大家可能從小就聽說過愛迪生嘗試上千種材料作為燈絲，憑著不斷試錯方法以及永不言棄的精神，最后研發出日用白熾燈的故事——天才靠的是百分之一的靈感和百分之九十九的汗水。

然而，隨著科學的進步和現代社會的發展，新型材料的研發變得愈發復雜。現在，研究者經常需要在上百萬大小的材料空間同時優化數十個不同的性質，以尋找適用于電池、半導體、催化劑和合金等領域的新材料。如果說愛迪生需要 99% 的汗水，那現在研究者可能需要 99.99% 的汗水。

而新型材料的研發歷程就有點像人們去「沙灘」上撿「貝殼」，在「沙灘」表面好找的貝殼在大家不斷發掘下已經被拾的差不多了，更漂亮的「貝殼」卻還埋在在更深的「沙灘」下面。這些「貝殼」可能用傳統的方法很難發掘，但 AI for Science（簡稱 AI4S）為我們帶來了新的可能。

Microsoft Azure Quantum 研究科學家、麻省理工學院（MIT）段辰儒博士在吸光團簇的研發方面遇到了和「愛迪生類似的難題」——尋找吸收長波可見光并且激發態穩定的過渡金屬吸光團簇。吸光團簇的發現在現階段有兩大難點，首先其設計空間有三千萬個分子，比愛迪生當年大的多。此外，長波可見光吸收與穩定激發態是化學上接近互斥的兩個性質，增加了探索難度。

段博士首先使用了「愛迪生式」的隨機采樣，嘗試了兩千個分子，發現無一同時滿足這兩種性質。繼續類似探索帶來的希望非常有限。于是，段博士帶著 AI4S 的角度重新審視了這個問題：在這兩千個分子的數據下建立了機器學習模型來快速預測分子的吸收波長和激發態時長；同時，使用主動學習與貝葉斯優化引導探索這碩大材料空間。在新的探索方式之下，模型找到目標分子的概率隨著探索過程的進行迅速增長。達到在五百個分子后，每嘗試五個分子，就可以找到一個吸收長波可見光并且激發態時間長的過渡金屬吸光團簇。保守估計，這種方法的改進帶來了將近 1000 倍的加速，相當于將原本三年的研發周期縮短到了一天！段博士的工作也于近期作為封面文章發表在 JACS Au。

論文鏈接：Duan et al., https://doi.org/10.1021/jacsau.2c00547

在 AI 快速發展的時代。作為個人，應該怎么樣把這些技術與我們領域知識結合在一起？AI4S 當前研究進展處于什么階段？AI4S 前景如何？我們一起看看專注于「AI+化學/材料」領域的研究者賈皓鈞博士和段辰儒博士，怎么看待 AI4S。以及兩位在 AI4S 領域的相關探索研究。

賈皓鈞（左）和段辰儒（右）

ScienceAI：兩位能介紹一下自己嗎？

段辰儒：我目前在 Microsoft Azure Quantum 做研究科學家，主要研究生成式 AI 和大模型在化學方面的應用，和微軟 AI4S 研究的產品化。兩年前在 MIT 獲得化學博士學位，博士期間主要做 AI4Chemistry 的研究，開創了 AI 決策模型在高通量計算中的整合，使得 AI+計算更好的服務于化學和材料發現。工作之余，我也一直參與組織在機器學習會議上的 AI4S workshop（https://ai4sciencecommunity.github.io/neurips23.html） 系列，推動社區發展。

賈皓鈞：我目前在 MIT 化學系和化工系博士第五年，博士期間師從 AI 助力化學設計領軍人物 Heather Kulik，主要研究方向是結合高通量量子化學和人工智能來幫助發現用于碳中和的新型催化材料。我之前也曾在陶氏化學核心研發部門進行研發工作，致力于使用 AI 來研發催化劑配方以及預測化學反應的路徑。除了科研方面，我之前也擔任過麻省理工學院中國學生學者聯合會（MIT CSSA）2022-2023 主席。

