編者按：本文來自微信公眾號 紀源資本(ID：JiyuanCap)，作者：投資筆記，創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載。

2024年諾貝爾物理學獎和諾貝爾化學獎于10月揭曉，獲獎者分別為美國科學家約翰·J·霍普菲爾德（John J.Hopfield）與英國科學家杰弗里·E·辛頓（Geoffrey E.Hinton），以及美國生物化學家大衛(wèi)·貝克（David Baker）和谷歌旗下DeepMind公司AI科學家德米斯·哈薩比斯（Demis Hassabis）和約翰·江珀（John M.Jumper）。

此次收獲諾貝爾物理學獎的Hinton，他身上最廣為人知的標簽是「深度學習教父」——OpenAI前首席科學家Ilya Sutskever就是他的學生。而另一位獲獎者Hopfield，在上世紀80年代，許多物理學家都曾利用Hopfield設計的、以自己名字命名的神經(jīng)網(wǎng)絡，實現(xiàn)了由物理學到神經(jīng)科學的跨越。

而本屆諾貝爾化學獎的三位得主之中，兩位來自商界，就職于DeepMind，獲獎原因是其所研發(fā)出的“AlphaFold2”模型在蛋白質(zhì)結(jié)構(gòu)預測方面的成就；另一位獲獎者David Baker，他的主要貢獻在于——讓蛋白質(zhì)設計從實驗室的試管，搬進了計算機的虛擬世界。

相較于往年，本屆諾貝爾獎的評選與所嘉獎的研究方向都很具開創(chuàng)性——當然，這也帶來了諸多爭議。有人質(zhì)疑獲諾獎的人工神經(jīng)網(wǎng)絡并不屬于傳統(tǒng)物理學，也有人認為跨界學科正成為潮流。

圍繞本屆化學獎的討論則相對更溫和些——獲獎者所研發(fā)的AlphaFold2模型能輔助解決蛋白質(zhì)結(jié)構(gòu)的復雜難題，目前全球已經(jīng)有超過200萬人使用該模型，其背后折射的大趨勢則是計算科學愈發(fā)重要的地位。多數(shù)觀點認為，借助AI，科學家們不再需要投入大量精力去計算和實驗，對于化學、生物、材料等領(lǐng)域都有很大幫助。

那么，我們要如何理解「計算科學」，它是如今那些尚未解決的科學難題的萬能靈藥嗎？而過去數(shù)年行業(yè)內(nèi)更熟悉的實驗，在AI炙手可熱的今天，是否依然是檢驗真理的唯一標準？

或許我們可以從當下AI+材料的發(fā)展趨勢中窺得一二。

從古代煉金術(shù)到AI計算，材料發(fā)現(xiàn)的路徑變遷

有個說法是，中世紀的煉金術(shù)是當代化學的雛形——盡管當時的術(shù)士熱衷的是把基本金屬轉(zhuǎn)變?yōu)辄S金，或者是制備長生不老藥。

但其實，中國古代的鑄劍術(shù)可能也是早期新材料研究方式的一種——鑄劍師通過淬火而得到更高的材料強度，也能改善劍的銳利程度。

某種意義上，材料行業(yè)正式以「計算」為主要研究方式之前，材料的發(fā)現(xiàn)與研究是典型的「實驗科學」。術(shù)士將各種礦石放在一起冶煉，通過Trials and Errors（試錯法）的方式去發(fā)現(xiàn)新材料；現(xiàn)代科學中的材料發(fā)現(xiàn)某種意義上也與這一邏輯類似——不斷地試錯，不斷地測試，在數(shù)千次、乃至數(shù)萬次失敗與偶然中，尋找可能存在的答案。

一個例子是我們?nèi)缃穸际煜さ南鹉z。在11世紀南美洲就有用橡膠制作橡膠球，用于游戲的歷史；此后在19世紀，歐洲也開始出現(xiàn)橡膠工業(yè)，誕生了人類最早的橡膠雨衣、世界上最初的松緊帶等等，但因為橡膠天冷會開裂、天熱會變軟的技術(shù)問題，橡膠工業(yè)一度陷入絕境。

直到一個叫古德伊爾的失業(yè)的美國人——他相信，如果能改善天然橡膠，打破溫度的限制，那么橡膠一定有巨大的潛力。他沒有學過有機化學，于是不斷地實驗——在橡膠里摻入松節(jié)油、鎂粉、石灰甚至火藥，用硝酸溶液的蒸汽處理橡膠……直到一次偶然，他把一塊有硫磺的橡膠片扔進火爐，才發(fā)現(xiàn)了橡膠的硫化反應能讓這種材料更穩(wěn)定。

