此前，曾獲戈登·貝爾獎的創新解決方案，其實是基於量子力學生產數據，AI學習這些數據，學完後大規模模擬。如今，這個範式已經普及，量子力學生產的數據越來越多，多到已經幾乎要覆蓋整個元素周期表。這使得這樣一個領域也具備了走向預訓練模型的數據基礎。
“3年前，我們就想做這件事情，但是時機不成熟，原因是數據基礎不到位，現在做其實是最合適的。從社區生態上，從模型和數據的發展上，乃至從整個技術趨勢上來看，這樣的一個預訓練模型也是呼之欲出的。”張林峰曾說，“應該用全新視角定義當下該做的事情”，在他看來，這件事很顯然也屬於當下該做的事情。
在其他領域，GPT的迭代周期都比較長，但張林峰認為在分子模擬這個領域也許走得會更快，應用落地的深度也更深，這是他和團隊今年格外要解決的重點問題。
目前，科學計算的瓶頸在於算法面臨“維度災難”的問題，即難以表示和難以有效地處理高位複雜的函數和大規模的複雜數據。幸運的是，AI有望助力解決科學計算中的“維度災難”，將不同尺度的物理模型有效連接起來。
AI向前發展有其自身規律。張林峰說，我們要做的就是借鑒AI的客觀發展規律，無論是技術側還是產業側的一系列發展特點，去反思我們的技術體系。
他舉例說，過去人們曾質疑AI落地的效果，其實把前人在不同應用場景的經驗整合起來，去“翻譯”好我們的場景，比如工業軟件這樣的場景，需要啟蒙。深勢科技兼具了翻譯者、啟蒙者以及最後從頂層創新到落地的角色。
|