ScienceAI：我們了解到兩位之前本科都畢業于物理系，能給我們講一下從本科到現在的這段科研和工作經歷嗎？因何與 AI 結緣的？

賈皓鈞：我本科是學物理的，在上學期間研究比較廣泛，主要做過二維材料，電池，超導，合金的第一性原理計算模擬。而那時 PyTorch 和 TensorFlow 還沒流行，但大量的數據也讓我意識到材料篩選的重要性，這也因此打下了我與 AI 結緣的伏筆。后來到美國之后，發現結合 AI 算法可以大規模的來進行高通量篩選和預測。之前幾個模擬等很多天出的結果，現在結合 AI 算法可以進行million 材料數量級別的高通量篩選和預測。從我邁入科研的大門到如今短短十年時間，計算模擬已經不再是單純的驗證實驗，而是真實應用到工業界。AI4S 的范式是一個真實在發生的事，有很大的市場潛力。

至于為什么轉向偏化學，是因為后來我發現物理離現實稍微有點遠。我當時做學術的一個大的目標是想「做出的成果既能上得了書架，也能上得了貨架」。我更想做一些偏實際的東西，所以本科也在約翰霍普金斯大學化學系待過，做一些氣相表面化學的實驗研究。其實那個時候是第一次接觸化學，但發現了很多有意思的地方。例如，物理多數情況關注現象本身，即宇宙本身的規律?；瘜W更多關注的是過程和改變，是我們可以進行人為調控的。在這之中，我們能找到一些真正有價值的東西。這也是我從物理專業轉向化學的原因。

段辰儒：我跟皓鈞的經歷比較相像，我本科做的是理論凝聚態，研究有趣的量子相變等現象。盡管這些研究領域引人入勝，但與實際應用之間存在一定距離。在這過程中，我慢慢意識到相比于探索世界底層的物理規律，我更加享受使用物理規律改造這個世界。于是在攻讀博士學位時，我渴望朝著更接近應用的方向發展。來到 MIT 之后也跟很多老師交談，其中與我導師聊天時，有一個點非常吸引我，她提到組里一名學生一篇文章產生的數據量比她來 MIT 之前整整 8 年的研究總和還多。這讓我在 2017 年就意識到了計算化學領域的發展速度迅猛。

我開始閱讀與研究相關的幾篇論文，并發現盡管計算化學的計算能力和通量不斷增加，但整個計算流程，即如何整合各種計算，尚未得到充分的發展。因此，我猜想將 AI 融入高通量計算體系，構建更優秀的工作流會是學術方面的一個增長點。2017 年，我在 MIT 開始自己的博士生涯。雖然當時還沒有 AI4S 的概念，但我已經認識到高通量計算和人工智能相結合的潛力巨大，以及它可能對各學科帶來范式的變革。于是我就堅定的選擇了這個領域，實現了從物理到化學及工程應用方向的轉變。

ScienceAI：兩位博士目前都專注于「AI+化學/材料」計算領域的研究，能給我們講一下 AI 如何助力計算化學嗎

賈皓鈞：量子化學是通過第一性原理計算模擬材料的性質，具體的思路是：先固定原子位置解薛定諤方程，得到材料的電子結構，然后基于電子結構獲得這個材料的性質，例如：電子能量、力學性質和結構性質等等。第一步解薛定諤方程是計算量極大的量子多體問題，它的計算量隨著模擬的原子數指數增加，也是目前最難解決的，甚至可以說是從頭算模擬領域的「卡脖子」問題。薛定諤方程的復雜性使其難以求解。但隨著 AI 技術的發展，我們可以通過元素的內稟屬性（原子半徑、電負性、價電子等等）、材料的鍵長鍵角等等，「繞過」薛定諤方程多體問題，直接預測材料的性質。有兩種主要思路：

