作者 | MIT 贾皓钧&段辰儒博士
编辑 | 凯霞
大家可能从小就听说过爱迪生尝试上千种资料作为灯丝，凭着不断试错法子以及永不言弃的精神，最后研发出日用白炽灯的故事——天才靠的是百分之一的灵感和百分之九十九的汗水。
然而，随着科学的进步和现代社会的发展，新型资料的研发变得愈发复杂。现在，研讨者经常需要在上百万大小的资料空间同时优化数十个不同的本质，以寻找适用于电池、半导体、催化剂和合金等规模的新资料。如果说爱迪生需要 99% 的汗水，那现在研讨者可能需要 99.99% 的汗水。
而新型资料的研发历程就有点像人们去「沙滩」上捡「贝壳」，在「沙滩」表面好找的贝壳在大家不断发掘下已经被拾的差不多了，更漂亮的「贝壳」却还埋在在更深的「沙滩」下面。这些「贝壳」可能用保守的法子很难发掘，但 AI for Science（简称 AI4S）为我们带来了新的可能。
Microsoft Azure Quantum 研讨科学家、麻省理工学院（MIT）段辰儒博士在吸光团簇的研发方面遇到了和「爱迪生类似的难题」——寻找吸收长波可见光并且激发态稳定的过渡金属吸光团簇。吸光团簇的发觉在现阶段有两大难点，首先其设计空间有三千万个份子，比爱迪生当年大的多。此外，长波可见光吸收与稳定激发态是化学上接近互斥的两个本质，增加了索求难度。
段博士首先使用了「爱迪生式」的随机采样，尝试了两千个份子，发觉无一同时满足这两种本质。继续类似索求带来的希望非常有限。于是，段博士带着 AI4S 的角度重新审视了这个课题：在这两千个份子的数据下建立了机器学习模型来快速猜测份子的吸收波长和激发态时长；同时，使用主动学习与贝叶斯优化引导索求这硕大资料空间。在新的索求方式之下，模型找到目标份子的概率随着索求过程的进行迅速增长。达到在五百个份子后，每尝试五个份子，就可以找到一个吸收长波可见光并且激发态时间长的过渡金属吸光团簇。保守估计，这种法子的改进带来了将近 1000 倍的加速，相当于将原本三年的研发周期缩短到了一天！段博士的工作也于近期作为封面文章发表在 JACS Au。
论文链接：Duan et al., https://doi.org/10.1021/jacsau.2c00547
在 AI 快速发展的时代。作为个人，应该怎么样把这些技术与我们规模知识结合在一起？AI4S 当前研讨进展处于什么阶段？AI4S 前景如何？我们一起看看专注于「AI+化学/资料」规模的研讨者贾皓钧博士和段辰儒博士，怎么看待 AI4S。以及两位在 AI4S 规模的相关索求研讨。
贾皓钧（左）和段辰儒（右）
ScienceAI：两位能介绍一下自己吗？
段辰儒：我目前在 Microsoft Azure Quantum 做研讨科学家，主要研讨生成式 AI 和大模型在化学方面的使用，和微软 AI4S 研讨的产品化。两年前在 MIT 获得化学博士学位，博士期间主要做 AI4Chemistry 的研讨，开创了 AI 决策模型在高通量估计中的整合，使得 AI+估计更好的服务于化学和资料发觉。工作之余，我也一直参与组织在机器学习会议上的 AI4S workshop（https://ai4sciencecommunity.github.io/neurips23.html） 系列，推动社区发展。
贾皓钧：我目前在 MIT 化学系和化工系博士第五年，博士期间师从 AI 助力化学设计领军人物 Heather Kulik，主要研讨方向是结合高通量量子化学和人工智能来帮助发觉用于碳中和的新型催化资料。我之前也曾在陶氏化学核心研发部门进行研发工作，致力于使用 AI 来研发催化剂配方以及猜测化学反应的路径。除了科研方面，我之前也担任过麻省理工学院中国学生学者联合会（MIT CSSA）2022-2023 主席。
