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

摘要

• Deep Potential 的核心突破，是在保留第一性原理精度的同时大幅提高计算效率。 深势把“原子坐标→体系能量”建模为满足平移、旋转和交换不变性的神经网络代理模型，获得“六个数量级以上”的加速；张林峰称，原本耗费约两亿 core hours 的结果，训练完成后在笔记本上不到半小时即可复现（训练本身仍需一定时间），“当时其实拿笔记本就能干过超算”。

• 深势最终押注的是可自迭代的平台，而不是把资源压在一两条药物管线上。 2020 年提出的目标是成为“微尺度的达索系统”，用量子力学补上传统 CAD、CAE 未覆盖的原子分子层；到 2025 年，两位创始人认为这套五年计划已“实现得差不多”，现有药物、材料计算软件较成熟，增量空间则指向 Science Navigator、科研 Agent SciMaster，以及“读、算、做”闭环。

• 公司的技术路线连续承接了机器学习、预训练、LLM 和多智能体四波范式变化。 DeepMD、DeepKS、DeepWF 解决数理建模，2021 年起的原子、基因和分子预训练模型把单任务模型推向通用模型，LLM 打开文献与知识入口，Agent 则开始重构“人”这一科研生产要素；孙伟杰的判断是：“最后一步，Agent 是另一个维度上的生产力、生产要素重构。”

• 资源约束既是深势最大的执行风险，也是它形成全栈壁垒的原因。 团队早期估算仅把通用分子模拟基础设施做成就需约 10 亿元，账上却只有 20 万元，靠三年 1,200 万元比赛奖金和后续百度风投融资启动；面对资源多百倍乃至千倍的海外巨头，公司不得不同时补齐算力调度、科学数据、工业软件、交叉人才和开源社区，并在 2022—2023 年经历平台化泥潭。

• 科研 Agent 的价值不只在提效，而在冲击论文、同行评议、学科分工和科学软件的既有市场结构。 当 AI 可以调研、写论文、评审论文，并直接调用计算软件解释实验，过去依赖专业烟囱和合作稀缺性的生产关系会松动；张林峰的判断是，“过去的方式是越来越不 work 了”，真正的机会是成为连接科研共同体的新交互界面和基础设施。

• 两位创始人对 2030 年后的科学产出很激进，但对具体兑现时间保留了条件。 他们预计会有不少颠覆式电池、合金、高分子、药物和航天材料成果由 AI for Science 产生，五至十年内可控核聚变成功概率可能显著提高，癌症到 2035—2040 年有希望变成可干预的慢性病；但他们不认同“五至十年寿命翻倍”，也强调固态电池等具体路线仍有“一系列不确定性”。

• 最难监管的未必是 AI 生成危险分子，而是人类成长与科研评价出现结构性断层。 孙伟杰认为，现有实体供应链已有监管基础，更深的风险是 AI 可能先替代实习生和初级任务，令一代人失去练手机会；当论文、专业和大学角色同时失去旧坐标，处理不好“或许是人类科学的倒退”，而下一年最值得观察的变量正是“innovator 到底长什么样子”。

精读

1. “盛宴已毕”把张林峰推向了寻找新问题

• 张林峰 1993 年出生，在北大元培自由探索数学、物理和计算机等方向，最终确定物理；孙伟杰则参与《知识分子》的数理化内容准备、编辑和事实确认。到大三，张林峰面对的不是课程学不会，而是“学完了干啥”。杨振宁那句 “the party is over”，让他感到相对论、量子力学式的年轻人大发现似乎已无机会重演。

• 他最向往的是爱因斯坦等人在二十多岁时开辟领域的过程，却发现优秀同学可以更快学完弦论和必要数学，仍缺少足够 exciting 的大问题。“我们这一代希望从底层科学、底层物理出发做点有意思事情的同学，可能都缺点那么大的问题驱动。”

• 这份迷茫令他去参与《知识分子》相关数理化内容，也去 MIT 机械系研究发动机运转过程中润滑油的作用；真正留下火种的，是本科阶段在电子结构和从头算方向取得初步算法突破，第一次体验到科研探索的快乐。

