首页 > 科技快讯 > 对话深势科技张林峰、孙伟杰：AI for Science，从开始到现在

对话深势科技张林峰、孙伟杰：AI for Science，从开始到现在

晰数塔互联网快讯
2025-11-10 14:21

“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，而是中关村颠覆性技术研发和成果转化项目资金——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。