化學理論不發(fā)達的時代，人們只能靠一遍遍嘗試來尋找科學的一線曙光。毫無疑問，幸運的人或許能因為一次偶然成功，但時間也是不可控的；更多的人甚至無法在歷史上留有姓名。

但此后，現(xiàn)代科學將整個行業(yè)推入了新的階段，所有物質(zhì)回歸到最初的原理：物質(zhì)由原子構(gòu)成，原子包含電子云的排布，并且會結(jié)合成為分子，因此對于物質(zhì)晶粒尺度的計算可以達到極為精密的程度。

紀源資本高級投資經(jīng)理呂一然向投資筆記介紹，計算科學，便是秉持著從微觀進入，進而上升到介觀，最后再到宏觀的視角，通過單純的計算去尋找新材料的可能性。

不過，只有計算是不夠的?？茖W家可以通過系統(tǒng)調(diào)整元素的搭配，預先篩選出可能出現(xiàn)的新材料種類，并且剔除掉一些不符合目前需求的種類——但最終，人們還是需要通過實驗去測試材料的性能，“最終我們?nèi)匀幌嘈?，實驗是檢驗真理的唯一標準，必須得‘眼見為實’?！?/strong>呂一然說。

如今，AI正在運用于大量新事物的發(fā)現(xiàn)甚至生成之中。谷歌DeepMind所推出的材料探索圖形網(wǎng)絡GNoME（Graph Networks for Materials Exploration）技術(shù)已經(jīng)被用于預測220萬種新材料的結(jié)構(gòu)，被稱為材料發(fā)現(xiàn)領(lǐng)域的AlphaFold。

計算科學的偉大與局限

每一類材料都有自己的特點，也就帶來了不同的研發(fā)規(guī)律。有機分子里邊有“基團”的概念，每個基團其實會帶有一定的特性?？茖W家錨定了自己所需要的材料特性之后開始設計分子。

那么，新的材料以怎樣的速度進行著更迭？

愛迪生在實驗各種潛在的燈絲材料時，做了無數(shù)次實驗，從當時所有可用的金屬到燒焦的竹炭，嘗試了無數(shù)種材質(zhì)。而當他確定鎢絲為履行燈絲職責的最佳材料之后，人們沿用了百年。

再比如，人們所熟知的有機發(fā)光半導體OLED（Organic Light-Emitting Diode）之中的發(fā)光材料應當是什么？科學家首先將他們腦海中最佳材料的必要性能勾勒一番，再去尋找適合的材料。

但這又帶來一個問題：想象中的性能有了，但分子是否真正具有可合成性，足以形成穩(wěn)定的材料？

“當人們審視一種材料時關(guān)注到的維度會比較多，一方面希望它具有它該有的特性，另一方面也需要注意到其中的短板。例如，該材料是否能夠被合成，合成的成本是否可控，成品是否足夠穩(wěn)定，材料投入使用后的工況是怎樣的等等?！眳我蝗徽f。

此外，還有一個多少有些反直覺的故事是，我們會認為很多材料行業(yè)的創(chuàng)新是「0到1」式的，但實際上，很多時候，材料的革新是在歷史的漫長周期里，“漸進”式發(fā)展的。

比如，汽車誕生以來，汽車鋼的性能不斷被提升，強度不變的基礎(chǔ)上，車身卻越來越輕，鋼板的厚度也越來越薄。其中最主要的元素無疑還是鐵元素，后面逐漸出現(xiàn)碳鋼板，又被添加了鉻、錳等元素。

通過計算發(fā)現(xiàn)材料的一個主要方法論是「第一性原理」——它計算的是原子核外的電子分布，以及相應的物理性質(zhì)。但是計算無法達到盡善盡美，電子之間的相互作用往往難以被精確求解。此外，每種材料都多少存在缺陷。綜合以上2點原因，在計算無法達到盡善盡美的情況下，計算結(jié)果常常會被迫進行一些近似處理。這也解釋了量子物理層面所看到的“不確定性”。也因此，“缺陷”成為了材料的一部分。

我們之前提到的，被稱為材料發(fā)現(xiàn)領(lǐng)域的AlphaFold的材料科學搜索網(wǎng)絡GNoME增加了220萬種新材料結(jié)構(gòu)，這在呂一然看來，不僅使得材料的預測成為可能，而且在某種程度上，遠遠比人類的手動發(fā)現(xiàn)要高效得多。

不過，一旦上升到“應用”階段，如何將材料合成、并使其達到理論強度，卻是一項挑戰(zhàn)。

而石墨烯，理論上擁有目前人類已知材料中最高的導熱速度，同時，石墨烯有很低的電阻率，也就意味著它的導電性能比絕大多數(shù)材料都要好，此外，石墨烯也有很高的硬度，因此它的應用方向有柔性透明電極、光伏器件等等，還能被制成超輕型飛機材料或是防彈衣。