2. 教科书能教会推导，却会抹掉发现发生的路径

• 张林峰大二学完广义相对论，数学专业室友到大三才学微分几何，这个错位令他警觉：物理课只是从既定规则推出场方程，课堂路径与数学训练所追问的结构来源并不相同。“你只是接受了一系列规则，然后被验证考试时能不能推出来。”

• 爱因斯坦 1905 年完成狭义相对论后，又花约十年处理引力统一，途中才发现需要黎曼几何；而课堂从最终答案倒推，把十年的困难压缩成一条顺滑路径。张林峰认为，学会答案与获得“从头 derive”的能力是两件事。

• 这也成为他后来思考 AI 创新的伏笔：模型若把全部答案直接呈现给学习者，可能提升知识获取效率，却同时夺走重新发现一个问题的机会。

3. 2016 年的选择，是放弃“再学一遍”而转向机器学习

• 到普林斯顿后，张林峰仍计划选凝聚态场论等课程；鄂维南审阅选课时提醒他，本科已经学了 230 多学分，再跟大师学量子场论“也就是再学一遍”，现在更应该做 machine learning。他随即退掉所有课程，此后在普林斯顿没有再上课。

• 退课后第二周，也就是 2016 年 10 月，Hinton 获得了诺贝尔奖。张林峰的感受不是一个新领域由此开启，而是这更像对该领域发展方向的确认；继续推动它的力量，很可能来自同期因 AlphaGo 而显现的 AI 浪潮。

• 鄂维南随后把他与 Roberto Car 拉到一起，直接追问：“machine learning 几年之内就要把你做的从头算分子动力学颠覆了，你觉得颠覆不了的原因是什么？”这场讨论成为团队研究的实际起点。

4. 薛定谔方程包含大部分物质世界，却因复杂度无法兑现

• 薛定谔方程在 1926 年提出；Paul Dirac 1929 年判断，全部化学和绝大多数物理的基本规律已经由此清晰，剩下的困难是“方程的数学过于复杂，我们无法求解”。

• 它描述电子、原子等粒子的波函数与演化：原则上，从材料、电流到蛋白质都可纳入同一体系。张林峰把边界限定在电子原子尺度；更微观的弦论、场论，以及相对论与量子力学统一等终极问题不在这套描述内。

• 难点来自高维：一个蛋白质泡在水里，可能包含数万乃至数十万个原子，每个原子又有三维坐标。即使采用近似算法，计算复杂度仍可能随原子数按七次方增长。

5. DFT 和分子动力学只是把不可算变成勉强可算

• 密度泛函理论 DFT 把复杂粒子相互作用简化为粒子与外场的关系，但复杂度仍约随原子数三次方增长，通常只能处理几十到上百个原子；作为对照，一滴水中的原子数量约为 (10^{23})。

• 空间尺度之外还有时间尺度：原子间一次响应可能在 (10^{-12}) 至 (10^{-15}) 秒，而研究者关心的现象可能延续数百纳秒、微秒，甚至毫秒级。计算既做不大，也走不够长。

• 分子动力学本身可近似为牛顿力学：能量对每个原子位置的负梯度给出受力，受力推动下一帧坐标。但原子每移动一步，若都重新用量子力学求电子结构，整部“电影”的每一帧都极其昂贵。

6. Deep Potential 把量子精度压进了一个代理模型

• Deep Potential 的任务，是以 (r_1) 到 (r_n) 的原子坐标为输入、体系能量为输出；力则由能量对坐标的负梯度得到。AI 在这里不是替代物理规律，而是学习一个高维 surrogate model。

• 与进一步简化原子间相互作用的传统分子动力学方式相比，团队希望代理模型保留从头算、特别是 DFT 的精度，却以高得多的效率运行，由此缓解贯穿薛定谔方程、DFT 和分子动力学的“精度—效率”冲突。

• 张林峰把这套问题统一为：复杂波函数、密度泛函和原子间势函数，能否由 AI 有效表示、逼近并加速求解。物理规则像围棋规则一样清晰，真正困难的是从规则抵达有效答案。

