中国科学智能（AI for Science，AI4S）的方法分野，正在具体的科学任务中展开：天气模型要解决多步演化的误差，分子模型要把三维结构变成可迁移表征，原子模拟要协调势函数精度与探索效率，机器人实验室则要把推理接入可执行流程。沿着这些问题，本文选取12个以代表性论文、公开模型或开源框架为依据的大陆研究节点，比较它们改变了计算链条的哪一环，以及这些改变怎样转化为新的研究能力。
本文用代表性方法论文、公开模型与开源框架作为“头部”的技术判据，沿高校研究单元、科研平台与社区、企业、个人四个层级观察这些工作。横向比较围绕三个问题展开：输入了什么科学信息，模型学习什么关系，输出怎样进入下一步研究。
总览：12 个节点分别改进了什么
| 对象 | 类型 | 科学域 | 方法范式 | 代表成果与年份 |
|---|---|---|---|---|
| 华为云 | 企业 | 全球天气预报 | 三维网络、分层时间聚合 | Pangu-Weather，2023 |
| 复旦大学伏羲团队 | 机构·高校 | 全球天气预报 | 面向不同预报时效的模型级联 | FuXi，2023 |
| 上海人工智能实验室风乌团队 | 组织·科研平台 | 全球天气预报 | 多模态多任务学习、预测回放 | FengWu，2023 年预印本、2025 年期刊版 |
| 董彬及合作者 | 个人 | 演化方程与科学计算 | 受约束的可学习微分算子 | PDE-Net，2018 |
| 深势科技 | 企业 | 分子性质与结合构象 | 三维分子和口袋预训练 | Uni-Mol，2023 年会议论文 |
| 百图生科 | 企业 | 单细胞转录组 | 非对称编解码、测序深度感知预训练 | scFoundation，2024 |
| 清华大学智能产业研究院参与的抗体设计合作 | 机构·高校 | 抗体设计 | 条件扩散、序列与结构联合生成 | DiffAb，2022 |
| 北京科学智能研究院及合作团队 | 组织·科研平台 | 分子与材料模拟 | 多任务原子势预训练、微调与蒸馏 | DPA-2，2024 年期刊论文 |
| DeepModeling 大陆协作节点 | 组织·开源社区 | 原子尺度模拟 | 探索—标注—训练的并发学习 | DP-GEN，2020 年期刊论文 |
| 刘智攀及合作者 | 个人 | 催化与材料结构搜索 | 全局神经网络势、随机势能面行走 | LASP，2018 年发布 |
| 王涵及合作者 | 个人 | 分子构象与自由能 | 不确定度驱动的增强采样 | 强化动力学，2018 |
| 中国科学技术大学机器人化学家团队 | 机构·高校 | 化学合成与材料优化 | 大语言模型、多智能体、实验自动化 | ChemAgents，2025 |
一、预测系统演化：空间结构与时间推进怎样进入网络
天气预报把一个共同问题放大了：模型既要处理高维空间状态，又要把自己的预测继续作为输入。盘古、伏羲与风乌分别在空间先验、预报时效分工和变量耦合上作出设计；PDE-Net 则进一步把演化方程的识别纳入学习目标。这些选择决定了模型究竟学习一个状态转换器，还是同时学习转换背后的结构。
华为云｜企业；科学域：全球天气预报。 盘古气象以网格化的大气和地表状态为输入，输出未来天气场；三维注意力网络编码垂直结构与地球空间信息，分层时间聚合则组合不同时长的预测，减少多步推进中的误差积累。代表成果 Pangu-Weather 发表于《Nature》（2023）。**方法判断：**它把空间先验与多时间尺度推进共同纳入了数据驱动的全球预报方案。论文[1]
复旦大学伏羲团队｜机构；科学域：全球天气预报。 FuXi 输入相邻两个时刻的气象场，预测后续状态；其关键设计是针对0—5天、5—10天和10—15天三个时效区间分别微调模型，再将它们级联，形成15天预报。代表论文发表于《npj Climate and Atmospheric Science》（2023）。**方法判断：**它把长程预测中的时效差异变成模型分工，为控制滚动误差提供了可复用的系统设计。论文[3]
上海人工智能实验室风乌团队｜组织；科学域：全球天气预报。 FengWu 将不同气象变量作为不同模态分别编码，经跨模态注意力融合后输出未来状态；训练中用不确定性损失平衡任务，并引入预测回放机制改善长时效学习。代表成果于2023年公开预印本，2025年形成期刊论文，由上海人工智能实验室与多家高校、气象机构合作完成。**方法判断：**它将变量之间的耦合和模型自身预测产生的输入分布，一并纳入预报器设计。作者论文[4]
