足球彩票

在科技飞速发展的今天，人工智能技术已经深刻影响着我们的生活方式。从 GPT 到 Sora，AI 不断刷新着人类认知和体验的边界。然而，AI 究竟能否助力人类揭开宇宙奥秘？“整合微观世界，理解万物本源”，深势科技创始人兼 CEO 孙伟杰，为我们解答 —— AI for Science 是什么？为什么要做？它与我们熟知的 GPT 等区别在何处？又为什么要优先征服微观世界？本文将深入辨析。

欢迎大家来到“深势·宇知?”——深势科技的这片独特的宇宙，接下来让我们看看这片宇宙发生着什么。

AI，尤其是大模型技术已经在快速改变我们生活，像 GPT 给我们带来强大的文本处理能力，前段时间刚发布的 Sora，已经能帮助大家很快生成非常好的视频。当然其中还有一些不符合物理原则的部分，还需要进一步优化。像我们现在想创作一首新的歌曲，用 AI 也可以非常方便地创作。

但是大家有没有注意到，这些所有的改变，其实都是发生在数字世界的应用里的。而我们的世界，其实是由互联网上的数字世界和实实在在的物理世界共同构成的。数字世界由文字、图片、音频、视频这些元素构成，物理世界是由像电子、原子、分子、颗粒物、固体、流体、天体这些物质构成的。那 AI 对于我们物理世界的理解、学习和改变，应该怎么发生呢？

我们先看一下数字世界和物理世界有哪些不同。首先我们可以看一下经典的大模型所从事的任务和学习的模态是什么。用一句通俗的话讲，所谓模型的模态就是它所学习的素材和它所做的任务，这两者往往是统一的。就像 PPT 中展示的，大模型学习了我们人类的文字，所以它可以帮助我们去写作。大模型学习的图片也可以帮助我们生成一些图片，帮我们绘画；它学习的音频、视频同理可以帮我们生成想要的音频、视频。

而面对客观世界、物理世界的研究，我们的任务、模态和数字世界是完全不同的。比如物理世界是由电子、原子、分子这些微观粒子构成，我们的任务是要做新材料研发，新药物研发，新的化学品、催化剂的研发，以及像飞机、汽车这些领域的研发。它所关心的素材或者是模态，是像微观层面的分子的结构、蛋白质基因的序列、分子模拟还有我们做汽车、飞机的物理几何。而这些新的模态在经典的大模型里其实并不能够覆盖和处理，这也使得过去的大模型是没有办法真正理解我们宇宙万物实实在在的底层科学规律的。

第二个不同，是数字世界和物理世界的底层逻辑不同。我们知道 GPT 需要非常多的训练数据，使它具备很好的智能特性。因为语言、图片、音频、视频在某种程度上，至少时至今日，底层没有一个确定的第一性原理，很难用明确的数学方程描述出来语言和图片。所以我们足球彩票：使用的是归纳法，把足球彩票：的图片、语言喂给AI模型，尝试着让它学到背后的规律，它才能进一步帮我们解决我们想解决的问题。而物理世界在绝大多数的场景里面，都是具备第一性原理的，我们可以让AI学习这些物理规律、第一性原理，然后进一步理解我们所在的物理世界。所以说从不严谨的归纳来讲，其实我们数字世界的模型，像 GPT、Sora，可能用的方法更像是归纳法，见的足够多，就能学到背后的东西。AI 如果想学习好物理世界，学习好我们客观世界的状况，就必须得尝试学会客观世界这些宝贵的物理规律。

AI for Science 这个概念是鄂老师从2017年就在推动，在2018年正式推出的。用AI怎么学科学？就是我们用AI学习宇宙万物运行最基本的科学原理与数学分布，再用这样的模型尝试解决我们科研和工业研发上所面临的问题。比如说我们宇宙万物运行的底层科学原理，像量子力学、密度泛函、电磁学、固体力学、流体力学等，结构、序列、动力学、表征、几何等也有自己的数学分布。我们用AI学会这些宝贵的底层原理和数学分布后，对 AI 和宇宙的理解会大大提升。这就是我们“深势·宇知?”大模型的起源。为什么我们要把 AI for Science 大模型取名叫“深势·宇知?”？因为我们的理念或者模型最终的目的，就是真正让AI去理解我们宇宙的规律。

