。
“我们希望推动一个开源的体系，从科学研究到工业研发，说的再大一点，到人类命运共同体。” 在看到许多美国的科学家朋友的研究经费受限甚至被暂停后，张林峰说。
中国很少有创业者会直白提出宏大的愿景。还没有实现的理想与抱负，有被嘲笑和误解的危险。但这只是实现理想的过程中最轻的代价。
起点：用 AI 加速 “第一性原理计算”
“这是一系列统一的问题：即复杂高维的物理量和方程，能不能被 AI 有效表示、逼近和加速求解。”
晚点：所有新方向都来自一个原初的好奇心或疑问，对你来说，驱使你在博士期间走向 AI for Science 的初始问题意识是什么？
张林峰：那可以回到更早一些。在去普林前，我本科和伟杰都在北大一个特殊的学院元培，这里允许大家自由探索不同科目，我最后确定要做物理。
慢慢我意识到，我们的学习方式有欠缺：比如大二学广义相对论时，我学了黎曼几何之后才学古典微分几何，而数学系的顺序是反过来的。这是因为物理要讲广义相对论，势必涉及黎曼几何：1905 年，爱因斯坦在提出狭义相对论后，试着将它和引力统一，做到中间发现缺少必要的数学工具， 后来他和其它学者交流后才得知有一个已经存在的工具，就是黎曼几何。于是他又学了黎曼几何，在狭义相对论 10 年后，做出了纳入引力的广义相对论。
而我们上课的过程，是直接讲怎么统一狭义相对论和引力，把黎曼几何当成工具去推导场方程，就搞定了；考试也是考能否推导。至于它怎么来的、数学上怎么定义，都没有深入地讲。如果真要扎实地学，其实应该从古典微分几何开始学。另一个困惑是，到大三时，我已学完了弦论和相关数学，那么之后呢？
当时我觉得，我们这一代希望从底层科学出发做点儿事的同学，都缺点儿让人兴奋的大问题。
在相对论和量子力学被建立的那段岁月，很多成果都是二十多岁的年轻人在几年内做出来的，但这样的机会已经不存在了。就像杨振宁先生曾说的：“The party is over”。
晚点：从 “the party is over” 到找到研究方向，转折怎么发生的？
张林峰：本科末期我在做电子结构研究时，开始接触 “从头算”（ab initio），即从最基础的方程出发解决材料化学问题，得到了一些突破，正好可以用到量子化学里，这是我第一次真切体验科研探索的快乐。所以 2016 年去普林斯顿读博士时，我有两个导师，一个是应用数学方向的鄂维南院士，另一个就是计算化学方向的罗伯托·卡尔（Roberto Car）。
2016 年也是 AI 的转折年，那一年有了 AlphaGo。开学前，我原本还想选 Haldane（邓肯·霍尔丹，研究拓扑量子物态理论）开的凝聚态场论，当时鄂老师看了我选的课后说：“你本科已经学了这么多，就算跟大师学也只是再学一遍。我觉得你现在应该做机器学习。” 第二周，Haldane 就得了诺奖。诺奖往往不是一个领域的开始，而是盖棺定论。
当时我感到，接下来推动物理等基础科学进步的，很可能就是这一波 AI。那是 16 年 10 月，是我们整个研究的起点。
晚点：AI 和 Science 的含义都很广，在你们的研究之初，AI 是指机器学习，Science 是指什么？
张林峰：简单来说，是指量子物理中，对薛定谔方程的加速求解。
我最开始做机器学习时，它已经能做图像识别、用强化学习打游戏。但科学领域少有 ImageNet（李飞飞发起的图像识据集）这样适于机器学习的 “data ready” 的任务。大多数科学问题的数据都很稀疏，结构复杂，变量之间存在深层关联。
那时鄂老师把我和 Roberto 找来讨论，他对 Roberto 说：“我觉得机器学习几年内就要把你做的 ab initio molecular dynamics（从头算分子动力学）颠覆了。”
“Ab initio” 计算（第一性原理计算）就是从第一性原理出发求解万物。这个原理在电子、原子尺度上就是薛定谔方程——很简洁的一个方程，1926 年被提出，到 1929 年，Dirac（保罗·狄拉克，量子力学的奠基人之一，1933 年与薛定谔共获诺奖）断言，几乎所有化学和绝大部分物理都可以被这个方程涵盖。
但薛定谔方程难以被精确求解。怎么降低这个方程的计算复杂度，贯穿量子物理的百年探索。
薛定谔方程
晚点：为什么说 AI 有可能会颠覆这件事？
张林峰：这需要先解释一下，在 AI 之前，我们是怎么简化这个计算的。
薛定谔方程描述的是粒子，如电子、原子的波函数的性质和演化规律。它的输入是原子和电子的位置，它的输出是这些粒子在空间中的分布状态。
首先，这个输入就非常复杂：比如一个水分子有一个氧原子和两个氢原子，每个原子在三维空间的坐标都由 （x,y,z）3 个数表达，那 3 个原子就是 9 个数，然后还有电子（1 个水分子有 10 个电子）的位置。一个水分子的输入就非常多。原则上，蛋白也可以被这个方程描述。但一个蛋白通常包含几百个氨基酸，对应几万到几十万个原子。它的输入就会特别大。
孙伟杰：这就涉及另一个方程——DFT（density functional theory，密度泛函理论的核心方程）。DFT 把薛定谔方程粒子间的相互作用，简化成了每一个粒子和外场间的相互作用。它损失了一些精度，但能算几十个原子到上百个原子间的相互作用，计算范围更大了。
