科技前线|“高压监狱1到4”的教育改革
高压监狱1到4
记者|冉翀AI for Science突出重围：被海外巨头围剿的“中国OpenAI”伍洋宇
编辑|刘方远
2017年夏天，一趟从北京飞往纽约的国际航班上，张林峰正在反复比对两组几乎一模一样的数字，以确认它们真的如此接近。
这两组数字都代表64个水分子在10皮秒内（10的-11次方秒，比一瞬间还短暂）模拟运动的计算结果。其中一组是在1985年用量子力学原理算出来的，消耗了2亿核时，即便在算力发达的今天，也需要大约2000万的计算费用才能实现。另一组就来自张林峰手里这台笔记本，上面正运行着他与合作者完成的某套算法，因为从上飞机就插着电，大概只消耗了一些航空公司的电费——这可能吗？他甚至觉得自己抄错了。
下飞机之后，张林峰立刻写了一封邮件，将模拟的结果发送给自己在普林斯顿大学的导师、中国科学院院士鄂维南。来自远方的回复简洁而有力：“Toogoodtobetrue（好得难以置信）。”
人类团队写的AI算法读懂了微观世界的某种客观规律——这像是一颗投向分子模拟领域的普罗米修斯火种，很多事情将就此被永远改变，但当时没人清晰预见。
再次回国后，一场老友见面，张林峰将飞机上发生的故事讲给了自己的北大元培校友，一边从事科技方向投资一边寻找合适创业项目的孙伟杰。
孙伟杰关注过市面上绝大多数AI项目，早就发现这个行业的共性问题是缺乏GoldenStandard（黄金准则）来衡量成果。张林峰带来的故事是一种认知冲击——如果AI的核心是发现并学习某种规律，其价值等同于它所学到的规律价值，那当今世界还有什么规律的价值高于科学规律？
用AI来学习和发现科学规律，没错，他们应该做这样一套东西——达成这一共识之后，张林峰和孙伟杰开始筹划共同创业，他们为新公司取名“深势科技”，致力于用人工智能深度学习解决微观尺度的问题。
时间快进到2024年GTC大会，英伟达CEO黄仁勋在演讲中谈到了AI领域的三个关键方向，LLM（大语言模型），具身智能，以及AIforScience（科学智能）。
在前两个领域，OpenAI和Tesla两家美国公司已经形成鲜明主导地位，全球范围内的竞争者均对其亦步亦趋。鲜有人知的是，第三个领域——AIforScience——早在七年前就在鄂维南院士的推动下在东方世界定下根基。
更加反直觉的在于，过去几年来，AIforScience领域声名在外的两家科技巨头GoogleDeepMind和微软并未形成实质上的引领地位，而是一直在与那个年轻东方团队相互追赶。
2017年，在鄂维南院士的带领下，张林峰与团队合作发布DeePMD，紧接着GoogleDeepMind完成一套十分相近的技术框架；随后，张林峰团队做出了DeePWF，一种电子波函数的AI计算方法，次年，DeepMind发布相同方向的解决方案FermiNet；2020年，张林峰团队再度发布DeePKS，而DeepMind的对标框架DM21在2021年诞生。
2020年底，在鄂维南、张林峰等人因DeePMD相关工作获得有高性能计算领域“诺贝尔奖”之称的戈登贝尔奖时，DeepMindAlphaFold-2的工作改变了整个结构生物学领域。而到了2021年底，深势科技成为了全球首家成功复现AlphaFold-2并完全开源训练代码的机构。
深势科技创始人兼首席科学家张林峰
大概只因为AIforScience才刚刚起步，人们无从发现这个前沿科技领域正在上演一场激烈的全球竞逐。
AIforScience有多重要？任正非曾指出中国的基础科学薄弱，在最基础的科研和工业问题上被“卡着脖子”。中国实体产业已经在新能源汽车、光伏等领域诞生多个全球第一，但回到电池研发层面，仍在基础科学问题上破茧无门。而大量重要科学问题的终极答案都指向微观世界。