通過 AI 預測電子結構來獲取材料性質：這一方法的優點在于其物理基礎，即從電子結構到性質的轉化是清晰的，沒有黑箱。然而，挑戰在于處理材料的波函數，它涉及到大量的矩陣，并且受到電子數量的限制，這限制了模擬的規模。AI預測波函數也很具挑戰性。一種可行的方法是將材料的電子波函數投影到原子基組上，然后通過 AI 預測投影系數。然而，這會引發物理和數學上的問題，如基組的完備性等，這些問題在將其應用于實際系統時會帶來技術挑戰。

通過 AI 預測材料性質而不考慮電子結構：這種方法的優勢在于完全規避了多體問題，理論上可以用于處理大型體系。然而，這種方法高度依賴于大量的訓練數據。相較之下，第一種方法可能有助于發現新的物理機制。不過，第二種方法已廣泛用于新材料的探索和設計，顯著加速了材料研發周期。例如，結合高通量計算與 AI 來預測性質，可以快速篩選出受關注的催化劑、電池、二維材料等。AI也能用于預測原子受力，加速分子動力學模擬或結構搜索，從而提高材料模擬的規模和精度。

段辰儒：皓鈞已經說了很多量子化學怎么樣來幫助我們來算一些材料的性質。但其實還有一個問題：這么多量子化學方法，都會涉及到一些近似，那選取不同的近似就會給出不一樣的結果。那怎么樣來用 AI 幫助我們從怎么多計算方法中選擇一個「最合適」的？或者怎么樣能夠利用多個「近似的結果」得到一個「更加準確的結果」？最近受抖音「用戶—短視頻」匹配邏輯的啟發，我想到可以做「化學材料—計算方法」匹配。通過搭建「密度泛函推薦器」，我們首次將金屬有機配合物的高通量計算的準確度逼近了實驗測量的誤差精度。這個文章也發表在了 Nature 大子刊 Nature Computational Science 上，并獲得了 Nature 新聞評論的關注。我認為這些把 AI 決策模型融合進計算流程的想法是「抹平」計算和實驗結果差距的關鍵。

論文鏈接：https://www.nature.com/articles/s43588-022-00384-0

ScienceAI：傳統的化學/材料研究方式是什么樣的？有沒有比較成熟的方法理論，材料數據庫或者平臺？

賈皓鈞：傳統的材料研究方法是試錯法，就像愛迪生試驗燈絲一樣，比如逐一替換元素。以前一段特別火的超導為例，La-Ba-Cu-O 超導體是最早的銅基超導體，獲得了諾貝爾物理學獎，但是它只有 35 K 的超導，低于液氮溫區，但是 Y替換 La 之后，Y-Ba-Cu-O 超導體的超導溫度高于液氮溫區，使得銅基超導體被廣泛引用。傳統的研究方式就特別像以前的「手工作坊」，材料研發周期非常長，而且耗費的人力物力也是巨大的，并且存在偶然性。

隨著計算機技術和量子力學理論的發展，基于密度泛函理論的材料預測方法變得成熟。結合結構搜索算法和高通量計算，我們可以更有效地篩選候選材料，從而節約試錯成本。從計算角度，多種元素排列組合和 230 種空間群，造成材料的相空間是極大的，在不改變第一性原理算的基礎上，預先篩選材料是比較成熟的算法，如 CALYPSO、USPEX 和 AIRSS 等。近幾年超導材料研究的活躍與氫基超導體的發現有關，H3S 在 150 GPa 下表現出了 203 K 的超導轉變溫度。然而這個重要的發現是通過遺傳算法指導，在高壓實驗獲得的。此外，元素替代和密度泛函計算結合數據庫也是一種有效的路徑。著名的數據庫有 material project，material cloud 等等。然而，傳統方法仍受到多體問題的限制，計算成本仍然昂貴，而 AI 的出現提供了一種可能解決這個問題的途徑，從根本上解決了多體問題，使材料研究變得更高效。