晚点：几十到上百个原子是什么概念？一滴水里有多少个原子？
孙伟杰：一滴水里大概有超过 10^20 （10 的 20 次方）量级的原子。
晚点：所以要处理日常生活中的物质，DFT 的计算还是太复杂了？
孙伟杰：对。首先我们研究的大多数材料和药物反应都在纳米尺度，1 纳米是 10^−9 米，但一个原子的直径只有约 0.1 纳米，所以几纳米的空间就会包含成千上万个原子的相互作用。上百个原子的计算范围显然不够。
然后还要考虑时间，原子间的一次相互作用大概要 10^−15 到 10^−12 秒；而要形成我们想观察的现象，可能需要几百纳秒到几微秒，甚至几毫秒，如蛋白质的很多性质。过去的方法能算的时间也不够。
所以，即便有了 DFT 这个简化后的方程，很多问题仍解决不了。随着原子数量上升，薛定谔方程的计算复杂度会以 10^7 上升，而 DFT 方程也会以 10^3 上升。
Roberto Car 之前做的最大突破，就是在 DFT 的基础上，又模拟了分子间相互作用的关系。这就是前面提到的 ab initio molecular dynamics（从头算分子动力学）。（注：Roberto Car 和 Michele Parrinello 在 1985 年发表了论文《分子动力学和密度泛函理论的统一方法》（Unified Approach for Molecular Dynamics and Density-Functional Theory），提出了 Car-Parrinello 分子动力学方法。）
严格说，这不是真正的 “从头开始”，而是一个近似计算。Car 和 Parrinello 提出这个方法已经 40 年了，它深刻影响了计算化学、理论化学和统计物理。
晚点：所以在 2016 年那个时间点，你们是看到有了 AI 后，Car 和 Parrinello 的方法还可以被优化？
张林峰：简单说，在 DFT 框架下，依然需要求解电子的相互作用，计算依然复杂。然后对 DFT 进一步简化，就得到了分子动力学方程。
给定原子状态 R1、R2……一直到 Rn，每一步作用的这个能量是 E（Energy），它的受力就是 e 对每个位置的负梯度，等于 Fi。
原子的相互作用每演化一步，原子坐标就会更新；能量也会跟着变化。就跟放电影一样，会一帧一帧往后推。在过去，每一步都用量子力学的方式去算，很贵、规模很小。
我们的建模目标就是，能不能用 AI 去表示这样一个以 “从 R1 到 Rn 的原子坐标” 为输入、以能量为输出的函数。
晚点：这个建模的成果，就是后来获得了戈登·贝尔奖的 Deep Potential 模型？
张立峰：对，它其实是用 AI 做了一个代理模型，使它具有 “从头算” 的精度，也就是模拟 DFT 的精度；但计算效率高得多，可以大规模、长时间的模拟粒子的相互作用。
（注：相关论文为 Deep Potential Molecular Dynamics: a scalable model with the accuracy of quantum mechanics《深度势能分子动力学：一种具有量子力学精度的可扩展模型》，2018 年 4 月发表于《物理评论快报》。）
晚点：可以说，从薛定谔方程到 DFT 密度泛函，再到包括 Deep Potential 的一系列的近似或模拟，核心都是要在不损失太多精度的情况下提升计算效率？
张林峰：其实这中间不止一条路，从 2016 年底开始，我们试了很多方向：从 “能不能用神经网络替代复杂的波函数去求解”，到 “密度泛函的表达形式能不能更高效准确”，再到 “原子间相互作用的势函数能不能很精准地建模”。
本质上，这是一系列统一的问题：即复杂高维的物理量和方程，能不能被 AI 有效表示、逼近和加速求解。
这有点像围棋，它规则明确，但从当前棋局推到下一步的建模关系很复杂。物理规律也是清晰的、早就有的，但难点是基于这些规律求解。这就是我们从 2017 年开始，很快取得很多进展的方向。
从 “两亿核时” 到 “笔记本跑半小时”
“那时一下有了超过 6 个数量级的计算加速，用笔记本就能干过超算。”
晚点：你们当时取得的第一个 milestone 是什么？
张林峰：当时处理的第一个关键问题是，如何用神经网络给原子体系建模。我们就想，能不能把一堆原子坐标作为输入，把能量作为输出，让神经网络直接学到这个过程？
答案是不能。因为粒子有各种不变性；对波函数，要处理电子的交换反对称性；而对原子体系，则要处理平移旋转的不变性和交换的不变性。
以前的方法都不够通用，比如处理水时，就根据水的性质加描述，这就像特征工程，它能处理水，就不能处理硅。当时我们最大的突破，就是找到了一个相对统一的方法来表示多种不同的不变性。
晚点：这是个数学问题，还是一个计算问题？
张林峰：本质上是一个数学问题——就是怎么处理对称性建模和高维对称函数。
解决这个问题后，我们把它放到 TensorFlow（Google 在 2015 年发布的 AI 算法开发框架）框架里去实现，进展很快。2017 年 5 月就有了第一个 demo。到 6 月时，我们在笔记本上模拟的数据已经和 Roberto Car 组里非常昂贵的 “从头算” 数据很一致了。