ScienceAI：我们了解到两位之前本科都毕业于物理系，能给我们讲一下从本科到现在的这段科研和工作经历吗？因何与 AI 结缘的？
贾皓钧：我本科是学物理的，在上学期间研讨对照广泛，主要做过二维资料，电池，超导，合金的第一性原理估计模拟。而那时 PyTorch 和 TensorFlow 还没流行，但大量的数据也让我意识到资料挑选的重要性，这也因此打下了我与 AI 结缘的伏笔。后来到美国之后，发觉结合 AI 算法可以大规模的来进行高通量挑选和猜测。之前几个模拟等很多天出的结果，现在结合 AI 算法可以进行million 资料数量级别的高通量挑选和猜测。从我迈入科研的大门到如今短短十年时间，估计模拟已经不再是单纯的验证实验，而是真实使用到工业界。AI4S 的范式是一个真实在发生的事，有很大的市场潜力。
至于为什么转向偏化学，是因为后来我发觉物理离现实稍微有点远。我当时做学术的一个大的目标是想「做出的成果既能上得了书架，也能上得了货架」。我更想做一些偏实际的东西，所以本科也在约翰霍普金斯大学化学系待过，做一些气相表面化学的实验研讨。本来那个时候是第一次接触化学，但发觉了很多有意思的地方。例如，物理多数情况关注现象本身，即宇宙本身的规律。化学更多关注的是过程和改变，是我们可以进行人为调控的。在这之中，我们能找到一些真正有价值的东西。这也是我从物理专业转向化学的原因。
段辰儒：我跟皓钧的经历对照相像，我本科做的是理论凝聚态，研讨有趣的量子相变等现象。尽管这些研讨规模引人入胜，但与实际使用之间存在一定距离。在这过程中，我慢慢意识到相比于索求世界底层的物理规律，我更加享受使用物理规律改造这个世界。于是在攻读博士学位时，我渴望朝着更接近使用的方向发展。来到 MIT 之后也跟很多老师交谈，其中与我导师聊天时，有一个点非常吸引我，她提到组里一名学生一篇文章产生的数据量比她来 MIT 之前整整 8 年的研讨总和还多。这让我在 2017 年就意识到了估计化学规模的发展速度迅猛。
我开始阅读与研讨相关的几篇论文，并发觉尽管估计化学的估计能力和通量不断增加，但整个估计流程，即如何整合各种估计，尚未得到充分的发展。因此，我猜想将 AI 融入高通量估计体系，构建更优秀的工作流会是学术方面的一个增长点。2017 年，我在 MIT 开始自己的博士生涯。虽然当时还没有 AI4S 的概念，但我已经认识到高通量估计和人工智能相结合的潜力巨大，以及它可能对各学科带来范式的变革。于是我就坚定的选择了这个规模，实现了从物理到化学及工程使用方向的转变。
ScienceAI：两位博士目前都专注于「AI+化学/资料」估计规模的研讨，能给我们讲一下 AI 如何助力估计化学吗
贾皓钧：量子化学是通过第一性原理估计模拟资料的本质，具体的思路是：先固定原子位置解薛定谔方程，得到资料的电子结构，然后基于电子结构获得这个资料的本质，例如：电子能量、力学本质和结构本质等等。第一步解薛定谔方程是估计量极大的量子多体课题，它的估计量随着模拟的原子数指数增加，也是目前最难解决的，甚至可以说是从头算模拟规模的「卡脖子」课题。薛定谔方程的复杂性使其难以求解。但随着 AI 技术的发展，我们可以通过元素的內禀属性（原子半径、电负性、价电子等等）、资料的键长键角等等，「绕过」薛定谔方程多体课题，直接猜测资料的本质。有两种主要思路：
通过 AI 猜测电子结构来获取资料本质：这一法子的优点在于其物理基础，即从电子结构到本质的转化是清晰的，没有黑箱。然而，挑战在于处理资料的波函数，它涉及到大量的矩阵，并且受到电子数量的限制，这限制了模拟的规模。AI猜测波函数也很具挑战性。一种可行的法子是将资料的电子波函数投影到原子基组上，然后通过 AI 猜测投影系数。然而，这会引发物理和数学上的课题，如基组的完备性等，这些课题在将其使用于实际系统时会带来技术挑战。