段辰儒：我們科學探索的方式目前還是偏試錯主導的。經常是一些偶然的不可控因素帶來了一大波新發現。其實整個 AI4S 的核心在于科學發現的體系化。比如當我們產生了大量數據的時候，我們可以用這些數據來建 AI 模型，之后更加定向的探索這個空間，而不是去隨機的探索。以及我們可以用一些生成式 AI，不去篩選整個空間，反而來生成一些新的分子和材料。這些方法論上的改變，最終會帶來范式的遷移，使整個科學研究更加體系化，平民化。這樣，能夠讓更多的人以更加低的壁壘參與到科學研究當中，加快科學發現的迭代，提高科學研究的成果轉化率。

ScienceAI：AI4S 會使這種科學發展的「意外之喜」（偶然性）越來越少嗎？

段辰儒：趨勢是「意外之喜」會越來越少，「意料之喜」會越來越多，總體而言「喜大于憂」。在任何的優化中，行為模式都可以分為兩類，一個的是利用已有的先驗知識，來進行下一步的選擇。比如，皓鈞剛說的超導體中元素的同族元素替代。第二個是主動探索新的未曾探索過的材料體系，LK-99 的這類的嘗試。這其實和我們去餐館點菜很像。先驗知識就像我們對吃過的菜的評價和印象，主動探索就像我們有時心血來潮點了商家的新品推薦。

優化理論中貝葉斯優化有很多討論如何平衡這兩種互補的行為來最大化探索的收益。那 AI4S 其實就是通過不斷的改進，通過科研工具庫里面的工具來調整這些平衡，導致我們最后的科研產出或者收益最大化，我們開頭介紹的 「尋找吸收長波可見光并且激發態穩定的過渡金屬吸光團簇」的工作就是一個典型的例子。它相當于你以「試錯法」在飯店吃了 100 個菜，都又貴又難吃，在你快把這家餐廳拉黑的時候，發現 AI4S 的優化方法可以精準幫你點到這家餐廳便宜又好吃的菜。

另外，隨著生成式 AI 和擴散生成模型的發展，那我們的科研工具庫里甚至有了主動生成意外的可能性。之前的研究都是在一個大的材料庫里去篩材料，這其實相當于自己限制了自己的想象空間。那生成式 AI 就會帶來一些「意外之喜」，因為生成的材料很可能就不在原有的材料庫里。這相當于飯店里的菜難吃不要緊，咱可以直接用 AI 生成新的菜單！這些模型其實已經被應用到了很多科學研究中，比如生成一些能量比較穩定的分子，以及對于一個蛋白質和靶點生成小分子藥物等等。

最近，我們做一個項目使生成式 AI 不拘泥于生成一個單一的結構，而是直接生成化學這門學科研究的核心—全新的化學反應。我們戲稱這個方法為現代「AI煉金術」哈哈，因為它背后的原理雖然有統計學理論的支撐，但在應用層面就像古代煉金術一樣可以幫助我們直接探索完全未知的化學反應，生成符合統計分布的「意料之喜」。

ScienceAI：ChatGPT 已火爆全球，之后出來很多基礎科研領域的「類 ChatGPT」，你們覺得當前科研領域的大模型研究處于什么階段？未來會有咋樣的一個「科研 ChatGPT」？

段辰儒：之前有一本很火的書《Quantum Physics for Babies》（寶寶的量子物理學）。我覺得現在的狀態就是 「Science GPT for Babies」。主要原因是 ChatGPT 是 2022 年底出來的，時間還很短，大家的慣性思考仍然停留在怎么樣把 GPT 直接應用在原本的問題上。這導致目前在 Science 方面，大部分工作都是一些簡單的GPT直接應用，或者做一些微調。但這個階段很快就會過去。GPT 本身真正帶來的潛力，是改變了人們與機器，以及不同的機器之間相互交互的方式。比如原本需要會寫 Python，我才能做一些機器學習的東西。那我現在很多寫代碼的任務可以交給 GPT。或者為了做機器人，我可能需要會寫 VB 這樣的「古老代碼」，因為那些芯片都是老的。那我現在可能只用自然語言也可以做這個交互。