晚点：你曾分享过，你在飞机上用自己的笔记本就跑出了水分子的状态。
张林峰：其实训练好模型后，跑第一性原理（指 ab initio 计算），用笔记本只要不到半小时，而之前需要两亿核时的计算。
晚点：两亿核时是什么概念？
孙伟杰：核时就是一个 CPU 核计算 1 小时。当时 1 核时大约 1 毛钱，2 亿核时是约 2000 万人民币。现在是越来越便宜了。
晚点：所以这个突破的意义在于大幅压缩了计算成本？
张林峰：这是一方面。那时一下有了超过 6 个数量级的计算加速，用笔记本就能干过超算。以前跟导师是一个月讨论一次，讨论完改代码、再跑一个月；现在是上午讨论，下午笔记本跑完就能继续讨论。我们变得特别高产，其实是因为能算得非常快。
更重要的是计算规模。当时已经看到，这套方法从微观还能继续往上涨到介观（mesoscopic，微观到宏观之间，纳米~微米尺度）、宏观（毫米~米尺度）的物理尺度。
这是个系统性的全面机会：从电子相互作用、凝聚态物理到化学材料，再到天气预报、汽车、飞机等工程建模，都有望被这样的新方法改变。
晚点：在计算加速上，2012 年神经网络兴起后，GPU 等计算硬件有很大发展，这给你们的研究带来了什么？
张林峰：其实 2017 年底，普林斯顿就买了 200 多块 P100（英伟达 2016 年发布的数据中心 GPU），整个学校都可以用，但闲置率很高。
核心原因是那时 AI 还没真正火，要实现一个算法得写很多代码，TensorFlow 每次都要从头编，软件会提示：是否需要 CUDA（英伟达提供的、调用 GPU 并行计算能力的软件平台） Support。当时看这么多机器闲置，又着急算，就点了 Yes，瞬间就编通了。这样训练速度又提升了 10 倍，而且我们能用几百块卡。
到 2018 年时，我发现生产力几乎是无穷的，为了不让卡闲着，我们开源了所有代码，这就是 DeePMD-kit 项目，由此也开始建立 DeepModeling 开源社区，这极大加速了对很多问题的探索。
这也让我们很早就意识到了 Infra（基础软件层）的重要性，包括 TensorFlow 这类框架和 CUDA、GPU 算力。
晚点：有了这个成果后，2018 年夏天，鄂维南老师正式总结了 AI for Science 这个概念，是看到了哪些更大的空间？
张林峰：这个方法论背后是一个更普遍的问题：过去很多难题都是高维函数的建模与求解。而机器学习恰好擅长处理高维问题。所以鄂老师后来写过一篇文章，说机器学习是应用数学的最后一块拼图。
晚点：你们当时解决的问题是用机器学习加速第一性原理计算。而一般提到 AI for Sicence，会想到 Goolge DeepMind 开发的蛋白质结构预测模型 AlphaFold。这两种方向是什么关系？
张林峰：这刚好是 AI 在科学中的两种作用。
一是处理有充足数据的问题，AlphaFold 就属于这一类——当时已有约 20 亿条蛋白序列、近 20 万个已解析的结构。AI 在这里主要用于拟合数据，建立从序列到结构的映射。这有点像 ImageNet。
二是处理规则清晰、但缺乏数据的问题。微观物理就属于这一类——没有直接可观测的大量数据，但可以用第一性原理算出结果，只是以往算起来很麻烦。
DeePMD 的作用就是根据物理方程生成 “合成数据”，再来训练模型——把原理本身变成了数据来源。在这里，AI 的作用是在规律指引下加速求解。
孙伟杰：类似的思路在自动驾驶、具身智能、核聚变等初期缺少数据的领域有很多应用，就像当年的 AlphaGoZero（注：用强化学习生成棋谱，自己和自己对弈来学习下棋）。
起步的 5 年：做微尺度的 “达索”，培养最优秀的低年级本科生
“没有哪个单一专业的人是 ready 的：懂化学的不熟算法，会算法的不精通工程……所以深势发展中有一个关键脉络，就是培养了一批最优秀的低年级本科生。”
晚点：2018 年有了这些进展后，你们是怎么决定一起创业的？
孙伟杰：我和林峰本科时的革命友情特别深厚，从大一开始，我们就是学院篮球和羽毛球队队友，后来又一起在元培学生会体育部，他是部长，我是副部长。
2018 年林峰已经做出了 DeePMD，夏天回国时住在我的宿舍，我了解了他在做什么。当时我在北大继续读研，也在一家投资机构实习，本身就在寻找 AI 创业机会。而正式考虑创立深势，是鄂老师拉我们一起讨论。
晚点：他怎么和你们说的？
张林峰：他说 30 多年没见过这样的机会。他觉得自己虽然 30 岁出头就在普林斯顿做正教授了，但一直没找到那些他真正想解的问题的解决方案，而现在看到了。如果要真的让这件事落地，光在学校里做不下去，学校人太少，也没能力做工程化。
所以鄂老师和我说：你应该现在毕业、回国，然后创业。一开始我惊讶于这么跳脱的建议，不过很快就想清楚了：机会是 AI for Science ，不是 get simulation done，然后发论文，这完全是两件事。TensorFlow 等 AI 生态的成熟也创造了条件。
最后我们的共识是，做一家 “源自中国、引领世界的科技公司”，让 AI for Science 真正影响整个科研领域。