通过 AI 猜测资料本质而不考虑电子结构：这种法子的优势在于完全规避了多体课题，理论上可以用于处理大型体系。然而，这种法子高度依赖于大量的训练数据。相较之下，第一种法子可能有助于发觉新的物理机制。不过，第二种法子已广泛用于新资料的索求和设计，显著加速了资料研发周期。例如，结合高通量估计与 AI 来猜测本质，可以快速挑选出受关注的催化剂、电池、二维资料等。AI也能用于猜测原子受力，加速份子动力学模拟或结构搜索，从而提高资料模拟的规模和精度。
段辰儒：皓钧已经说了很多量子化学怎么样来帮助我们来算一些资料的本质。但本来还有一个课题：这么多量子化学法子，都会涉及到一些近似，那选取不同的近似就会给出不一样的结果。那怎么样来用 AI 帮助我们从怎么多估计法子中选择一个「最合适」的？或者怎么样能够利用多个「近似的结果」得到一个「更加准确的结果」？最近受抖音「用户—短视频」匹配逻辑的启发，我想到可以做「化学资料—估计法子」匹配。通过搭建「密度泛函推荐器」，我们首次将金属有机配合物的高通量估计的准确度逼近了实验测量的误差精度。这个文章也发表在了 Nature 大子刊 Nature Computational Science 上，并获得了 Nature 新闻评论的关注。我认为这些把 AI 决策模型融合进估计流程的想法是「抹平」估计和实验结果差距的关键。
论文链接：https://www.nature.com/articles/s43588-022-00384-0
ScienceAI：保守的化学/资料研讨方式是什么样的？有没有对照成熟的法子理论，资料数据库或者平台？
贾皓钧：保守的资料研讨法子是试错法，就像爱迪生试验灯丝一样，比如逐一替换元素。以前一段特别火的超导为例，La-Ba-Cu-O 超导体是最早的铜基超导体，获得了诺贝尔物理学奖，但是它只有 35 K 的超导，低于液氮温区，但是 Y替换 La 之后，Y-Ba-Cu-O 超导体的超导温度高于液氮温区，使得铜基超导体被广泛引用。保守的研讨方式就特别像以前的「手工作坊」，资料研发周期非常长，而且耗费的人力物力也是巨大的，并且存在偶然性。
随着估计机技术和量子力学理论的发展，基于密度泛函理论的资料猜测法子变得成熟。结合结构搜索算法和高通量估计，我们可以更有效地挑选候选资料，从而节约试错成本。从估计角度，多种元素排列组合和 230 种空间群，造成资料的相空间是极大的，在不改变第一性原理算的基础上，预先挑选资料是对照成熟的算法，如 CALYPSO、USPEX 和 AIRSS 等。近几年超导资料研讨的活跃与氢基超导体的发觉有关，H3S 在 150 GPa 下表现出了 203 K 的超导转变温度。然而这个重要的发觉是通过遗传算法指导，在高压实验获得的。此外，元素替代和密度泛函估计结合数据库也是一种有效的路径。著名的数据库有 material project，material cloud 等等。然而，保守法子仍受到多体课题的限制，估计成本仍然昂贵，而 AI 的出现提供了一种可能解决这个课题的途径，从根本上解决了多体课题，使资料研讨变得更高效。
段辰儒：我们科学索求的方式目前还是偏试错主导的。经常是一些偶然的不可控因素带来了一大波新发觉。本来整个 AI4S 的核心在于科学发觉的体系化。比如当我们产生了大量数据的时候，我们可以用这些数据来建 AI 模型，之后更加定向的索求这个空间，而不是去随机的索求。以及我们可以用一些生成式 AI，不去挑选整个空间，反而来生成一些新的份子和资料。这些法子论上的改变，最终会带来范式的迁移，使整个科学研讨更加体系化，平民化。这样，能够让更多的人以更加低的壁垒参与到科学研讨当中，加快科学发觉的迭代，提高科学研讨的成果转化率。
