王一博：大模型时代下的Al for Science

核心观点与关键数据

科学研究范式的发展与挑战

• 科学研究的第二范式：计算（Kepler范式）
  从纸笔到计算机的变革，但面临数据收集效率低、缺乏有效分析方法的挑战。
• 科学研究的第三范式：理论（Newton范式）
  物理模型解决大部分问题，但复杂问题（如薛定谔方程）难以求解。
• 数据驱动与理论驱动范式的后果
  • 数据驱动：解决复杂问题（如材料设计），但存在理论与应用脱节。
  • 理论驱动：解决简单问题（如结构力学），但复杂问题仍依赖试错。

“维数灾难”问题与AI的解决方案

• 维数灾难：随着自由度增加，复杂度指数增长，传统方法难以应对。
• AI解决“维数灾难”：
  • 深度势能：结合物理建模、机器学习和高性能计算，在精度和效率间取得平衡。
  • 典型应用：Alphafold2通过数据驱动预测蛋白质结构，推动药物设计等领域变革。

AI4S新特点与基础设施

• AI4S发展历程：2012-2022年AI快速迭代，而Science领域软件迭代慢、组织形式落后。
• AI4S基础设施“四梁N柱”：
  • 基本原理、模型算法与软件系统：
    • DPA：覆盖70种元素的深度势能预训练模型，降低研发成本。
    • Uni-Mol：通用分子3D表示学习框架，支持小分子、复合物处理。
  • 高效率、高精度的实验表征方法：
    • 电池化学组成/形貌/界面表征技术，结合AI反演算法。
    • 二维材料缺陷检测（如MoS2），利用Abtem/Bohrium工具实现自动化。
  • 高度整合的算力平台：
    • 存算一体分子动力学专用芯片（NVNMD），速度提升1-2个数量级，能耗降低2-3个数量级。
  • 替代文献的数据库与知识库：
    • Science Navigator：智能文献知识库，实现分类检索与推荐。
    • Uni-SMART：科学文献多模态大模型，提升信息获取效率。

AI4S课程体系与生态建设

• 课程建设：
  • 《计算材料学》课程体系（视频+案例+教材），探索AI4S教学。
  • 国家关键领域工程硕博核心课程：覆盖数据驱动/机理驱动算法、实验表征、高性能计算等。
• 开发平台：
  • 玻尔科研空间站®Bohrium：提供AI4S算法引擎、算力、模拟环境等。
  • AI4S工程基础设施：模型库、算法库、案例库，支持模块化开发。