晚点：你们正式开始做公司，怎么迈出从前沿技术到商业化的第一步？尤其你们 2018 年底成立时，这个领域在全球都很新，没有太多能对标的公司，外界的理解成本也比较高。
孙伟杰：在起步阶段，我们其实同时要解决三件事：业务方向、钱，还有人。
业务方向相对容易，虽然 AI 是新方法，但分子动力学本身已有应用，大的下游场景有化工、药物、材料、半导体、新能源等。从 2019 年 5 月到 8 月，我们密集做了行业调研，最后选的第一个方向是药物，有 3 个标准：
一是看技术重要性和潜力：分子计算是药物研发的核心之一，同时，这个场景也能持续拉动技术升级。
二是看商业模式：制药公司的支付意愿很强、客单价高。
三是看行业分工：药物行业链条划分相对清晰，业内本就有很多外包研发组织（CRO），我们的计算结果可以快速得到验证。
同时，当时国外已有薛定谔和 Accelrys 等公司，国内也开始有 AI 制药的萌芽。所以到 2020 年，我们很快就有了第一个产品——Hermite 药物计算设计平台。（薛定谔是为制药等行业提供科学计算服务的一家公司，1990 年成立，目前市值 14 亿美元；Accelrys 是一家为化学、材料和生命科学提供建模、仿真和数据分析软件的公司，2010 年成立，2014 年被达索系统以 7.4 亿美元收购。）
晚点：既然这个链条已经相对成熟了，作为新产品的 Hermite 和薛定谔等的差异是什么？
孙伟杰：薛定谔当时没有引入机器学习方法，是用之前的方法基于分子动力学方程来计算蛋白质之间的相互作用。
晚点：你们怎么解决启动资金的？2018 到 2019 年是上一轮 AI 热潮的融资低谷期。
孙伟杰：第一笔钱不是融资，是全国颠覆性技术创新大赛的金奖奖金，一共 1200 万，分 3 年给到。所以第一年我们没有着急融钱，本打算 2020 年春节后正式启动融资，结果赶上了疫情。
晚点：但你们还是在 2020 年下半年拿到了百度风投领投的天使轮，当时怎么向投资人解释深势的价值的？
孙伟杰：我会告诉大家，世界上所有物质归根结底都由原子构成，如果我们能清楚理解原子尺度的相互作用，理论上就可以求解所有材料和药物的性质，这会给化工、药物、材料、能源领域的底层研发带来大变化。
晚点：你们怎么描绘商业前景的？
孙伟杰：2020 年，我们还发现了另一个非常值得参考的对标，就是达索系统（法国工业仿真公司）。
任何研发范式成熟的标志之一，一定是这套研发流程能用电脑来做了，能用计算机精确、高效地模拟了，否则就是经验性的手艺。而达索系统的底层，就是把所有飞机、汽车图纸搬到电脑里，用电脑做设计，再用一系列固体力学、流体力学、电磁学、光学的技术去模拟这些设计能不能跑起来、是不是安全。
用这个逻辑去看药物和材料等分子、原子相关工业门类，研发流程都不成熟，都是重复性实验。所以做药的人会自嘲是在 “炼丹”。在这些领域构建更成熟的研发范式，是个很大的商业机会。
具体方法上，达索是把经典物理，如固体、流体、电磁的规律内化到了软件里。而深势是要把量子力学内化到软件里。在微观世界的工业研发中，量子力学才是第一性原理。
于是 2020 年，我们明确了深势的第一个五年计划是做 “微尺度工业研发的平台”，就是微尺度的达索。我们找到了这样一个巨大的工业场景和深刻科学规律的匹配。
晚点：起步阶段的第三件事是人才，你们当时面临什么状况，怎么搭建团队的？
张林峰：这是最难的问题。没有哪个单一专业的人是 ready 的：懂化学的不熟算法，会算法的不精通工程，我们还需要懂产品和商业落地的人；还要同时做新的研发。所以深势发展中有一个关键脉络，就是培养了一批最优秀的低年级本科生。
晚点：为什么从低年级本科生开始？这好像不是一个创业团队找人的常规选择。
张林峰：到了大三、大四，多数科学背景优秀学生的议程会相对固定：不少人开始着手出国申请，博士毕业后大多数人又会找教职，能来加入创业的人才不多。
同时，我们最初的核心成员中，有一位正好在北大做过辅导员，他熟识一批最优秀的本科生。这些实习生进来后，一开始是我在黑板上讲，很快发现黑板不好使，每次来个新人我都得从头讲一遍，研发也越走越深。所以后来从人才培养、教学到比赛，我们都自己搞了一套。
“几位 21 年夏天毕业的伙伴前来合影”（图片来自张林峰文章：《在 DP“读大学” 的少年们》DP 指深势科技。）
晚点：你们内部有一套专门的量子力学、计算化学的课程体系？
张林峰： 我们先用现成的学习工具和平台：笔记本用 Colab、线上课用 Coursera、比赛用 Kaggle……但这些平台当时都不怎么面向物理和生化环材等领域。于是我们做了 AI for Science 版的 Colab、Kaggle，也组织了比赛。后来很多人是通过打我们的比赛、参加我们的 DeepModeling 社区活动崭露头角的。
孙伟杰：DeepModeling 也是现在全球最大的 AI for Science 开源社区：这里一是能发现人才；二是会不断冒出新场景——能看到有人拿我们的工具做这、做那。它变成了一套交叉人才的培养和挖掘机制。
晚点： 其实你们相当于在探索一种新的教育和学习方式，打破了越来越细致的学科分工。