ScienceAI：AI4S 会使这种科学发展的「意外之喜」（偶然性）越来越少吗？
段辰儒：趋势是「意外之喜」会越来越少，「意料之喜」会越来越多，总体而言「喜大于忧」。在任何的优化中，行为模式都可以分为两类，一个的是利用已有的先验知识，来进行下一步的选择。比如，皓钧刚说的超导体中元素的同族元素替代。第二个是主动索求新的未曾索求过的资料体系，LK-99 的这类的尝试。这本来和我们去餐馆点菜很像。先验知识就像我们对吃过的菜的评价和印象，主动索求就像我们有时心血来潮点了商家的新品推荐。
优化理论中贝叶斯优化有很多讨论如何平衡这两种互补的行为来最大化索求的收益。那 AI4S 本来就是通过不断的改进，通过科研工具库里面的工具来调整这些平衡，导致我们最后的科研产出或者收益最大化，我们开头介绍的 「寻找吸收长波可见光并且激发态稳定的过渡金属吸光团簇」的工作就是一个典型的例子。它相当于你以「试错法」在饭店吃了 100 个菜，都又贵又难吃，在你快把这家餐厅拉黑的时候，发觉 AI4S 的优化法子可以精准帮你点到这家餐厅便宜又好吃的菜。
另外，随着生成式 AI 和扩散生成模型的发展，那我们的科研工具库里甚至有了主动生成意外的可能性。之前的研讨都是在一个大的资料库里去筛资料，这本来相当于自己限制了自己的想象空间。那生成式 AI 就会带来一些「意外之喜」，因为生成的资料很可能就不在原有的资料库里。这相当于饭店里的菜难吃不要紧，咱可以直接用 AI 生成新的菜单！这些模型本来已经被使用到了很多科学研讨中，比如生成一些能量对照稳定的份子，以及对于一个蛋白质和靶点生成小份子药物等等。
最近，我们做一个项目使生成式 AI 不拘泥于生成一个单一的结构，而是直接生成化学这门学科研讨的核心—全新的化学反应。我们戏称这个法子为现代「AI炼金术」哈哈，因为它背后的原理虽然有统计学理论的支撑，但在使用层面就像古代炼金术一样可以帮助我们直接索求完全未知的化学反应，生成符合统计分布的「意料之喜」。
ScienceAI：ChatGPT 已火爆全球，之后出来很多基础科研规模的「类 ChatGPT」，你们觉得当前科研规模的大模型研讨处于什么阶段？未来会有咋样的一个「科研 ChatGPT」？
段辰儒：之前有一本很火的书《Quantum Physics for Babies》（宝宝的量子物理学）。我觉得现在的状态就是 「Science GPT for Babies」。主要原因是 ChatGPT 是 2022 年底出来的，时间还很短，大家的惯性思考仍然停留在怎么样把 GPT 直接使用在原本的课题上。这导致目前在 Science 方面，大部分工作都是一些简单的GPT直接使用，或者做一些微调。但这个阶段很快就会过去。GPT 本身真正带来的潜力，是改变了人们与机器，以及不同的机器之间相互交互的方式。比如原本需要会写 Python，我才能做一些机器学习的东西。那我现在很多写代码的任务可以交给 GPT。或者为了做机器人，我可能需要会写 VB 这样的「古老代码」，因为那些芯片都是老的。那我现在可能只用自然语言也可以做这个交互。
未来，我觉得值得索求的方向是以 GPT 为核心，串联复杂的研发过程。以及在工业生产链条中，把它作为自然语言的接口，这样就可以降低人们学习各种复杂的软件、其他编程语言以及各种仪器之间的壁垒。另外两个对照有意思的方向，是（1）我们能不能把 GPT 这一套预训练的法子用在份子或者资料规模，来做一个资料大模型或者化学大模型，从而去降低或者减弱化学资料规模里获得实验数据对照昂贵的课题。（2）我们能不能转变资料设计的思维方式，从之前的挑选到我们现在用 GPT 这样的法子来生成一个新的资料。我觉得这两个方向上的索求都会比 GPT 直接的使用会更加令人兴奋一些。