董彬及合作者｜个人；科学域：演化方程与科学计算。 PDE-Net 输入系统的时空观测，通过受约束的卷积滤波器学习微分算子，并学习未知的非线性响应，输出后续状态及用于识别偏微分方程（PDE）的模型结构。代表成果发表于国际机器学习大会（ICML，2018），合作作者包括龙子超、陆一平、马宪忠和北京大学的董彬。**方法判断：**它把数值离散的结构带入网络，使预测和方程发现能够在同一框架中推进。论文[5]
这四项工作提示了两种不同的研究目标。盘古、伏羲和风乌主要改进从当前场到未来场的映射：怎样编码空间，怎样组织变量，怎样安排推进步长。PDE-Net 同时追问演化规则的结构。研究者选择路线时，可以先明确所需产物是未来状态、可识别的演化关系，还是二者协同，再决定把哪些科学结构放进模型。
二、从预训练表征到条件生成：科学对象决定架构
预训练能否帮助科学研究，首先取决于模型接收到什么信息。分子的空间几何、细胞的表达矩阵、抗体与抗原的接触环境，对应不同的输入结构与学习目标。Uni-Mol、scFoundation 和 DiffAb 的方法价值，正落在这些设计差异上。
深势科技｜企业；科学域：分子性质与蛋白—配体结合构象。 Uni-Mol 对分子和蛋白口袋分别进行三维预训练，以原子类型及空间坐标学习表征，再通过微调输出性质、分子构象或结合姿态。代表成果为国际学习表征会议（ICLR，2023）的 Uni-Mol，合作署名包括深势科技、中国人民大学和北京科学智能研究院。**方法判断：**它把三维几何变成可迁移的学习对象，使同一预训练框架能够服务性质预测与空间任务。官方仓库与论文入口[7]
百图生科｜企业；科学域：单细胞转录组。 与清华大学等合作的 scFoundation 以基因表达数据为输入，用非对称编解码架构与测序深度感知的预训练任务学习细胞和基因表征，再接入细胞类型、药物反应或扰动预测任务。代表论文发表于《Nature Methods》（2024），模型含约一亿参数，预训练使用超过五千万个人类单细胞转录组。**方法判断：**它将表达数据的稀疏性与测量深度差异纳入模型设计，为多个下游问题提供共同表征。论文[8]；官方代码[9]
清华大学智能产业研究院（AIR）参与的抗体设计合作｜机构；科学域：抗体设计。 DiffAb 由清华大学 AIR、Helixon 等合作方共同完成。模型以抗原及抗体的结构环境为条件，通过扩散生成与等变网络，联合输出抗体互补决定区（CDR）的氨基酸序列和三维结构。代表成果发表于神经信息处理系统大会（NeurIPS，2022）。**方法判断：**它把给定抗原环境下的序列—结构协同设计写成条件生成任务，推进了模型直接提出候选结构的能力。论文[11]；作者代码[12]
三者可以放在一条任务链上理解：Uni-Mol 学习分子几何的可迁移表示，scFoundation 学习表达背景中的细胞与基因关系，DiffAb 则把结构环境用于约束候选生成。要复用这些方法，值得优先比较的是训练目标与最终科学问题之间的连接：下游需要一个表征、一个性质读数，还是一组能够进入筛选的候选对象。
三、从势函数到探索策略：把昂贵标签用在关键构型
在原子模拟中，模型要把元素与原子构型映射为能量和力，并支撑后续分子动力学（MD）或结构搜索。这里同时存在三个问题：已有数据怎样共同训练，新标签怎样选择，搜索怎样到达有科学价值的结构。DPA-2、DP-GEN 与 LASP 分别提供了不同层次的回答。
北京科学智能研究院及合作团队｜组织；科学域：分子与材料模拟。 DPA-2 输入原子种类与构型，输出能量和力；它用共享描述符学习不同体系的共同结构，同时为不同密度泛函理论（DFT）标注任务保留各自的拟合网络，再经下游微调与知识蒸馏进入模拟。代表论文发表于《npj Computational Materials》（2024），由北京科学智能研究院、深势科技、北京应用物理与计算数学研究所等合作完成。**方法判断：**它把异质计算数据的协同训练，以及从预训练到高效部署的流程，纳入了原子势建模。期刊论文[15]；作者全文[14]
DeepModeling 大陆协作节点｜组织；科学域：原子尺度模拟。 社区的 DP-GEN 把势函数训练组织为探索、标注、再训练的循环：从已有模型出发生成构型，以多个模型的预测分歧选择补标对象，调用第一性原理计算后更新模型。代表软件论文发表于《Computer Physics Communications》（2020），平台连接了模拟、电子结构计算与训练工具。**方法判断：**它把训练数据的产生变成可迭代、可调度的工作流，为主动学习进入科学计算提供了公共基础设施。论文[16]；项目文档[17]