孙伟杰：AI 时代 “学习” 正发生巨变，更多是在 “干中学”，是 “按需学习”。因为搜索引擎解决了信息获取，AI 解决了知识获取，未来学习的关键是围绕要解的问题，自己定义学什么、怎么学。
大家都是这样过来的：林峰不懂创业、金融、财务，他的商业启蒙读物是马斯克传记；我当时对技术一无所知，用两三个月时间啃了一遍大学数理化生教材，后面接着边做边学。我们做这些教育探索，本身也是被业务和研发问题逼出来的。
从机器学习到 Agent，AI for Scicence 经历的四个阶段
“机器学习数理建模→预训练→大语言模型→科研 Agent。”
晚点：资源有限时做这么多事，踩过的坑是什么？
张林峰： 最大的挑战是机会太多。因为用这套底层技术，可以深入的领域很多，我们也大致知道每一条路推到极限能做到什么状态，但你只能选少数几个方向。
晚点：你们当时都考虑过哪些方向？
张林峰：大部分 AI for Science 能做的事我们早期都过过一遍，包括 AlphaFold 的蛋白质预测、可控核聚变、AI for 材料。但我们当时的资源绝对不够，不可能放开手全力做，只能在一些方向先保留火种。
DeepMind、达索等，都是用百倍、千倍于我们的资源做和我们一样的事。而当 Google、Meta 也开始重视这些方向时，国内又会反思，说为什么中国就做不起来。
晚点：你想说，其实你们做了，只是大家当时没注意到？
张林峰：或者说，并不是真的没机会做出这些成果，而是资源太有限了。我们可以看到非常多机会，甚至是诺奖级的机会。但另一方面，我们需要从头培养本科生，解决机房、插电源、部署环境等基础问题；我们要反复审视优先级：把有限的资源投到最关键的落地瓶颈和技术上。这个过程中的 trade off（取舍）是最大的挑战。
晚点：取舍中，有错过什么方向吗？
孙伟杰：其实从 18 年到现在，最大的机会我们都抓住了。复盘下来，AI for Science 有四波关键机会：
一是机器学习与数理建模的结合，我们做了 DeePMD，推出了 Hermite。
二是把预训练大模型引入科研，我们在 2021 年开始做分子大模型 Uni-Mol、蛋白质大模型 Uni-Fold 和基因大模型 Uni-RNA 等系列模型。
三是用大语言模型提升科研效率，我们训练了专门的科学文献大模型 Uni-SMART。
四是多智能体（multi-agent）科研 Agent，我们做了 “玻尔科研空间站”、SciMaster 这样的科研平台和助手，贯穿读（文献研究）、算（科学计算）、做（干湿实验）的全流程。
而接下来，最重要的方向会是 “AI 科学家”。
晚点：引入预训练方法，这和你们之前用机器学习来做数理建模的区别是什么？
孙伟杰：之前用分子动力学算材料，比如说这个支架（指向现场的电脑金属支架）可能是铝镁合金，那么我们要专门训一个模型来预测它的硬度、光泽等性质。
而有了预训练后，就能建立更统一的模型。无论铝合金、高温合金还是某种分子，都可以用一个模型处理。
2020 年前后我们就看清了这条路——先做小模型、建数据库，再到预训练大模型。预训练的条件之一正是我们用 DeePMD 从第一性原理方程生成的大量数据。不过当时我们没有料到，LLM（大语言模型）的爆发会来得这么快。
晚点：在最新阶段，就是做科研 Agent 时，你们的产品思路是怎么形成的？
孙伟杰：科研作为生产活动的基础要素是读、算、做，对应一系列基础工具：数据库、科研软件、实验设备。当然还有一个最核心的要素，就是人。
AI 已经在改变读、算、做：比如在 “读文献” 阶段，玻尔科研空间站能帮助研究者迅速界定选题、生成可检验的假设；在 “做计算” 阶段，它能根据假设，调用不同科学计算工具，得到多个候选方案和优先级排序；在 “做实验” 阶段，它会调用自动化实验室做干、湿实验，以验证方案，实验数据回流后会持续迭代，直至输出最优方案。
而未来，Agent 作用在人这一层，甚至有潜力完全自主调用工具、执行科研任务。这反过来又会改变基础工具：因为 “读算做” 的工具过去是为人设计的，未来肯定要为 AI 设计。
张林峰：也可以这样理解这个脉络，每一种新技术出现，科研与新技术结合时都会有新瓶颈。
最初是神经网络如何在物理约束下表示物理量，DeePMD 解决的是这个问题；接着是大规模计算中的高性能优化与云端并发，这就是 DeePMD-kit 做的事：建立了一套同时覆盖超算、云端和本地的前沿算力体系。而当大语言模型出现后，新的瓶颈变成了科研知识的整合与挖掘，大量高质量文献和专利数据都需要重新标注，被建模和整合。
所以我们一直在做的是：在每一阶段新技术来了之后，去处理科研流程与新技术的连接。
晚点：这些事情都需要你们自己做吗？比如有的公司侧重文献挖掘，不涉及科学计算，也有一些公司专注实验自动化；而深势的科研 Agent 看起来涵盖全流程，做得过来吗？
孙伟杰：肯定不需要都做，我们现在做很多事，是因为市面上没有现成方案。一些相对成熟的环节，比如实验自动化硬件，我们就没必要做了。
但我们一定要整合整个研发流程：因为 “读、算、做” 是完整体系。研发不是发个文章就完了，要变成可用的成果，就需要计算，乃至真实的实验。整个链条的信息、数据要尽可能通畅。
晚点：通用大模型公司推出的 DeepResearch（深度研究）能力不能获得这些信息吗？