事实上，AIforScience的重要性已经与大国竞争的新局面挂钩。大洋彼岸，在美国白宫一份行政命令要求下，PCAST（美国总统科技顾问委员会）近日撰写了题为《加速研究：利用人工智能应对全球挑战》的报告。其中，由知名数学家陶哲轩领衔的一份技术报告概述了AIforScience的潜在影响。
报告指出，AI将从根本上改变人类进行科学研究的方式。其阐述了AI在材料、半导体设计、气候、物理、生命科学等领域已经做出的改变，并高度总结了AI如何通过提供研究工具来加速科学发现和技术进步，从而革命性地改变人类解决最紧迫问题的能力。
这恰恰是深势科技决心投入并试图引领中国产业去突破的问题。成立近六年时间，深势科技已经把当初那颗火种衍生为一套完整的产品框架。用多尺度建模、机器学习和高性能计算去解决微观尺度下的工业设计难题。这件事天然地适合药企、材料研发和科研机构，是真正有可能四两拨千斤的魔法工具。
但这趟旅程并不完全是一个天之骄子的爽文故事。因为人才难寻，这家AIforScience领域的“中国OpenAI”在创业之初甚至有一半以上的员工是实习生。深势科技在天使轮拿到了1600万人民币融资，听上去不少，但去年由谷歌孵化，并由谷歌创始人挂帅的SandboxAQ首轮单笔公开融资就已达到5亿美金。孙伟杰说，当他看到海外对手可能是以每年数十亿美⾦为计在投⼊的时候，他知道自己还得做到更好。
深势科技联合创始人兼CEO孙伟杰
作为深势科技创始人兼首席科学家，张林峰判断，AIforScience领域的科学大模型正处在GPT-2阶段，这意味着涌现时刻已经不会太远。他对未来的终局想象是无论半导体工业、电池、合金，还是药物，都能从原子开始生产制造。一个形象的比喻大概就是，原⼦尺度下的“活字印刷术”。
而作为公司CEO，孙伟杰说，他们的创业出发点是做一家真正源自中国、引领世界的科技公司。他认为一代公司有一代公司的使命，中国已经走过了拿来主义的阶段，这个时代在呼唤更多有底层创新技术的公司。
打开微尺度的大门：看到光照不进的地方
我们觉得在分子模拟里，可以发现人类的未来，所以就把公司口号定成了这句话。
另一个问题则是它动的太快了。对于常见的物质来说，原子间振动的常用时间尺度是是十的负十五次方秒，也就是百万亿分之一秒。刚才过去的一秒钟，它动了一百万亿次。
所以是真的“看不到”它怎么动，只能模拟。
比如生命和非生命的界限到底在哪？一个细胞可以是一个生命，但是细胞也是由无生命的原子构成的，那为什么它会变成一个生命体呢？如果我们从最小的地方一点点开始模拟，一个原子，两个原子，三个原子，直到组成蛋白质，组成线粒体，一点点往上加，加到什么样的时候，它突然就有生命了？这是人类的一个终极问题，生命是“涌现的“，你怎么知道那个界限在哪？
再比如说，中国目前在电动车和电池行业已经
靠量子力学这样的算法，随原子数量的上升，计算量是三次方指数上升。一百个原子和一万个原子，差的原子数量是一百倍，但是差的计算量是一百万倍。这就导致我们想要算一个真正感兴趣的问题，如果里面有几十万个原子，可能把全球的算力加起来都不够用，这个叫做维数灾难。
第二种方法就是经验力场，靠归纳。我就简单地把原子间的力抽象成一个化学键，像个皮筋一样。它不那么准，但至少能算，在相当长的历史阶段里面也解决了很多问题。但一旦面临精度很高的体系，就不管用了。
我们研究新材料，比如说一块橡皮泥，为什么它有这种弹性形变？现在是没有原理能够解释的。我们只是观察到了，它一捏可以这样，但我们不知道为什么会这样。
而当我们有了分子模拟，就有可能通过模拟的方式搞明白背后的原理，这样在我们需要有弹性形变的材料时可以尝试把这个原理使用上去。
中国团队扛起AIforScience的大旗
我本科毕业刚刚去普林斯顿的时候，其实做了非常多的纯理论的探索，量子计算、量子场论等等。在找科研方向的时候有一句话是共振程度最高的，是杨振宁说的“thepartyisover”，找不到令人振奋的方向了。
