此前，曾获戈登·贝尔奖的创新解决方案，其实是基于量子力学生产数据，AI学习这些数据，学完后大规模模拟。如今，这个范式已经普及，量子力学生产的数据越来越多，多到已经几乎要覆盖整个元素周期表。这使得这样一个领域也具备了走向预训练模型的数据基础。
“3年前，我们就想做这件事情，但是时机不成熟，原因是数据基础不到位，现在做其实是最合适的。从社区生态上，从模型和数据的发展上，乃至从整个技术趋势上来看，这样的一个预训练模型也是呼之欲出的。”张林峰曾说，“应该用全新视角定义当下该做的事情”，在他看来，这件事很显然也属于当下该做的事情。
在其他领域，GPT的迭代周期都比较长，但张林峰认为在分子模拟这个领域也许走得会更快，应用落地的深度也更深，这是他和团队今年格外要解决的重点问题。
目前，科学计算的瓶颈在于算法面临“维度灾难”的问题，即难以表示和难以有效地处理高位复杂的函数和大规模的复杂数据。幸运的是，AI有望助力解决科学计算中的“维度灾难”，将不同尺度的物理模型有效连接起来。
AI向前发展有其自身规律。张林峰说，我们要做的就是借鉴AI的客观发展规律，无论是技术侧还是产业侧的一系列发展特点，去反思我们的技术体系。
他举例说，过去人们曾质疑AI落地的效果，其实把前人在不同应用场景的经验整合起来，去“翻译”好我们的场景，比如工业软件这样的场景，需要启蒙。深势科技兼具了翻译者、启蒙者以及最后从顶层创新到落地的角色。
|