孙伟杰：我们自己做文献阅读这一环时，就发现过去的论文和专利语料库并不是 AI-ready 的，需要自建一套科学语料库。除了论文内容，完备的科学语料还应包括：
实验数据与图谱，如光谱、晶体结构、反应曲线等；
分子式与结构数据；
专利全文与附图；
科研笔记、实验日志、仪器参数记录；
以及经过结构化和标注的科学模态数据，可供模型直接理解和训练。
理论上，如果一个大公司想投资源做，也能做。问题是，作为创业公司，你能不能先抓住这个空白，迅速做出一款好产品。比如原子大模型（DPA）、分子大模型（Uni-Mol）和基因大模型（Uni-RNA）这三个模型，我们就是全球首发，处在第一梯队。跟随我们的都是国际大厂：DeepMind、Meta 后来做了原子大模型；英伟达做了类似 Uni-RNA 的 Evo 2（25 年 2 月发布，Arc 研究所、联合斯坦福大学、英伟达）、DeepMind 也做了 AlphaGenome（25 年 6 月发布）。
晚点：现在全球大科技公司和一批融资更多的美国 AI for Science 创业公司都加大了投入。你们还能看到和抓住多少市场空白？
张林峰：接下来的变化还会很大，最终会看到科研范式的变革。
变革的本质是交互界面问题——人与科研工具如何交互、科研共同体如何协作、生产关系如何重组。之前做的很多积累：整合全量数据，在每个科研方向训模型——无论是 DeepPMD，还是 AlphaFold——都是少数人在往深走，而现在 Agent 正把它们连起来。这才有点接近我们在 17 年设想的状态：AI 结合多个不同方向，整体提升科研能力。
这也迫使整个 community 重新思考：比如以前学术共同体的一大驱动力是 peer review（同行评议）的论文发表体系，而当 AI 已经能写论文、审论文，甚至自己搞定不那么原创性的研究时，发论文的意义是什么？类似的，以前实验科学家要找计算科学家合作分析数据，现在他可以直接让 Agent 调用软件做模拟和解释。
这些变化会比很多人想象得快，学科划分、交叉合作的模式乃至整个科研流程本身都会有大变化。
用一套平台服务不同方向和阶段的科研，服务 1000 甚至 1 万个客户
“做平台，更符合科技公司的属性，也能激发更多科学发现，而不仅是某一个领域的发现。”
晚点：深势在挑战一个高难度创业方向，中间遇到过什么大的挫折和低谷吗？
张林峰：最深陷泥潭时应该是 2022 年-2023 年。这不是因为具体挫折，而是当时我们处于一种需要持续自证的状态。
我们最初的核心课题是要验证技术，并证明我们有引领性，这需要拿出直观的成果。所以我们会做药物管线，从技术突破一路推到应用；也会把一个创新算法变成真正的工业软件，走完工程化、用户反馈和迭代的全过程。
但到了 2022 年，我们又看到做研发平台和重塑整个研发流程的机会，尤其是年底 ChatGPT 出现，这是机遇也是挑战——我们要迅速拥抱新技术，又要构建从文献、专利到实验的 “读、算、做” 闭环，真的加速科学发现。
晚点：还是一个有限资源下的优先级问题。
张林峰：我们是到 2023 年底突破了这个时期，一是证明了我们一系列模型的领先，比如前面提到很多大公司来 follow 我们的成果；同时我们也理清了之后的思路。
晚点：你们的早期投资人之一冉翀告诉我们，你们当时在 “垂直应用” 和 “通用研发平台” 间抉择过一段时间，后来选了做平台，为什么这么选？
孙伟杰：这是一个必须的取舍。因为研发平台和垂直应用，比如直接做药物管线的逻辑并不兼容。做管线要把全部赌注压在一两个关键资产上，要深入理解市场和临床需求；而做平台则要持续优化算法、算力和工具体系，让平台能持续迭代。一旦把资源押在某几条管线上，平台研发容易被牵制。
我们更愿意基于一套平台服务不同方向和阶段的科研，服务 1000 甚至 1 万个客户。这更符合我们的初心：做一家源自中国、引领世界的科技公司。
晚点：为什么平台更符合 “源自中国、引领世界的科技公司” 的定位？
孙伟杰：源自中国、引领世界是确定的。而我们认为做平台，让技术服务更多人，更符合科技公司的属性，也能激发更多科学发现，而不仅是某一个领域的发现。
其实这两者的价值没有高低，比如如果能做出一款新药，对社会的价值非常大。更多是说哪个声音在更强烈地呼唤我们，哪件事在我们心中投下了更大的阴影。
晚点：你们怎么考虑这个选择的商业潜力？比如在半导体领域，ARM、新思这类做 IP 和基础开发工具的公司的规模不如下游做具体芯片的公司，如英伟达、高通和 AMD。
孙伟杰：其实英伟达的 CUDA 生态也是一个 AI 底层开发平台。而且无论平台还是管线，都有做到千亿美元的潜力。达索现在的市值也有 500 多亿美元。关键不在方向，而在能否把一条路走深。
诺奖表彰 “第一个”，而基础平台要做 “最后一个”
“诺奖是一个已经存在的评价体系，而现在正在发生的科研范式的革新会冲击评价体系本身。”
晚点：在你们看过、做过的这么多能与 AI 结合的领域里，哪个方向最有潜力成为诺奖级成果？
张林峰：可以从另一个角度看这个问题，说回前面提到的的初心里的 “源自中国”。