当然，Understand the Universe 是一个非常宏伟，非常浩瀚的目标。第一步我们让 AI 理解微观粒子的宇宙，Understand the Universe of Particles，也就是说当我们的视野逐渐地深入到微观世界，深入到电子、原子、分子，跟这些微观粒子遨游时，我们发现微观世界其实是非常深邃的宇宙，它在我们下游的工业研发上，也面临着一系列的相关场景和问题。那么我们当前让 AI 优先学会微观粒子宇宙的科学规律和数学分布，并尝试解决我们微观世界的最重要的这些问题。

大家可能问：为什么？其实刚才鄂老师已经给出了一个非常精炼且精彩的解答，因为微观粒子世界的问题很大程度没有解决，但是在宏观世界，像汽车、飞机这些领域，这样的范式已经多次发生了。当然还有一个非常重要的问题就是微观世界是看不见摸不到的，所以往往缺乏非常有效的数据。

展开来讲，我展示的这张图片是二十世纪早期莱特兄弟发明飞机时的珍贵影像，影像来自于搜索引擎。大家可以看到一个非常有趣的现象，莱特兄弟并没有自己开飞机，而是举着帽子在地上跑、欢呼。我们很少看到莱特兄弟自己开着飞机在天上飞的照片或者视频。因为在人类早期驯服野生飞机的过程中，大多数研发方法还是把飞机做了一点点调整之后开到天上做实验。所以我们真正要致敬早期的飞机、汽车研发的工作人员，正是因为他们这种无所畏惧的精神，才有了我们今天这样一个世界。如今我们研发一款新飞行器或者汽车会这样做吗？当然不会。我们会在电脑里面做非常充分的计算、模拟，万无一失之后才会把飞机、汽车的零件造出来，然后再去做风洞实验、路面实验、飞行实验。

其实不只是飞机、汽车等领域发生了类似的范式变革，在其他的工业研发，像建筑设计、船舶设计包括装修设计，都发生了类似的现象。这里面核心的区别在于，我们经过过去几十、一百年间的发展，有了一系列非常好用的工业设计和工业方针的软件。类似的还有我们在芯片研发领域的 EDA 软件，光学器件研发里面的光学仿真软件。而随着时代的快速发展，我们发现制约人类文明快速演进，快速变迁的工业行业正在发生巨大变化，由飞机、桥梁、汽车、高楼大厦这些领域，逐渐变为生物医药、新能源、新材料、信息技术等这些关键的行业和领域。大家可以逐渐发现，这些领域越来越多的瓶颈问题和前沿问题都逐渐聚焦到了微观尺度层面，也就是电子、原子、分子这些微观粒子层面。

而我们面临的客观问题是，在爱迪生发明电灯的时候，在灯丝材料上，普遍的报道是他尝试了7000多种材料，但是做了超过30万次的重复性实验。100多年过去了，我们在药物研发、材料研发方面的研发范式，几乎没有发生太大的变化。可能最大的变化是我们做实验的次数比以前足球彩票：。比如说我们现在有了自动化仪器之后，可以在几天之内筛选超过300万种不同的药物分子，但是像飞机研发、汽车研发等领域这样的工业研发的范式性的变化在哪里？这就给我们微观尺度的工业设计、工业仿真、工业研发带来了非常大的挑战，当然这也给我们带来非常非常浩瀚的需求。

第三点，为什么我们让 AI for Science 优先聚焦到微观领域？因为微观领域有自己独特的特性，这些领域我们看不见摸不着，即便可以用显微镜做实验观察微观世界，但是这样的实验方法无疑太过昂贵。而且由于光学显微镜的物理极限，我们是在低于可见光的最小波长尺度内，从理论上是不可能看到微观世界的样子的。所以说我们必须要好好利用科学研究中这些宝贵的科学规律、数学分布，让AI学会这些宝贵的规律之后，从理论上才真正可能解决我们刚才所说的重要微观领域的研发问题。在宏观尺度，即便大家不知道牛顿力学，也是能看到苹果是从上往下落的。但微观世界不是这样，微观世界可能永远无法靠我们人眼看，靠客观世界的真实数据给我们足够的数据量。目前最好且已被证明成立了的方法，就是 AI for Science。

结语：

AI for Science 正在开辟一条全新科研范式的道路，将人工智能与基础科学研究紧密结合，赋予 AI 以理解微观世界的能力。未来，借助 AI 的力量，人类将加深对宇宙本源的认知，进而推动科技创新，造福整个人类文明。

本篇解释了 AI for Science 是什么，以及为什么 AI for Science 要优先把微观世界的问题解决好。下一篇，我们将深入阐释，当我们聚焦在微观世界时，关注的模态究竟是什么。