那时候鄂老师直接劝我不要再继续上课了，尽管普林斯顿有很多菲尔兹奖、诺贝尔奖得主的课程，重学一遍也挺开心的。但我理解他的意思是：上课只会满足你的虚荣心，你80%都会了然后上去再会一点，并不是在定义重要问题。
比如AI处理图像，以一个32乘32像素的图像为例，算上RGB的三个值，那有3000多个数字作为输入，然后输出的画面就是猫或者狗或者别的。这个事儿我们现在去看好像挺自然，但事实上从数学建模的角度来讲，是非常反直觉的，至少是反一代数值算法科学家的经验和直观的。
世界上本来就不存在学科，以前分学科是为了教育方便。过去因为方法能力的限制，各个尺度下面的不同场景已经被四分五裂到不同的学科。而现在我们有了一个统一的工具，也就是AI，能表示所有的复杂高维函数，那我们可以带着一个全新的视角把所有的东西都重新审视一遍。
而如果我们把这个东西拿AI一学，然后用来做模拟，模拟的分子数大10倍，时间长10倍，用你这个笔记本跑一天就可以了。
64个水分子的模拟，我是在去美国的飞机上跑通的。当时在飞机上用笔记本插着电跑，跑完之后出来的结果跟RobertoCar的模拟互相重叠，我甚至以为抄错数据了。下飞机以后我发给鄂老师写了一个邮件说了这件事情，然后他只回了一句话：“toogoodtobetrue。”
同时我们还做了一个开源社区DeepModelling，很快就有来自非常多不同领域，半导体、电池、合金材料、天文地理的科学家都拿AIforScience的工具做了很多应用。在这个基础上，它慢慢地形成了一个比较广泛的影响。
也是从18年开始，我们确定了分子模拟能真正打开微观工业研发的大门，而AI会推动整个工业研发新范式的变革。
创业：10亿做一个科学大模型，但当时兜里只有20万
当时我看了很多AI相关的方向。我最早对AI的认知是：AI可以从大量数据里面找到背后的规律，所以说AI的价值是由它学到的规律的价值决定的。学到的规律越有价值，它就能解决越多问题。
林峰的工作让我意识到，
后来发现这个牛吹出去也还挺难实现的，源自中国、引领世界、科技公司这三点可能是每一个拆出来都还行，合在一起就发现这样的公司很少。我们不敢定义自己已经实现了这样的目标，但我觉得我们确实是照这个目标在前行。
我记得最早我们盘算了一下这个事情大概需要多少钱。当时我们想的是去训练一个涵盖宇宙所有物质的万物模型，我们觉得至少要需要10亿个数据点。一个数据点差不多10块钱，这个成本是可以优化的，如果我们优化到一个数据点1块钱，那也要10亿。但当时卡里只有20多万。
决赛的最终答辩是在张林峰提前定好的婚礼的第二天，前一天我们还开着车回张林峰的老家山西去举办婚礼。婚礼当天不得不喝酒，张林峰过来说：别喝太多啊，明天还要答辩呢，1200万！当时我直接就清醒了。
后来林峰20年初毕业，回来了我就可以融资了。当时BP都写好了，然后就碰上疫情了。那时候融资确实是摸爬滚打，林峰在线上也参与了很多次投资人的拷问，最后总算在林峰回来之前把第一轮融资搞定了。
19年8月份，我们决定先做FEP（注：FEP是一种用于计算分子A转变为分子B过程中自由能变化的计算化学方法。通过模拟分子结构细微变化引起的能量差异，能预测候选药物分子与蛋白质的结合能力，在药物研发中有重要应用。）药物领域已经有了一个微尺度的软件叫薛定谔，是一家美国上市公司，而FEP是他最核心的功能，当时也只有他做得好。但我们认为通过机器学习和分子模拟，我们可以做得更好。
比如前面说的FEP是计算药物分子与蛋白质结合自由能的变化。由分子A转变为分子B的过程可能有多种途径，学术界只需要关注其中有限的情况并且算准了，就足以成为一篇优秀的论文。
然而，在工业界，重点是确保转变过程中不会出现重大问题，无论是崩溃还是中断，都是不可接受的。因此，需要将解决方案提升到工业级，然后再结合更好的方案，这样才能充分发挥新方案的价值。