7. 真正的算法门槛，是让神经网络尊重物理对称性

• 把所有原子坐标直接塞进普通神经网络并不可行：同一个水分子平移或旋转后，物理能量不应改变；原子交换也应保持不变，而波函数还涉及交换反对称性。

• 当时的一种极端方案，是为水、硅等不同体系分别设计 descriptor，类似繁重的特征工程，但“处理水的就处理不了硅”。团队选择先做简单、通用的对称性处理，再用通用神经网络建模高维函数。

• 这首先是数学建模问题，随后才是 TensorFlow 等框架下的工程实现。2017 年 5 月出现 demo 后，张林峰与王涵用约一个月把方法做成通用方案，速度快到导师认为已足以作为博士论文。

8. 两亿 core hours 被压缩到笔记本上的半小时

• Roberto Car 团队已有一套耗费约两亿 core hours 的昂贵从头算结果；Deep Potential 训练完成后，张林峰在笔记本上不到半小时便能跑出高度一致的模拟。按当时约每 core hour 一毛钱估算，传统结果对应的资源成本极高。

• 张林峰把效果概括为“六个数量级以上的加速”，甚至“拿笔记本就能干过超算”。一次著名演示是在飞机上跑的，但关键不在场景，而是计算从稀缺科研资源变成了可快速迭代的工具。

• 研究节奏随之从每月讨论一次，变成上午讨论、下午拿结果继续讨论。张林峰的自嘲是：“老师们觉得我非常 productive，其实是计算非常快，不是我。”

9. 闲置的 P100 让团队提前看见了算力基础设施的价值

• 2017 年底，普林斯顿购入 200 多块 P100，张林峰发现闲置率很高；当时 TensorFlow 编译仍麻烦，他在 CUDA support 选项上点下 “yes”，意外顺利编通，训练速度又提高约十倍。

• 闲置算力与代码开源结合后，团队可以同时探索电子、原子、介观乃至宏观尺度的问题。到 2020 年，他们已能使用两万多块 GPU，在当时全球最大的超算上继续挑战计算极限。

• 这段经历让团队早早把 TensorFlow、CUDA、GPU、超算、云端弹性计算和本地私有化数据视为同一基础设施问题：算法要落地，必须同时管理不同算力形态与数据。

10. “AI for Science”最初指向的是机器学习求解高维科学问题

• 2018 年夏天，鄂维南与滕超等人在北大会议上提出 AI for Science。孙伟杰强调，当时的定义更接近 machine learning for science：用机器学习加速物理和数理建模，而不是今天涵盖 LLM、Agent 的完整概念。

• Deep Potential 提供的方法论样本是，很多科学计算瓶颈本质上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函数。鄂维南甚至写道，机器学习“可能是应用数学领域最后一块缺失的拼图”。

• 因而它不是某个药物或材料模型，而是从底层物理方法向化学、材料、天气、汽车和飞机仿真扩展的一套通用可能性。

11. AlphaFold 2 与 Deep Potential 代表两种不同的数据路线

• AlphaFold 2 所在的问题更 data ready：领域已有约 20 亿条蛋白序列和 20 万个蛋白结构，目标是学习序列到结构的映射，类似 ImageNet 式的海量数据与明确 benchmark。

• Deep Potential 面对的领域没有天然充足的实验数据，却有可计算的 first principles。团队用第一性原理生成“原子位置—能量”数据，再训练模型；孙伟杰将其概括为“把 principle 加入到了数据的链条里”。

• 这拓宽了 AI 数据来源的边界：机器人运动和火箭点火不可能做一万次实体实验，但可以先在电脑中按物理规律模拟，再用生成的数据训练模型。

12. 创业决定来自三条突兀指令：毕业、回国、开公司

• 孙伟杰和张林峰从北大入学起就是篮球、羽毛球和学生会体育部队友，研究生阶段仍讨论技术、投资和创业；孙伟杰原本把 Deep Potential 看作潜在投资机会，快速调研后发现“世界上独一份”，可投标的似乎只有他们自己。

• 鄂维南在 2018 年把两人拉到一起，给张林峰三个建议：现在毕业、回国、创业。理由是三十多年没见过这样的机会，而继续在学校发表论文、维护代码和答疑，不足以完成工程化、组织建设及最终落地。