未來，我覺得值得探索的方向是以 GPT 為核心，串聯復雜的研發過程。以及在工業生產鏈條中，把它作為自然語言的接口，這樣就可以降低人們學習各種復雜的軟件、其他編程語言以及各種儀器之間的壁壘。另外兩個比較有意思的方向，是（1）我們能不能把 GPT 這一套預訓練的方法用在分子或者材料領域，來做一個材料大模型或者化學大模型，從而去降低或者減弱化學材料領域里獲得實驗數據比較昂貴的問題。（2）我們能不能轉變材料設計的思維方式，從之前的篩選到我們現在用 GPT 這樣的方法來生成一個新的材料。我覺得這兩個方向上的探索都會比 GPT 直接的應用會更加令人興奮一些。

賈皓鈞：我稍微補充一點。首先 GPT 是大語言模型，如果你用 ChatGPT 頻率高的話，就發現它的準確性是相對比較差的。但是科學問題，尤其是化學材料這種定量學科，非常注重精確。第二個問題，就是大語言模型目前很難生成出超出人類認知邊界的內容。但做科研，一般來說我們就是要拓寬人類認知邊界，發現新的現象和建立新的理論。第三個問題，做某一個垂直領域的大語言模型，比如材料、化學或物理之類的，能找到所有論文和公開數據庫，一般都是已經做出來的東西，只有成功的案列，這個會導致訓練集有很大的偏差。但我覺得之后各個領域，科研領域或學術領域，或某一個工業領域肯定會有垂直大模型出現。

ScienceAI：目前的 big tech（大型科技企業）對于 AI4S 有什么想法和行動？傳統的材料化學制造業巨頭是怎么看 AI4S？

賈皓鈞：DeepMind 最早的 AlphaFold 算是 AI4S 出圈的一個產品。國外的tech 巨頭都在 AI4S 投入非常多的真金白銀，微軟 2022 年開始專門成立了 AI4S 研究院，Meta 的 Open Catalysts 和 ESMFold，以及 Nvidia 最近的BioNeMo。在國內的話，字節跳動也已經有 AI4S 部門，以及深勢科技這種專一的平臺初創企業。AI4S 可以做的東西很多，也比較受資本的青睞。兩個多月前，Meta 剛把 ESMFold 整個團隊解散，但這個團隊的 8 個核心成員兩周后又融資到 40 million 美元，開始做他們模型的應用。大廠的邏輯，是背靠自己的算力和云服務,做一個平臺，旨在把 AI4S 中比較成熟的方法產品化，以一些 ToB 或 ToC 的服務提供給大家。

從這個角度來看，傳統的化工巨頭其實是這些big tech 平臺的用戶。比如在微軟最新推出的產品 Azure Quantum Elements（https://quantum.microsoft.com/en-us/our-story/quantum-elements-overview），已經爭取到了很多化學化工和材料的巨頭，比如BASF，AspenTech ，Johnson Matthey。但同時這些化學材料廠內部也會有自己的數字創新團隊以及 AI4S 方面的研究。但由于發展的歷史路徑不同，化學材料廠的的固定盈利模式都不太利于從原本的偏實驗到偏 AI 的材料范式遷移的發生。

目前來看，不管是 big tech 還是傳統的化學材料制造巨頭都對 AI4S 非常感興趣，也都花了非常多的金錢投入。但兩邊還是有一定的知識差，這需要花不少的時間去磨合，達成一致。

段辰儒：皓鈞主要是從 big tech 角度說的，我從傳統的材料化學制造業來聊聊。例如傳統的材料化學制造業巨頭：BASF，DOW，3M 等，他們正在努力將 AI 技術結合到其已有的工業生產技術上。從前端的材料的 R&D 產業到中游的生產反應條件優化。他們一般目前叫「數字化創新」（Digital Innovation），這個事情在產業內是達成共識的。具體投資情況，僅陶氏化學內部投入 Digital Innovation 去年是 4 億美元，今年是 5.7 億美元，明年會更多。除此之外，另外一個更重要的外部目標 2050 Carbon neutrality 的目標，優化和提升現有生產過程中的原料利用率和生產效率極為重要，尤其在目標開始初始階段。