到2020年，我们才真正把自己定位成一家微尺度工业软件公司。现在不光是在药物领域，我们推出了BDA电池设计自动化平台Piloteye，这是世界上首个电池设计工业软件系统，而恰好电池也是我们国家的优势领域。
中国科技缺乏原始创新？一代公司有一代公司的使命
国外的这些真正有非常强原创技术的公司，它一定是在实现了超额利润的基础之上，在追求下一个时代、下一个增长曲线的布局的时候，才有很多这种原创性的基础研究。
AIforScience就是对研发手段、研发能力的革新，让做底层创新的公司有更高投入产出比、更高效的研发方式。
当然，在2020年DeepMind做出了AlphaFold-2，改变了整个结构生物学领域。我们在21年成功复现了AlphaFold-2，在国内是第一个。
我可以说如果当时不是鄂老师一直在推AIforScience，我们没有创立深势科技，现在很有可能这个领域也是国外完全主导的。
创业公司中比较有名的有SandboxAQ，他的创始人是谷歌的联合创始人谢尔盖·布林。他们也是用AI学习量子力学的方法做药物设计等方向，第一个应用的是FEP，听起来有没有很熟悉？跟我们的路径一模一样。但是它们第一轮公开市场的融资单笔已经拿到了5亿美金。
所以我说我们选了一个重要的方向，但是把自己丢进了一个地狱模式的难度里。
说到实习生，我们在融资的时候曾经有过一个非常“奇怪”的条款。在A轮融资的时候，领投方给我们的一个条件是，在完成本轮融资后的18个月内将公司的实习生的人数的比例降低到50%以下，说“你们公司实习生太多了”。
并且，“地狱模式”还有一个好处是没有过早的分工，我们可以更加放开想象力去做。我内部经常说，“如果你的反应不是退缩、而是激动”，那就应该一起做最伟大的事情。
提高原子使用率，科学大模型已经走到了GPT-2
AIforScience差不多就是晚一个周期，15、16年那个时候人们开始用AI解决一些科学问题，包括AlphaFold最开始出现也是在那时候。然后到了20年有两个比较关键的点，一个是DeePMD拿到了戈登贝尔奖，另一个是AlphaFold2出世，证明AIforScience毫无疑问是可以做出非常牛逼的应用的，行业进入了技术设施建设期。现在该有的基础设施基本也都出现了。
而且我觉得AIforScience由于借鉴了很多过去大模型发展的路径，它的速度可能还会比大语言模型要更快一些。
自然法则本来是Scale的，但我们有点像反过来，是anti-scale，这就是为什么要搞到原子级，因为你是scaleback然后再重新reconstruct的过程，这个点是不一样的。
另外一个就是说科学问题的结构更丰富，很多时候不是一个单模态的扩展，而是这个组合型的scale，这也跟大模型有一些不同。当然训练模型的逻辑是一致的，有大规模的数据、大规模的训练模型实现更好的迁移创造和生成。
而对于AIforScience来说是利用AI去拓宽人们的认知的边界，拓宽我们的底层构建能力，去重塑整个世界。到最后其实我们会发现AGI最后的边界还是物理，无论是物理规律还是物理的实体，在这一轮数字世界的闭环的基础上，下一步可能还是要跟物理世界产生一个有效的连接，这也是AGI和AIforScience产生连接的地方。
目前，我们已经有专注软件的DeepModeling社区、提供“教学研用”一体化服务的玻尔科研空间站以及涉及数据模型工作流的AISSqaure。有了这些基础设施，科研工作者就能通过新的方式集结和协作起来，我们今年在推出DPA-2之后，也面向社区发起了OpenLAM大原子模型计划。
开源精神其实和我们的文化是一致的，我们想要推动一个向善的、真正做好事的技术体系，并且在生态共建的过程中持续成就伙伴。
另一方面，我们一直说重构，发起这样一个大规模的开源协作本身也是“重构科研协作”的一个实践，鄂老师一直强调科研未来要走向“安卓模式”，我们认为未来的平台化科研和工业研发应该就是这个样子。
责任编辑：欧阳名军