• 张林峰原本从未考虑离开普林斯顿，却在谈完后接受了排除法：“整个机会是 AI for Science，不是把 simulation 做出来、发表论文。”若目标是影响整个领域，就需要新的组织形式。

13. 两种创业动机汇合成“源自中国，引领世界”

• 孙伟杰早在 2016 年就决定遇到合适机会一定创业；张林峰则不是为了开公司找方向，而是认为“不这样做是不行的”。一个早已准备在合适机会出现时创业，一个被问题推上赛场，构成两位创始人的互补。

• 主持人的反问值得保留：世界上只有极少数人做，既可能意味着独创，也可能意味着没有前景。孙伟杰的回答是风险下限可承受——“退一万步讲，我回县城当个老师”——而上限是改变药物、材料与科研范式。

• 他用篮球解释决断：“对手给了你机会，这场比赛给了你机会，没有抓住肯定会被惩罚。”双方最终形成的使命表述是，做一家“源自中国、引领世界的科技公司”。

14. 药物成为第一个切口，因为需求、付费和验证链条同时成立

• 2019 年，团队几乎每天研究一个行业，逐一梳理行业数据、产业链和研发逻辑，最终把大方向收敛到化学化工、药物、材料、半导体与能源，并优先选择药物。

• 药物不仅高度依赖原子间相互作用，还有较强支付能力、清晰分工和成熟 CRO 体系，任何计算结果都能较快交给实验验证；海外的 Schrödinger 和 Accelrys 也已经证明了相关软件与服务的市场存在。

• Schrödinger 当时主要用上一代经验分子动力学计算药物与蛋白相互作用，深势则尝试加入机器学习。对应的药物计算设计软件核心模块覆盖 docking 和 FEP，也就是分子对接和自由能微扰；技术验证较早，产品与客户验证主要到 2020 年出现。

15. 账上 20 万元时，团队估算基础设施要花 10 亿元

• 深势于 2018 年 11 月 29 日注册，2019 年 5 月才正式运营。两位创始人估算，把分子模拟做成 general 基础设施大约需要 10 亿元，而当时通过科研项目、外包研发等获得的账上资源只有约 20 万元。

• 早期突破来自一项三年共 1,200 万元的比赛奖金。答辩恰在张林峰婚礼第二天，他中午致辞后提醒兄弟们：“不能喝太多，一会儿三点还得改 PPT，明天还要答辩。”奖金相当于一笔无需立刻融资的小天使资金。

• 2020 年疫情打乱计划，20 多人分布全球多个时区，形成接力工作的“日不落公司”。孙伟杰与李新宇回北京启动首轮融资，最终由百度风投领投。

16. 达索系统让商业愿景从单点算法变成“微尺度工业研发”

• 孙伟杰在 2020 年形成一个结论：“任何一个工业研发领域的研发范式成熟，一定是研发可以在电脑里做了。”装修要先看渲染图，飞机汽车也要先在数字图纸中完成 CAD、CAE 和多物理场验证。

• 达索系统把飞机、汽车图纸从纸面搬进电脑，再用固体力学、流体力学、电磁学和光学判断能否运行及是否安全；风洞也不是单纯“拿风吹飞机”，而要靠软件处理多维实验数据。

• 与之相比，药物研发仍自嘲“炼丹”，材料研发像“炒菜，加点盐、加点味精，水不够加面，面不够加水”。传统工业软件已吸收大量宏观规律，恰恰未充分利用微观层的量子力学。

17. 2020—2025 年目标，是造出“微尺度的达索系统”

• 深势在 2020 年制定五年计划：建设微尺度工业研发平台，把巨大的工业场景与量子力学这一深刻科学规律接上。到节目所处的 2025 年，两位创始人的复盘是“设定的目标确实实现得差不多了”。

• 具体路径从药物计算设计软件扩到研发服务，再扩到材料、电池相关软件，以及服务高校和科研机构的 Bohrium 科研平台；最初的原子分子模型则作为跨场景的通用技术底座。

• 张林峰补充，早期成果从来不是静态产品：算法公开后会被别人掌握，公司必须一边寻找落地场景，一边持续把新 AI 技术、算力和数据系统吸收到平台中。

18. 工业化不是把论文装进产品，而是重做整套计算与数据系统

• 2017 年有 “Attention Is All You Need”，2018 年出现 GPT-1；底层 AI 快速演进，意味着公司不能只守住一篇 Deep Potential 论文。每个算法都要继续向更深的药物、材料问题推进，并完成高性能工程化。