與此同時，雖然石墨烯的理論強度足夠大，但在實際應用中——據(jù)呂一然分享，實際通過材料制造與合成做出來的石墨烯，它的強度可能只有理論的十分之一不到。

在呂一然看來，在擁有如此有利的研究工具條件下，人類所面臨的挑戰(zhàn)之一是，確定自己是否已經(jīng)找到了針對某個特定解決方案的，最合適的材料。

在電動汽車起量之前，碳化硅（SiC）在半導體領(lǐng)域的應用是十分有限的，然而它已經(jīng)逐漸成為了第三代半導體的代表。隨著人們對自己所需材料特性的一步步了解，對于新材料的探索也在持續(xù)著，這也將帶來材料的更新?lián)Q代。

計算科學的春天

通過計算而非實驗來進行蛋白質(zhì)結(jié)構(gòu)預測，這件事的影響力因諾貝爾化學獎的頒發(fā)而被放大了。

從實驗科學中逐漸加入計算科學的加持，可以用的“工具”有很多，例如密度泛函理論（Density functional theory），蒙特卡羅方法（統(tǒng)計模擬法或統(tǒng)計試驗法，是一種以?概率統(tǒng)計理論為基礎(chǔ)的數(shù)值計算方法），有限元法（FEM，F(xiàn)inite Element Method）等，分子動力學（Molecular Dynamics）等的誕生本身也基于不同的底層原理和更多的計算方式。

以往人們通過自己的經(jīng)驗進行方案的初篩，例如篩出更可能滿足所需特性的材料，頗有意思的一點是，有的時候，依靠計算所獲得的結(jié)果與自己憑借直覺與經(jīng)驗所得到的結(jié)果頗為相像。

“無論是材料還是制藥，計算科學都為我們幫了大忙，或者說是越來越大的忙。”呂一然說。

AI發(fā)展至今，算力作為AI三個基礎(chǔ)要素（感知能力、算力和算法）之一，已經(jīng)被大大提升

物理與化學的邊界，學界與商界的邊界

化學與計算科學結(jié)合，使得學界出現(xiàn)了一種聲音：物理學與化學的“界限”似乎越來越模糊了。

這種思考的根源在于，對于行業(yè)外的人而言，傳統(tǒng)印象中的物理學偏向于理論研究，天體物理等學科甚至是單純依靠計算因而奠基完成的，所需要的實驗量遠遠不如其他學科更多。而與此相對，化學則更傾向于典型的實驗科學。

但事實上，物理與化學之間原本就并非是割裂的。

20世紀，化學家和物理學家一起用回旋加速器加速的氚核轟擊鉬靶得到了锝元素，這個學科合作也讓锝成為了第一個人工合成的元素。

而曾收獲諾貝爾化學獎與和平獎的化學家萊納斯·卡爾·鮑林，正因為他年輕時在數(shù)學物理等領(lǐng)域的研究，才得以量子力學入手分析化學問題，并成為量子化學和結(jié)構(gòu)生物學的先驅(qū)者之一。

“我們確實會看到，很多物理系的教授在做一些以往看來是化學的工作，而化學系的教授在做一些類似于物理學研究的事情?！眳我蝗涣牡健?/p>

另一種邊界感的模糊，存在于學界與商界之間。DeepMind的兩位科學家獲得了諾貝爾化學獎，而在此之前，諾貝爾獎很少被頒發(fā)給企業(yè)之中的科學家。如此來看，學校與企業(yè)所承載的任務，似乎將有很大的重合。

每個國家的高校都承擔大量的基礎(chǔ)研發(fā)職能。同時，很多企業(yè)也一直在承擔研發(fā)的工作和職責。這些企業(yè)同樣投入了很多科研經(jīng)費，并且秉持著非常清晰明確的研究目標。

呂一然介紹，巨頭投入資金去支持研發(fā)，很多也幫助了技術(shù)的進步，例如在材料中加入某種元素會發(fā)現(xiàn)性質(zhì)的變化，出現(xiàn)先上升再下降的曲線，但企業(yè)往往并不知道曲線出現(xiàn)的原因，因此希望通過更多的研究去了解情況。再或者，加入另一種元素，會使得性能發(fā)生更大的變化，這也可能促使企業(yè)去探索不同添加元素與這種性質(zhì)關(guān)系。

大企業(yè)的收入、利潤、體量都足夠大，便愿意進行更多研發(fā)方面的投入。這也成為了當今科技前進的動力之一。

本文為專欄作者授權(quán)創(chuàng)業(yè)邦發(fā)表，版權(quán)歸原作者所有。文章系作者個人觀點，不代表創(chuàng)業(yè)邦立場，轉(zhuǎn)載請聯(lián)系原作者。如有任何疑問，請聯(lián)系editor@cyzone.cn。