“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。）
精彩评论