• 批量科学计算需要云上弹性算力，敏感数据又要求本地私有化；模型、算力、存储和数据管理因此必须共建。张林峰把这视为 DeepMD 带来的另一项收获：超算、云和本地体系都被迫做到前沿。

• 工程化也构成一道“独木桥”：创新算法只有持续接受用户反馈、处理真实数据和工业边界条件，才能证明不是一次性演示。

19. 没有现成人才，深势只能自己造教育体系和社区

• 早期没有任何单一专业能够同时覆盖数学、物理、化学、AI、软件工程、产品与商业落地；高年级人才又往往已有既定 agenda，团队只能从大一、大二学生开始培养。

• 最初张林峰反复在黑板上讲算法背景，随着研发变深，这种方式无法扩张，新人必须理解 API 后迅速接手。于是公司开始搭建 AI for Science 版本的 Colab、Kaggle、Coursera 和开源社区。

• 张林峰介绍，DeepModeling 现在应该也是全球最大的 AI for Science 开源社区之一：既用于发现人才，也能观察用户把模型带进哪些新场景，并持续积累数据和需求。

• 孙伟杰把内部成长方式定义为“在干中学”和“按需学习”：AI 逐渐降低知识获取壁垒，真正困难的是围绕待解决问题，判断自己应该学什么。

20. 最大的取舍不是看不见机会，而是看见太多却资源不足

• 张林峰称团队早期几乎看过所有重要方向，包括 AlphaFold 式蛋白问题、AI for materials 和 fusion；其中一些“可能说不定也是诺奖级的机会”，但资源不足时只能保持火种，不能全部推到极致。

• 他把现实落差说得很具体：海外是 PhD 毕业生争相进入大厂，深势却要从培养本科生、给机房插电源和部署环境开始。与 DeepMind、工业巨头相比，资源可能相差百倍甚至千倍。

• 两位创始人的复盘仍是四次主要机会都抓住了：机器学习做数理建模、预训练进入科学模型、LLM 提升科研效率、多智能体重构科研流程；真正困难的是每一波该投入多深。

21. 预训练把“每种物质一个模型”变成统一科学模型

• 预训练路线从 2021 年启动。此前计算铝、镁、铜、钛组成的轻合金，需要为特定元素与性质单独训练模型；有通用预训练模型后，今天算铝合金、明天算高温合金或分子，可以复用同一底座。

• 孙伟杰称，团队在 2019—2020 年的 PPT 中已画出“小模型→社区积累数据→数据库→预训练→大模型”的路线，只是不知道 LLM 式突变会在什么时候发生。

• 模型谱系包括 DeepMD、DeepKS、DeepWF，以及原子、基因、蛋白和分子大模型。团队称 Uni-RNA、Uni-Mol 等模型发布较早，后续跟进者包括 NVIDIA 的 Evo 2、DeepMind 的 AlphaGenome，以及 DeepMind、Meta 在其他相关方向的同类工作；他们只主张仍在第一梯队，并未声称所有指标领先。

22. LLM 带来的缺口，是科学语料仍未真正 AI ready

• LLM 首先改变信息处理、知识获取和交互界面，让科研软件可以通过自然语言调用；但张林峰强调，它是在加快挖掘存量文献和专利，而不是已经把科学知识挖完。

• 公开论文和论文摘要只是完备科学语料库的一部分。分子式、实验图谱、科学图表、专利细节等模态仍需专门处理、标注和建模。

• 主持人追问，既然大模型公司两三年后也可能补齐，为何深势现在投入？孙伟杰的答案正是窗口期：“别人目前还没有办法把这东西做得很好，才给了我们机会。”

23. Agent 开始重构科研的第四个生产要素——人

• 张林峰把科研生产要素概括为“读、算、做”和人：读对应数据库与文献，算对应科研软件，做对应实验仪器和实验室，最后由科学家组织整个流程。

• 机器学习和预训练主要增强计算与实验信号处理，LLM 增强文献数据库；Agent 则不只是升级工具，而是改变人的角色。当前阶段是 co-scientist，为每位科学家提供助手，未来才可能自主执行完整科研任务。