过去 100 多年逐渐形成的 “科学无国界” 的共识正受到挑战。就以 AI 为例，它在推动科学发展，但它的底层模型也越来越集中和封闭。
而我们希望推动一个开源、开放的体系，从科学研究到工业研发，说的再大一点，到人类命运共同体。这个主张，在中国是更坚定的。
我自己在普林斯顿读博士时，看到比我大 10 到 20 岁的学长、学姐，他们的发展路线相对固定：读完博士，肯定是在几个顶尖学校里找教职。但现在可以看到，不少美国实验室的经费面临缩减，甚至暂停；对研究者要做什么、不做什么，限制也越来越多。
这个时候，科学家作为一个共同体，既要拓展人类认知边界，又要推动下一步产业创新，给人类带来更好的生存状态，这面临很大的挑战。所以一个能支持多学科交叉协作、能加速很多方向的基础平台就更迫切了。这往后才是诺贝尔奖的问题，即我们怎么认可一个科学贡献。
确实在 2022 年-2023 年时，要不要去冲击某个具体的科学新发现，对我们来说是个巨大的选择题。因为诺奖表彰的永远是 “第一个”；而基础平台恰恰要做 “最后一个”——当所有人都在上面工作时，它才真正成为底层标准。
但后来我们也看到，一个好的技术平台，其实可以容纳这个两个方面：因为它加速了发现，所以这里可能产生更多 “第一个”；同时，如果很多科学家都来用它，那它也是 “最后一个”。而兼具的方式就是定义新的科研交互界面，是找到科研 Agent 的 PMF。
晚点：所以你们看重的不是自己是否触及诺奖级成果，而是多少诺奖级的新发现是被你们的工具和平台加速的？
张林峰：其实 24 年 10 月 AlphaFold 得诺奖时，确实对我有一定影响，我当时也感叹过，我们曾站在过这样一个可能性——如果能有更多资源，全力放开去推，如果不是说处于人也要从头培养的状态。
但说后不后悔这个决定？肯定不后悔。因为我觉得 AI 加速科学发现，会对诺奖的意义都有很大冲击。诺奖是一个已经存在的评价体系，而现在正在发生的科研范式的革新会冲击评价体系本身。
不管我们存不存在，这个变化都一定会发生，但我们希望变化能朝更好的方向前进。
深势创立初期的部分团队成员合影，从左到右依次为：张林峰，深势创始人兼首席科学家；李鑫宇，北京科学智能研究院院长；孙伟杰，深势创始人兼 CEO；郑行，深势药物发现事业部总工程师；昌珺涵，深势自动化实验室负责人。
AI 科学家到来，越基础的学科越安全
“更大的挑战是，AI 时代，人的学习曲线被打断了。”
晚点：接下来一年，你们最想验证的一个问题或悬念是什么？
孙伟杰：AI Agent 现在已经能在 “读、算、做” 之间形成闭环，独立执行两三天的任务。我明年想看看，它能否自主调动这些工具，真正发现一两项新成果，比如在材料、化工、药物方面有新发现。
张林峰：我想验证的问题是，Innovator（创新者）到底长什么样。OpenAI 之前定义了 AGI 的 5 个阶段（注：Chatbot 聊天机器人、Reasoner 推理者、Agent 智能体、Innovator 创新者、Orgnizer 组织者），现在正是从 Agent 走到 Innovator 的发展期，AI 与 AI for Science 会正面相逢。
可能有两种路径：
一是从通用智能到科学智能——先学完全部历史信息，再往前走。
另一个方向，是从科学智能到通用智能——先理解最本质的规律。这就像是把 “数理化” 与 “政经哲” 的基础打牢，再走向社会。
无论是从通用智能走向科学智能，还是反过来，它们的碰撞点一定是 “Innovator” 模型应当长成什么样。这也是各家 AI 厂商发力的方向。所以 7 月底我们发布 SciMaster 的同时，也推出了一个 baby-level 的 Innovator——一个 AI for Science 的基座模型。
晚点：前面提到，你们认为接下来最重要的主题是 AI 科学家。如果 AI 科学家真到来了，我们会看到什么？生活会怎么变化？
张林峰：比较直观的，会有一批药物、材料的新成果，比如出现颠覆式的电池技术、高分子领域的突破等。
孙伟杰：每个人会拥有一个教授级的 AI 科学家朋友，可以随时请教任何问题。比如前几天北京暴雨后天空变成粉红色，我们就问玻尔这是怎么形成的，它给出了非常精彩的解释。
玻尔科学导航网页上的 “问题广场”。
从产业上，很多突破都已逼近现实：比如手机续航可能延长到十天甚至一个月；电动飞机会变得可行；更远一点，AI 还可能让药物研发像搜索信息一样简单——输入疾病，系统就能分析相关靶点，并快速生成候选药物。
晚点：Anthropic CEO 达里奥·阿莫迪（Dario Amodei）24 年 10 月曾在《仁爱机器》（Machines of Loving Grace）一文中预测，未来 5 到 10 年人的寿命会翻倍，这有可能吗？
孙伟杰：5 到 10 年没法科学上验证寿命是否翻倍，观测时间不够。
大的逻辑是，人类的几个终极愿景——消灭疾病、无限能源、走向宇宙，更快的通信和更强大的计算——都离不开原子、分子方面的科研努力。结合 AI 的科学研发平台会加速这些领域的创新与发现。
晚点：另一方面，你们觉得 AI 加速科学发现后，会有什么风险？我们可以提前做什么准备？
张林峰：风险有显式和隐式的。显式的，比如 AI 可以做药，也可以做毒品，这需要监管。
