正如張林峰所言，基礎研究到應用落地的周期縮短，這與機器學習模擬上億原子這類重大科學突破密不可分。底層科技突破的意義，就在於可以催生出一系列新的創新。
比如，藥物研發難度大、投入高、風險大、周期長。張林峰以藥物研發舉例說，要破解其中的核心瓶頸，就需要進一步求解物理方程和分析大量數據的能力。受益於技術紅利，結合AI、物理模擬、仿真等一系列技術，能夠讓藥物從立項到臨床前的整個研發流程大大縮短。
這項能力是AI的這一波進展帶來的。在藥物、材料研發等更廣泛的領域，印證了張林峰談到的“從基礎研究到落地應用只需三五年時間”。
AI大模型的工業應用前景
近期，火熱的ChatGPT引發業內人士思考。事實上，超強算力、大模型技術並不新鮮，但能將這些技術發揮到極致，讓人覺得產品有用卻並不容易。
在張林峰看來，ChatGPT的產品形式非常巧妙，它在開發之初就在思考這種產品怎麼才能被用起來、以怎樣的技術形式規模化落地。“從原始創新一直到產品，到大規模落地，這麼大規模的一個原始技術突破的過程中，能夠做到這麼高的效率，其實非常值得大家思考。”
預訓練模型是推動AI應用的重要基礎設施，也是全球科技巨頭競相角逐的焦點。
與ChatGPT專注自然語言處理不同，去年年底，深勢科技、北京科學智能研究院（AISI）以及項目合作者，聯合發布了首個覆蓋元素周期表近70種元素的深度勢能原子間勢函數預訓練模型“DPA－1”。這一創新成果在模型覆蓋範圍、通用性、計算精度以及未來的AI生成等方面實現新突破，被視為AI for Science走向大規模應用的重要里程碑。
用過“DPA－1”的開發者們會發現，它就像是自然科學領域的GPT。根據需求，“DPA－1”像萬物之手一樣，能生成需要的物質組分和結構。它為什麼能夠做到呢？
|