• 过去的数据库、软件和实验设备都是“设计来给人用的”；未来它们会越来越多地“设计来给 AI 用”，由 Agent 自主调用工具、验证结果并开展下一轮研究。

24. 深势并非什么都做，而是必须补齐无人完成的闭环

• 主持人的质疑是：文献 Agent、科学计算和实验自动化已有不同公司，深势为什么都要涉及？孙伟杰承认“不需要我们都做”，成熟的实验自动化硬件、机械臂等，公司基本不重复建设。

• 边界取决于能否公开 access：若现有能力不能被 Agent 调用，读、算、做又缺一不可，深势就必须补上闭环，否则无法实现发现闭环。

• 张林峰强调：“加速发现不是以脑子里发现什么为闭环，而是以东西做出来为闭环。”文献答案、计算结果和实体实验必须在同一循环中彼此验证。

25. 科研 Agent 会先削弱论文和专业合作的稀缺性

• 张林峰预计，AI 很快可以写 paper、review paper，并独立完成大量不够原创的 AI 研究；这会倒逼共同体追问：“那我们发那么多 paper 干什么？”

• 过去实验科学家发现现象后，需要找会特定软件的计算科学家合作；未来他可能直接询问 Agent，由 Agent 调用软件、得到结果并交互解释。变化未必意味着技术立即成熟，却会迅速动摇原有合作分工。

• 专业烟囱里的近似和术语也会受冲击：一个领域内部默认可接受的近似，未必对新问题有意义；当大模型能轻易完成原有 argument，细分领域必须重新说明自己的独特价值。

26. 跨学科知识被拉平后，科研价值必须重新对齐真实问题

• 孙伟杰以锂举例：材料研究者关注动力电池，医学领域却用碳酸锂治疗抑郁；过去彼此隔离的知识，现在可能通过 AI 很快关联。这种连接已经在动摇学科边界。

• 更尖锐的问题是，越来越细分的研发最终有多少成果产生实际价值，又有多少属于真正扩展认知边界的科学发现。平台化 AI 让投入、论文和落地之间的落差更难被忽视。

• 张林峰的结论是，旧方式“越来越不 work”，但新范式仍需要能够平滑过渡的组织、工具和评价体系；Agent 可能成为连接用户、生产关系与科研共同体的统一界面。

27. “源自中国”不仅是注册地选择，也是对开放科学的押注

• 两位创始人透露，团队曾有机会整体迁往美国或其他海外地区，并被承诺获得远高于当时的资源，最终仍选择留在中国。这让“源自中国、引领世界”不再只是早期口号。

• 张林峰认为，“科学无国界”的假设正在被 question：AI 底层模型越来越涉及这些限制问题，一些美国高校与大型科研中心的经费也面临中断，科学共同体能做什么、不能做什么越来越受外部条件影响。

• 他希望推动的是从科学研究到工业研发都“开源开放”的价值体系，并判断这一主张在中国更坚定。目标不是把科学收缩成国别竞争，而是维持其扩展人类认知、反哺技术与改善生存状态的能力。

28. 2022—2023 年的泥潭，是纵深、平台和新技术同时锁死

• 张林峰认为资源最紧不一定在 2022 年，但那是“最深陷泥潭”的时期。新算法必须进入药物管线等真实场景自证，又必须走完工业软件的工程化、反馈和迭代过程。

• 同时，平台每扩一个模块都要经历复杂的建设；2022 年底 ChatGPT 又打开全新方向，文献、专利、干湿实验闭环和 Agent 都开始变成必要投入，公司组织、技术和应用方向出现相互依赖的死锁。

• 到 2023 年底，前期纵深探索、基础设施积累和市场变化共同推动团队走出低谷。张林峰认为，此后深势相较互联网大厂、工业巨头和高校，都形成了独特的组织形态。

29. 2023 年的关键决策，是平台优先于自营药物管线

• 孙伟杰认为，平台公司与管线公司的逻辑“不太兼容”：药物管线需要把赌注压在一两个资产上，考验临床需求判断、项目立项和后续临床管理；这些并非两位创始人最擅长的部分。

