跳转至

关于科技创新的几个观点

Who? When? Why?

2025.2 读朱啸虎讲了一个中国现实主义AIGC故事 - 创业邦有感

读后感

  1. 最前沿的科研创新（0到1）风险很大，现在做科研又很吃资源，主要靠政府或大厂。因为有风险，初创企业很难有天量资金持续支持。以材料领域科研范式来说，数年/数十年后理论成为主导，企业很难做这件事，比如深势科技，因为他没有能力（足够资金）承担失败的风险（目标是明确的，但走那条道路不确定）。因此，最前言的创新发生在科研院所。
  2. 模仿永远只是模仿，科研不同于赚钱，1-100和0-1的创新贡献是本质上不同的。国内投资人比较喜欢轻资产、快钱、热钱，不喜欢重金投入难点/前言研发。因为现在经济不景气，投资人手里没钱，得保守些。不站在最前沿，永远只是跟随者，站在巨人肩膀上，花的钱确实少了，但是永远活在别人体系里，万事不得超生了。
  3. 中国还是有做的厉害的地方的，供应链、商业化、产品盈利模式、优秀的消费平台、巨大的体量等等。同时会有deepseek这种初创公司、本土团队勇于创新，有能力，最重要是有心性去做。
  4. 接着上面的，你创业也好、研究也罢，参考朱啸虎对投资者和鄂维南对学生/PI的拷问：未来的应用场景（市场在哪里？多大市场？）过去发展历程和为什么是现在？（通古知今，知道行业逻辑，认清现状和问题）为什么是现在的你？（你的核心的不可替代的优势是什么？）
  5. 关于泡沫和热，我觉得有一些好处，热会吸引更多人和资本进来，推动技术和产业发展，如果冷门则发展缓慢，甚至消亡。但是热也要有一定的限度，不然就过热不理智了，潮水退去一地狼藉。
  6. 关于护城河的问题，科学研发和企业一样的，随着开源软件/模型/框架的增多，开源成为趋势。大家都能去用好的模型，那么垂直领域的数据/具体体系-反应的物理化学理解就是新的护城河了。数据的追赶不如模型容易，因为模型进步逐渐放缓。有必要实现组内或更大范围的数据整理和存储再利用工作。

技术进步加速科学创新、从小作坊到平台式研发

2025.12.31 读DeepModeling 2025 社区年会--点亮“科学电网”有感

读后感

  1. 从LLM到AGI for Science：智能体(SciMaster、PJLAB的书生、GaliLeo 科学智算平台、LASPAI、Molpilot)涌现，逐渐可用,日后可能处于中心位置,调度各种基础设施(文献、数据、模型、算法、算力、实验)。在LLM之前，是江俊的文献+计算+高通量实验平台，现在是更通用的智能体+多模态模型+大规模算力+高通量实验平台。
  2. 超越预训练大模型：多模态的基础(Fundamental)科学模型, (PJLAB主任周文通的展望、ODesign、DPA3)。多模态的中心/基础模态是什么？比如LLM类多模态模型，基础是文本。由于构效关系，材料领域的多模态fundamental模型可能是结构(--相互作用--性质)。
  3. 大语言模型、多模态模型、自动驾驶模型，经验是约束/转换越少，越End-to-End，模型效果越好；计算科学领域相反(?)，模型(物理)约束越多，模型效果越好(really? MACE相较于NEP，谁的约束多、物理启发多，谁更End-to-End?)。这里可能的原因是数据量、模型大小和所模拟事情复杂程度的差别。
  4. AI加速的计算科学与技术进步，method、tools快速发展，革新传统计算。解决真实科学问题案例？
  5. 快速发展的当下，我们该聚焦什么？投身前沿技术/沉淀物理化学见解?
  6. 作坊式科研v.s. 平台式科研：技术进步加速创新(AI自身迭代快, AI又加速科研)，创新(??真的是创新吗，0-1/1-10?)变得可复制、可扩展吗? 有科研规模的scaling law? 我认为当前“昙花一现的灵感”对推进研究还是很重要的。平台式的科研，平台为我们带来了什么? 交叉团队/SOP-workflow(大规模同类工作亟需)/集中资源/分工? 用bottom-up方法做完universal FF,下一步是什么?

注意

Under consructure.