贾皓钧：我稍微补充一点。首先 GPT 是大语言模型，如果你用 ChatGPT 频率高的话，就发觉它的准确性是相对对照差的。但是科学课题，尤其是化学资料这种定量学科，非常注重精确。第二个课题，就是大语言模型目前很难生成出超出人类认知边界的内容。但做科研，一般来说我们就是要拓宽人类认知边界，发觉新的现象和建立新的理论。第三个课题，做某一个垂直规模的大语言模型，比如资料、化学或物理之类的，能找到所有论文和公开数据库，一般都是已经做出来的东西，只有成功的案列，这个会导致训练集有很大的偏差。但我觉得之后各个规模，科研规模或学术规模，或某一个工业规模肯定会有垂直大模型出现。
ScienceAI：目前的 big tech（大型科技企业）对于 AI4S 有什么想法和行动？保守的资料化学制造业巨头是怎么看 AI4S？
贾皓钧：DeepMind 最早的 AlphaFold 算是 AI4S 出圈的一个产品。国外的tech 巨头都在 AI4S 投入非常多的真金白银，微软 2022 年开始专门成立了 AI4S 研讨院，Meta 的 Open Catalysts 和 ESMFold，以及 Nvidia 最近的BioNeMo。在国内的话，字节跳动也已经有 AI4S 部门，以及深势科技这种专一的平台初创企业。AI4S 可以做的东西很多，也对照受资本的青睐。两个多月前，Meta 刚把 ESMFold 整个团队解散，但这个团队的 8 个核心成员两周后又融资到 40 million 美元，开始做他们模型的使用。大厂的逻辑，是背靠自己的算力和云服务,做一个平台，旨在把 AI4S 中对照成熟的法子产品化，以一些 ToB 或 ToC 的服务提供给大家。
从这个角度来看，保守的化工巨头本来是这些big tech 平台的用户。比如在微软最新推出的产品 Azure Quantum Elements（https://quantum.microsoft.com/en-us/our-story/quantum-elements-overview），已经争取到了很多化学化工和资料的巨头，比如BASF，AspenTech ，Johnson Matthey。但同时这些化学资料厂内部也会有自己的数字创新团队以及 AI4S 方面的研讨。但由于发展的历史路径不同，化学资料厂的的固定盈利模式都不太利于从原本的偏实验到偏 AI 的资料范式迁移的发生。
目前来看，不管是 big tech 还是保守的化学资料制造巨头都对 AI4S 非常感兴趣，也都花了非常多的金钱投入。但两边还是有一定的知识差，这需要花不少的时间去磨合，达成一致。
段辰儒：皓钧主要是从 big tech 角度说的，我从保守的资料化学制造业来聊聊。例如保守的资料化学制造业巨头：BASF，DOW，3M 等，他们正在努力将 AI 技术结合到其已有的工业生产技术上。从前端的资料的 R&D 产业到中游的生产反应条件优化。他们一般目前叫「数字化创新」（Digital Innovation），这个事情在产业内是达成共识的。具体投资情况，仅陶氏化学内部投入 Digital Innovation 去年是 4 亿美元，今年是 5.7 亿美元，明年会更多。除此之外，另外一个更重要的外部目标 2050 Carbon neutrality 的目标，优化和提升现有生产过程中的原料利用率和生产效率极为重要，尤其在目标开始初始阶段。