科技巨頭和傳統制造業巨頭雙方其實對 AI4S 都達成了一致，但是雙方的出發點有不一樣。這個事情就像自上而下（top down） 和自下而上（bottom up）的區別。舉個例子，Microsoft 和 Google 它原本不是做這個行業的傳統出身，那他們更傾向于從一個 top down 出發，從一個更高角度來提出一些模型來解決這個問題。這些傳統的行業，可能是先優化現在的東西，例如材料配方或者反應條件，從 bottom up 來做。傳統行業大規模用 AI4S 角度來做一些事情會很困難，因為其原本的研發路徑和龐大的產業結構拖慢其 AI 變革的速度，船大掉頭難。

ScienceAI：提到 AI 賦能企業科學研究，其中 AI 制藥似乎占比最多？「AI+化學/材料」的產業落地更難嗎？

賈皓鈞：目前我個人感覺，就落地上來說，AI+化學/材料相對來說是容易的。其實我們組畢業的師兄師姐很多去了大藥廠，而且劍橋就是生物醫藥的中心，其實我最早也考慮過做制藥，但為什么沒有做？

首先，藥物從一個新化合物從最初的發現到申請上市，大約需要經過 15 年的時間。這個里面時間上最大的瓶頸是 clinical trail 的時間，而不是找藥物分子的這個過程。但材料/化學發現，雖然也有后期的工程放大，但是目前核心的瓶頸還是找到一個合適的材料或者說是合適的配方。

另外，對于篩選的技術角度來說，一個核心的目標是從一個大的目標數據集，縮小到小的數據集，無論是小分子相互作用還是蛋白-蛋白相互作用，即使找到了合適的特定靶向藥物，在人體復雜的環境中，也很難保證不進行其他的化學反應，藥物遞送本身就是一個很困難的問題。

最后，對于一個材料來說，能用不能用，從實驗室，小試，中試，大試測一遍就知道。所以從這個角度來說，材料就更容易一些，也更能解決行業內的痛點。

段辰儒：我覺得這需要結合具體的情況和產業鏈，從工業的角度上來說，AI+化學/材料的優勢是工業上擴大生產的能力比較成熟和標準化，尤其是國內化學化工產業的擴大生產能力其實非常強。我們主要的瓶頸反而是一開始怎么樣能夠發現一個更好的催化材料。在化學材料領域現在比較難的那部分是一開始的創新，而在藥物領域其實有點相反，是最后面的臨床試驗、FDA 批準更加困難。所以，從邏輯上來講，把 AI4S 應用在化學材料上做產業化反而會相對更加合理一些。

ScienceAI：從「基礎科學研究」走向「工業落地」似乎一直是個難題，在 AI 助力的下，如何更好地加速產業落地？

段辰儒：落地的確是非常難的問題，因為單一模型的絕對領先既不是「工業落地」的充分條件，也不是必要條件。AlphaFold 作為 AI4S 領域最有代表性的工作之一，已經慢慢被應用在一些藥物研發過程中。大家最近發現，雖然AlphaFold 可以產生非常好的蛋白質結構，但在 docking（即蛋白質和小分子藥物的結合結構）預測上不盡如人意。很多人覺得這個結果出乎意料，而我覺得蠻正常的—— 因為 AlphaFold 在設計時就沒有考慮到 docking。我們科學研究中遇到的問題，首先它是一個簡化的問題，二它是一個局部的問題。簡化的問題是指我們把問題簡單化，做了一些近似。局部的問題，是指我們把一個非常長的產業鏈掏出來一部分，做一個問題。那在這種情況下，即使我們做的模型的準確率是 100%，也是沒有辦法「落地」的，因為它「既近似又片面」。