隐式的就是前面提到的，科研评价体系正被颠覆。科研的三要素——工具、内容、人——都在被重新定义：
工具上：Agent 的能力迅速增强，正在冲击传统科研工具和工业软件的边界；
内容上：AI 已能自动撰写论文、辅助研究，论文可能不再是核心成果的唯一载体；
人的层面：当 AI Scientist 出现后，如何评价人类科学家？
孙伟杰：我没那么担心显式的风险，因为合成新分子、开发新材料这些领域的供应链、环境评估等环节早就受到严格监管。
更大的挑战是，AI 时代，人的学习曲线被打断了。现在 AI 虽不能完全替代正式员工，却足以取代实习生，这意味着很多人失去了用初级工作练手、成长的机会；这可能产生结构性断层，是一代人要面临的问题。教育的变革速度往往落后于技术演进。
晚点：你们觉得五年之内，什么专业还是比较安全的？
孙伟杰：越是基础的学科越安全。物理、化学和数学，虽然未来会有更多 AI 参与，但它们依然是培养思维方式的核心学科。数学训练逻辑与抽象能力，物理培养对自然规律的直觉与推理。
在社会科学领域，政经哲塑造人理解世界与判断价值的方式。这原本就是一个学科。哲学分化后形成了两条线：自然科学的起点就是 “自然哲学”，牛顿那本书就叫《自然哲学的数学原理》，社会科学的起点是 “政治经济哲学”。北大的录取趋势也印证了这一点：现在数学、物理等基础理科的分数线最高，超过了之前最火的经管类专业。
另一类是和人的体验相关的：文学、艺术和体育，这都是 AI 无法取代的。
“什么时候是你最光辉的时刻？”“就是现在！”
“要有菩萨心肠，也要有雷霆手段。”“理想主义的实干家才能改变世界。”
晚点：你们两之间的相处和决策模式是怎样的，出现重大分歧时，怎么解决？
孙伟杰：创立公司后，好像没发生过特别剧烈的分歧和争吵。因为上学时把很多本质问题都吵完了，对彼此的三观都已充分了解和认可。
晚点：当时会因为什么事碰撞？
（两人笑而不语）
晚点：感觉你们已经想到了同一件事。
孙伟杰：简单说，是一些具体问题引发的一些更抽象的争论。因为我们曾在学生会搭档过，也各自领导或创立过社团，会遇到一些学生组织的传承问题。
晚点：在三观上，你们比较底层的相同点和不同点是什么？
孙伟杰：我们相似的地方有两点：一是都有自驱的欲望和原动力，区别在于，我的欲望更多来自多年体育训练带来的好胜心，而林峰的动力则更多来自他对世界和科学的好奇心。第二点，都有改变和做决定的勇气。
张林峰：我们还有一个共同点，就跟决定创业只要 5 秒一样，来北大也是很快就决定了。这里有更大的自由。
孙伟杰：我和林峰做选择上有一点是相似的，宁可放弃概率高但上限低的确定选项，也愿意赌更不确定但上限更高的机会。
晚点：那区别呢？我看林峰之前在个人公众号上写文章分享过《牧羊少年的奇幻之旅》。这本书就是在讲，你要去听 “你心的声音”。作为理科生，林峰很浪漫，写的不少随笔炽烈、热情；伟杰反而比较冷峻。
张林峰：刚来北大时，我没觉得要学物理，天天写诗的。也学了一段时间经济学，觉得这是经世济民的方法。
孙伟杰：林峰是外冷内热，虽然说他是个 “I 人”，平时感觉很难接近，但其实内心似火，对所有事情充满激情。我有点相反，我是外热内冷，很容易接触和接近，但其实内心的 bar（标准）比较高。
晚点：林峰有一年暑假还去流浪过， 当时为什么要做这件事？
张林峰：是高三的夏天，我买了几张火车票，带了个双节棍，就去闯沙漠了，我比较喜欢李小龙。那时写了很多日记，其实当时的思考和现在做的事也是一致的。
孙伟杰：大学刚开学不久，我就看到了林峰的这个小本子，他也写了很多中学的经历和感受，我很有共鸣。比如我们都看过相同的热血动漫，都会把自己带入那个傻傻的主角：龙珠的悟空、灌篮高手的樱木花道、海贼王的路飞。他还在沙漠里创作了一个个人 logo，和我中学时给自己创作的 logo 如出一辙。所以我一入学就知道了这是自己人。
张林峰：太中二了。
晚点：22 年 Uni-FEP 发布后，我看林峰写文章中提到，希望很多年以后，大家会看到理想主义真的可以改变世界。现在你们怎么理解理想主义？
孙伟杰：还得加另一句。要有菩萨心肠，也要有雷霆手段。
张林峰：理想主义的实干家才能改变世界。
晚点：现在还有偶尔 “中二” 的时候吗？
张林峰：2020 年，我回国时还是疫情，在酒店隔离了很久，重新看《灌篮高手》，后面有些内容动画版没拍，就有人用漫画拼成视频，然后到了一个画面所有弹幕都是 “都给我哭！”
那是一个名场面（湘北对决山王时，樱木花道问安西教练）：“老爹，什么时候——”
孙伟杰：“是你最光辉的时刻？”
张林峰：“就是现在！”
实习生姚一楠、刘贺对此文亦有贡献。
题图来源：孙伟杰。大二时，元培体育部举办趣味羽毛球赛后，孙伟杰（左）和张林峰（右）从邱德拔体育馆骑车回宿舍。
「AI 创业访谈」
该系列将持续呈现多样 AI 创业者的思考与实践。
↓ 往期文章 ↓
Sand.ai 曹越
Lovart 陈冕
测测 任永亮
爱诗 王长虎、谢绪璋
Flowith Derek
心识宇宙 陶芳波
千里科技 印奇
Pokee.ai 朱哲清
Haivivi 李勇
YouWare 明朝平
百川智能 王小川
MiniMax 闫俊杰
零一万物 李开复
- FIN -