科技巨头和保守制造业巨头双方本来对 AI4S 都达成了一致，但是双方的出发点有不一样。这个事情就像自上而下（top down） 和自下而上（bottom up）的区别。举个例子，Microsoft 和 Google 它原本不是做这个行业的保守出身，那他们更倾向于从一个 top down 出发，从一个更高角度来提出一些模型来解决这个课题。这些保守的行业，可能是先优化现在的东西，例如资料配方或者反应条件，从 bottom up 来做。保守行业大规模用 AI4S 角度来做一些事情会很困难，因为其原本的研发路径和庞大的产业结构拖慢其 AI 变革的速度，船大掉头难。
ScienceAI：提到 AI 赋能企业科学研讨，其中 AI 制药似乎占比最多？「AI+化学/资料」的产业落地更难吗？
贾皓钧：目前我个人感觉，就落地上来说，AI+化学/资料相对来说是容易的。本来我们组毕业的师兄师姐很多去了大药厂，而且剑桥就是生物医药的中心，本来我最早也考虑过做制药，但为什么没有做？
首先，药物从一个新化合物从最初的发觉到申请上市，大约需要经过 15 年的时间。这个里面时间上最大的瓶颈是 clinical trail 的时间，而不是找药物份子的这个过程。但资料/化学发觉，虽然也有后期的工程放大，但是目前核心的瓶颈还是找到一个合适的资料或者说是合适的配方。
另外，对于挑选的技术角度来说，一个核心的目标是从一个大的目标数据集，缩小到小的数据集，无论是小份子相互作用还是蛋白-蛋白相互作用，即使找到了合适的特定靶向药物，在人体复杂的环境中，也很难保证不进行其他的化学反应，药物递送本身就是一个很困难的课题。
最后，对于一个资料来说，能用不能用，从实验室，小试，中试，大试测一遍就知道。所以从这个角度来说，资料就更容易一些，也更能解决行业内的痛点。
段辰儒：我觉得这需要结合具体的情况和产业链，从工业的角度上来说，AI+化学/资料的优势是工业上扩大生产的能力对照成熟和标准化，尤其是国内化学化工产业的扩大生产能力本来非常强。我们主要的瓶颈反而是一开始怎么样能够发觉一个更好的催化资料。在化学资料规模现在对照难的那部分是一开始的创新，而在药物规模本来有点相反，是最后面的临床试验、FDA 批准更加困难。所以，从逻辑上来讲，把 AI4S 使用在化学资料上做产业化反而会相对更加合理一些。
ScienceAI：从「基础科学研讨」走向「工业落地」似乎一直是个难题，在 AI 助力的下，如何更好地加速产业落地？
段辰儒：落地的确是非常难的课题，因为单一模型的绝对领先既不是「工业落地」的充分条件，也不是必要条件。AlphaFold 作为 AI4S 规模最有代表性的工作之一，已经慢慢被使用在一些药物研发过程中。大家最近发觉，虽然AlphaFold 可以产生非常好的蛋白质结构，但在 docking（即蛋白质和小份子药物的结合结构）猜测上不尽如人意。很多人觉得这个结果出乎意料，而我觉得蛮正常的—— 因为 AlphaFold 在设计时就没有考虑到 docking。我们科学研讨中遇到的课题，首先它是一个简化的课题，二它是一个局部的课题。简化的课题是指我们把课题简单化，做了一些近似。局部的课题，是指我们把一个非常长的产业链掏出来一部分，做一个课题。那在这种情况下，即使我们做的模型的准确率是 100%，也是没有办法「落地」的，因为它「既近似又片面」。