所以我覺得「落地」的難點，更多是對工業場景的了解和整合。比如，我們怎么樣從 AI 的角度出發，把這些模型用到工業界當中，不斷測試迭代，在工業界中形成一個比較好的工作流來切實解決問題。這其實是用更加發展的眼光看問題，相比于用 AI 的方法解決一個具體的問題，我們更需要以 AI 的角度持續思考和改進已有的工作流，即同時改進 AI 模型和問題本身。尤其是在現在這種開源的大背景之下，單一模型上的領先并不能給出非常大的壁壘。ChatGPT 一開始剛出來的時候，是「吊打」其他所有大模型的存在。但是經過一年的時間，在開源環境的不斷促進下，大家和 ChatGPT 的差距也越來越小。所以，我覺得在「落地」角度，我們不應該只追求單一模型的準確，更多考慮如何根據實際問題研發出來有效的工作流，把不同的模型串聯起來，并且與工業界緊密結合，不斷迭代。

賈皓鈞：從 「基礎科學研究'」走向 「工業落地」一直都是一個復雜的挑戰。首先，我們需要明確，基礎科學研究的目標就不是直接為工業應用提供解決方案。舉個例子，在科技發展的標度上，成熟工業可能處于 100 的級別，而基礎科學研究則是從 0 到 1 或 0 到 0.1 的過程。這種研究通常發生在學?；蚩蒲性核也⒉皇敲總€項目都能取得成功，也并不是每一個研究方向都會立即產生工業應用。

但這并不意味著所有的基礎科學成果都無法轉化為工業應用，因為在高?；蜓芯繖C構中，盡管大部分研究是從 0 到 0.1 或者 0 到 1 的過程，但一旦某項成果成功，它可能會對特定行業產生深遠的影響。這種情況在國內可能受到中國和美國產業發展階段的不同的影響。在美國，很多 0.1 到 100 的發展和 1 到 100 的發展都由初創公司推動，而國內也正在逐漸發展 「產學研」模式。 

段辰儒：我心目中的科學工作者的理想是做兩件事情。第一個是了解物質世界，這是比較基礎的學科（物理、化學等）會做的事情，相當于探索世界的底層運行規律。第二個是改造世界，那改造世界其實更偏向于我們剛說的「落地」，可能是工程系做的事情。AI4S 是可以兩者都具備的，它既可以幫助一些底層規律的發現（即 Science of AI），也可以用在更加偏應用的方面，來幫助我們更好的改造世界。

ScienceAI：在 AI4S 新的科研范式下，對于傳統化學/材料學科的研究者，從原來的舒適圈轉向交叉研究過程會遇到什么困難，如何去解決它？給我們打算即將進入交叉領域研究的后輩有什么建議？

賈皓鈞：任何人都不可能做到全才，能把一件事情做到很好就已經非常了不起了。從更廣的角度來說，衡量我們能不能做到一件事情通常只用考慮三個維度。首先你有沒有能力來做這件事情？以轉專業為例，假如從人文類學科想轉到物理或者化學相對就比較難，你可能要在短期內大量學習各種新知識，同時面對很高的壓力。第二個維度是你是否對這東西感興趣。以讀博來講，那你是不是至少五年的讀博期間有足夠的興趣來支撐。第三個維度就是這個東西未來有沒有前景。所以我們追求的事情就是這三個事情的交集，可以從這三個維度分別想。

段辰儒：AI4S 并不是讓大家把兩門學科學的一樣好，達到 5:5 的狀態。即使達到 5:5 的水平，但缺乏思考以及沒有足夠多的上手經驗依然很難有關鍵成就。我個人認為比較理想的是 3:7 或者 2:8 的狀態。AI4S 的生態非常開放，有很多開源的代碼庫和開源工具大家可以去運用，同時也鼓勵不同思想的碰撞。關鍵還是大家要有自己真正擅長的領域，之后主動去交流，其實并不用愁找不到互補的合作者。比如之前說的生成式 AI 做化學反應的工作，就是在一位有擴散模型經驗的計算系小伙伴的幫助下合作的結果。

作為傳統化學研究者，其實只需要花自己平時 20% 的時間去學習一些 AI 相關的知識，保證在和計算系的伙伴交流的時候，能夠聽懂對方的語言就已經足夠了。這也是我們持續組織 AI4S workshop 的原因：提供一個交流的平臺，讓不同領域的人有機會都參加討論自己的想法，壯大 AI4S 社區。