• 更关键的是，若平台只服务自有管线，就得不到充分迭代；若服务 1,000 乃至 10,000 个客户，模型和软件会形成自成长。团队在 2023 年最终选择通用平台，此前虽做过管线尝试，但没有继续重押。

• 主持人以 ARM、Synopsys 与下游芯片公司的市值差异追问平台上限。孙伟杰认为，平台、药厂或材料公司做深都可能达到千亿美元级别；选择不来自价值高低，而来自哪种使命“在心里投射出更大的影响”。

30. 诺奖只是“第一个”，平台想做的是所有人的“最后一个”

• 两位创始人认为，未来十至二十年很难再有与 AI 完全无关的诺贝尔奖；AI for Science 基础设施本身可能获奖，利用这些设施发现的新机制、新材料和新物理现象也会沿用原有评价标准。

• 张林峰区分两种目标：诺奖鼓励“第一个”重大成果，而基础设施追求“最后一个”——最终所有人都在上面工作。理想平台同时具备最好的 PMF、让所有人使用并形成正循环。

• 2024 年 10 月 AlphaFold 获奖对他有触动，因为团队曾站在相似的可能性面前；但他不后悔回国创业，理由是 AI for Science 最终会冲击诺奖本身所代表的旧评价体系。

31. 当前较成熟的是软件，增长预期转向知识与 Agent

• 孙伟杰称，目前较成熟的是药物和材料计算软件，但市场规模相对受限；技术领先且空间更大的产品，是 Bohrium 的 Science Navigator，以及正在展开的科研 Agent SciMaster。

• Science Navigator 主要由高校和科研机构以订阅方式购买账号，帮助师生处理文献和获取知识；科学计算平台也有，智能实验平台尚不成熟，可能成为下一年度重点。

• “读、算、做”三部分都可作为独立产品，Agent 则可连接其中任意一项、两项或全部三项，为客户形成从问题到实验验证的闭环。

32. 2030 年的可感变化，是新材料与“教授级科学家朋友”同时出现

• 张林峰预计，到 2030 年会有不少药物、材料、电池、合金和高分子产品由 AI for Science 研发；具体哪条技术获胜仍取决于未来五年的探索，固态电池等路线存在“一系列不确定性”。

• 孙伟杰给普通人的图景是，每个人都有一位跨学科、教授级别的 AI 科学家朋友，可以追问粉红色天空、暗物质或任何科学问题；产业端则可能出现十天乃至一个月无需充电的手机，以及续航进一步提高的电动飞机。

• 对更远目标，两人认为 AI 可能显著提高五至十年内可控核聚变取得进展的概率，并帮助开发登月、登火星所需材料；癌症到 2035—2040 年有希望变成可干预、可治疗的慢性病，但“五至十年寿命翻倍”过于激进。

33. 最大风险是成长断层，而下一站是能真正创新的 Innovator

• 危险分子、毒品和虚假知识是显性风险，但孙伟杰认为实体合成与供应链已有监管基础，可围绕 AI 升级。更难的是 AI 可能替代实习生和初级任务后，人失去练手阶梯，大学、专业和 human scientist 都不知道该如何评价。

• 两位嘉宾认为数学、物理、计算机、政治经济哲学，以及文学、艺术、体育等基础训练反而更重要；工业时代细分出的专业，可能重新回到“自然哲学”和“政治经济哲学”式的本质学习。

• Agent 已能调用“读、算、做”工具连续工作两三天，但张林峰区分“都知道”与“能 innovation”：真正的模型必须从既有知识出发探索未知，而不是只优化 next-token performance。

• 张林峰认为，超出普通科学家认知的特定领域科学成果明年非常有希望出现；他认为 FutureHouse 关于新药的说法宣传成分较大。两位创始人的自我约束仍是那句：“理想主义的实干家才能改变世界”，既要“菩萨心肠”，也要“雷霆手段”。

Verification Notes

• 药物计算设计软件名称在参考转写中先出现“Permit”，后又出现“Ornate”，无法据此确定唯一名称，因此正文统一称为药物计算设计软件，未采用未经证实的产品名。