所以我觉得「落地」的难点，更多是对工业场景的了解和整合。比如，我们怎么样从 AI 的角度出发，把这些模型用到工业界当中，不断测试迭代，在工业界中形成一个对照好的工作流来切实解决课题。这本来是用更加发展的眼光看课题，相比于用 AI 的法子解决一个具体的课题，我们更需要以 AI 的角度持续思考和改进已有的工作流，即同时改进 AI 模型和课题本身。尤其是在现在这种开源的大背景之下，单一模型上的领先并不能给出非常大的壁垒。ChatGPT 一开始刚出来的时候，是「吊打」其他所有大模型的存在。但是经过一年的时间，在开源环境的不断促进下，大家和 ChatGPT 的差距也越来越小。所以，我觉得在「落地」角度，我们不应该只追求单一模型的准确，更多考虑如何根据实际课题研发出来有效的工作流，把不同的模型串联起来，并且与工业界紧密结合，不断迭代。
贾皓钧：从 「基础科学研讨’」走向 「工业落地」一直都是一个复杂的挑战。首先，我们需要明确，基础科学研讨的目标就不是直接为工业使用提供解决方案。举个例子，在科技发展的标度上，成熟工业可能处于 100 的级别，而基础科学研讨则是从 0 到 1 或 0 到 0.1 的过程。这种研讨通常发生在学校或科研院所，且并不是每个项目都能取得成功，也并不是每一个研讨方向都会立即产生工业使用。
但这并不意味着所有的基础科学成果都无法转化为工业使用，因为在高校或研讨机构中，尽管大部分研讨是从 0 到 0.1 或者 0 到 1 的过程，但一旦某项成果成功，它可能会对特定行业产生深远的影响。这种情况在国内可能受到中美产业发展阶段的不同的影响。在美国，很多 0.1 到 100 的发展和 1 到 100 的发展都由初创公司推动，而国内也正在逐渐发展 「产学研」模式。
段辰儒：我心目中的科学工作者的理想是做两件事情。第一个是了解物质世界，这是对照基础的学科（物理、化学等）会做的事情，相当于索求世界的底层运行规律。第二个是改造世界，那改造世界本来更偏向于我们刚说的「落地」，可能是工程系做的事情。AI4S 是可以两者都具备的，它既可以帮助一些底层规律的发觉（即 Science of AI），也可以用在更加偏使用的方面，来帮助我们更好的改造世界。
ScienceAI：在 AI4S 新的科研范式下，对于保守化学/资料学科的研讨者，从原来的舒适圈转向交叉研讨过程会遇到什么困难，如何去解决它？给我们打算即将进入交叉规模研讨的后辈有什么建议？
贾皓钧：任何人都不可能做到全才，能把一件事情做到很好就已经非常了不起了。从更广的角度来说，衡量我们能不能做到一件事情通常只用考虑三个维度。首先你有没有能力来做这件事情？以转专业为例，假如从人文类学科想转到物理或者化学相对就对照难，你可能要在短期内大量学习各种新知识，同时面对很高的压力。第二个维度是你是否对这东西感兴趣。以读博来讲，那你是不是至少五年的读博期间有足够的兴趣来支撑。第三个维度就是这个东西未来有没有前景。所以我们追求的事情就是这三个事情的交集，可以从这三个维度分别想。
段辰儒：AI4S 并不是让大家把两门学科学的一样好，达到 5:5 的状态。即使达到 5:5 的水平，但缺乏思考以及没有足够多的上手经验依然很难有关键成就。我个人认为对照理想的是 3:7 或者 2:8 的状态。AI4S 的生态非常开放，有很多开源的代码库和开源工具大家可以去运用，同时也鼓励不同思想的碰撞。关键还是大家要有自己真正擅长的规模，之后主动去交流，本来并不用愁找不到互补的合作者。比如之前说的生成式 AI 做化学反应的工作，就是在一位有扩散模型经验的估计系小伙伴的帮助下合作的结果。
作为保守化学研讨者，本来只需要花自己平时 20% 的时间去学习一些 AI 相关的知识，保证在和估计系的伙伴交流的时候，能够听懂对方的语言就已经足够了。这也是我们持续组织 AI4S workshop 的原因：提供一个交流的平台，让不同规模的人有机会都参加讨论自己的想法，壮大 AI4S 社区。嘉宾个人而非公司观点