刘智攀及合作者｜个人；科学域：催化与材料结构搜索。 复旦大学团队的 LASP 将全局神经网络势与随机势能面行走（SSW）结合，从原子构型出发计算能量并探索新结构、反应路径；其扩展工具还把微观动力学引导接入路径搜索。代表平台于2018年发布，2024年的方法论文系统介绍了相关架构与工具。**方法判断：**它将势函数训练与面向反应、结构的全局搜索共同设计，推进了从局部构型计算走向未知势能面探索的能力。方法介绍与论文出处[20]；课题组[21]
这三条路线分别处理知识迁移、标签分配和探索路径。DPA-2 让不同来源的计算数据共同贡献表示；DP-GEN 决定下一批昂贵标注投入何处；LASP 将势模型嵌入全局结构与反应搜索。对一个新材料问题，研究方案可以据此分层：先确定可迁移的模型基础，再安排补充数据的策略，最后设计搜索与性质评价之间的连接。
四、让模型选择下一步：从自由能采样到实验自动化
把单次计算加速之后，下一项问题是怎样获得新的有效信息。分子模拟需要跨越能垒，化学实验需要在设备与流程中实施下一轮方案。强化动力学与 ChemAgents 展示了两种尺度不同的闭环：前者调整计算采样，后者协调知识、计算工具和机器人动作。
王涵及合作者｜个人；科学域：分子构象与自由能计算。 王涵与张林峰、鄂维南提出的强化动力学，以集体变量（CV）及采样得到的平均力训练神经网络，构建自由能模型和自适应偏置；模型间的预测分歧用于引导补充采样，再更新自由能估计。代表论文发表于《The Journal of Chemical Physics》（2018）。王涵的大陆研究单位为北京应用物理与计算数学研究所。**方法判断：**它让不确定度参与数据收集与偏置控制，使自由能建模和跨能垒探索能够相互更新。作者论文[22]
中国科学技术大学机器人化学家团队｜机构；科学域：化学合成与材料优化。 ChemAgents 将研究任务交给层级多智能体系统，由任务管理者协调文献阅读、实验设计、计算执行和机器人操作，并调用文献库、流程库、模型库与自动化实验设备。代表论文发表于《Journal of the American Chemical Society》（2025），展示了合成表征、参数筛选、功能材料优化及光催化有机反应等任务。**方法判断：**它将大语言模型（LLM）的任务组织能力接入可执行的实验流程，推进了自驱动实验室（SDL）中的工具调用与反馈协调。论文摘要[24]；研究机构介绍[25]
两种闭环的共同价值，是把新增数据的产生纳入方法设计。强化动力学选择下一批计算采样位置，ChemAgents 组织下一轮实验动作。研究流程中的提议、执行与观测由此建立联系，下一步可以根据新获得的信息调整。闭环的技术含量，体现在选择动作的依据，以及反馈怎样真正改变后续决策。
观察与缺口：下一步应补强哪些衔接
从上述工作呈现的方法链条看，我认为国内值得继续补强的环节，首先是科学数据的可组合性。DPA-2 为不同计算条件保留任务差异，scFoundation 把测序深度放进学习目标，都说明数据怎样产生会直接进入模型设计。面向后续研究，数据集应把生成条件、标签定义、处理流程和失败结果一起组织起来，使新增数据能够被已有模型和工作流持续利用。
第二处衔接是算力预算与科学目标。DPA-2 将蒸馏用于降低下游模拟成本，DP-GEN 将昂贵计算集中到补标环节，展示了两种不同的资源分配思路。科研团队更有价值的比较单位，可以是达到目标误差所需的整条流程成本：预训练与微调消耗、补充标签的成本、推断调用次数，以及实验执行时间。这样的预算能把模型结构的选择与具体研究收益联系起来。
第三处是从局部模型通向多尺度科学问题。LASP 将微观动力学引入路径搜索，是连接原子过程与反应行为的一种做法。下一步值得推进的方向，是让原子势、反应网络、连续介质模型和实验可观测量之间形成明确接口，并沿着接口传播误差。由此，评价对象也可以从某个中间预测量，推进到研究真正关心的结构、速率或材料性能。
评价体系则需要覆盖整个决策过程。我更看重三类研究设计：按时间或科学对象划分的外推评价，在相同计算与实验预算下比较完整流程，以及跨实验环境记录成功、失败和恢复过程。对大模型与工具调用，关键观测量可以进一步落到动作是否完成、反馈是否被利用、科学目标是否改善。国内这些方法节点能否形成更强的研究能力，将取决于接口、数据回流和评价能否共同建设。