用20个原子的小晶体当教材，一块旧显卡算出了控制心跳的蛋白质机制

Tim Duignan 手头只有一块 V100，英伟达2017年发布的计算卡。他用它跑了一个钾离子通道的全原子模拟。这个蛋白质嵌在细胞膜上，管着心跳、肌肉收缩和大脑里每一个神经元的放电。几十年里，实验手段和传统计算都没能把它讲清楚，连「钾离子穿过去的时候，有没有水分子跟着一起走」这种最基础的问题，顶刊上隔几个月就有一篇论文站到对面去。

更离谱的是模型的出身。给模型当教材的，只是一些20个原子的小晶体，高度周期、反复重复，跟蛋白质这种歪歪扭扭的大分子毫无相似之处。模型没崩，稳定跑完，还给出了文献里没人见过的机制细节。

这是播客 Cognitive Revolution 一期对谈的核心内容。主持人 Nathan Labenz 是创业者和AI投资人，两位嘉宾来自 Orbital Materials：创始人 Jonathan Godwin 之前在 DeepMind 带团队做材料科学的AI模型，出来创办了这家公司；Tim Duignan 是电解质溶液模拟的老手，上次做客聊的是盐结晶，这次已经以研究员身份加入 Orbital。

材料科学：被遗忘的「原始科技创业」

Jonathan 给外行举的第一个例子是半导体。硅晶圆上刻电路，刻痕细到一粒灰尘就能毁掉整颗芯片，所以需要一种不导电、还能塞进刻痕缝隙的材料把芯片罩起来，业内叫 low-K 材料。这种材料的性能每年不进步，芯片就塞不进更多晶体管，后面就没有AI。

Tim 补了另一个方向：气候变化。电池、太阳能板，人类到目前为止最成功的减碳工具，全都出自材料科学的突破。他喜欢玩一个反向游戏：随便说一个问题，他都能指出它跟材料的关系。贝尔实验室发明晶体管，本质上就是材料科学，把各种元素换着试出来的。

Jonathan 有句话说得直白：材料科学是「原始科技创业」（the original tech startup），硅谷的整个产业都建立在它上面，只是大家忘了。他的判断是，20世纪是材料科学的世纪，21世纪只会更甚：更多芯片、去火星的飞船、VR要用的光学材料。材料科学是实现科幻未来的那块缺失拼图，AI是补上它最有力的工具。

今天的材料研发长什么样？Tim 用造桥打了比方。一百年前造桥靠经验和直觉，布鲁克林大桥大量过度设计，为了不出事拼命堆料；也有桥因为没算过共振，建成后直接塌了，1940年的塔科马海峡大桥就是。今天造桥，每颗螺栓每根梁的受力都算得清清楚楚，建之前就知道它会怎么表现。材料科学像前者：实验科学家大量依赖试错、运气，和多年攒出来的直觉。

直觉能具体到什么程度？Jonathan 讲了半导体行业的故事。刻蚀硅晶圆用什么气体清洗、怎么去气、微调一下对硅有什么影响，每个人把30年人生花在一件极小的事情上。造一颗芯片大约有1万道工序，这些知识写不进教科书，靠师徒口传心授。这也是为什么美国砸再多钱建厂、别国搞再多间谍活动，都复制不出台积电：知识长在那批化学家和材料科学家脑子里。

Jonathan 说，AI的一个目标就是打破这种垄断。说到底这仍然是物理，AI只要把物理算对，就应该能复现这种「先知般的直觉」，把它变成人人可用的东西。

AI学到的东西，叫直觉物理

这期节目里 Nathan 抛出了一个他反复咀嚼的世界观：今天的AI架构，似乎能在几乎任何物理空间里学到一种「直觉物理」。人类接球时不计算轨迹，靠的是亚秒级的直觉反应，真要一步步算，球早落地了。类似的东西正在蛋白质折叠、材料性质、天气预报、单细胞转录组里反复出现。在他看来，这是相信超人类智能不只可能、而且越来越近的最清晰理由。

Tim 认同，并给出了他的理论解释：核心是降维，物理里叫粗粒化（coarse-graining）。预测一个系统的行为，往往不需要追踪每一个部分。模拟电解质可以忽略电子，研究蛋白质可以忽略溶剂，看球飞过天空只需要盯住一个物体。统计力学里的 Mori-Zwanzig 理论、朗之万动力学，跟AI算法在数学上高度相关。他总结成一句话：

在大量物理建模中，如何高效地保住重要信息、丢掉不重要信息，是一个中心问题，而AI和机器学习算法恰恰非常擅长这件事。

Jonathan 补充了规模带来的证据。DeepMind 的世界模型 Genie 2，几十亿参数量级的扩散模型，就能模拟水的动态、水坑里的光反射和重力，几年前这得靠昂贵的CGI渲染软件。扩散模型参数不多，但极度吃数据，推理时的算力需求远低于大语言模型，却把海量隐式物理知识压进了很小的空间。他把这类模型比作顶级运动员：能踢出不可思议的进球，讲不清背后的数学。

拆开看：score就是力场

Orbital 的模型分两层。基础模型叫 Linus，学的是一套「简化物理」；微调之后得到 ORB 系列，学的是量子级别的真实原子间作用力。Jonathan 的说法很干脆：力算对了，物理就算对了，之后想模拟什么都可以，核反应、体内过程、日常材料都行。

Tim 讲了一个漂亮的数学联系。扩散模型的灵感本来就来自非平衡统计力学：生成分子时原子沿着移动的 score 向量场，跟分子模拟里推动原子的力场，是同一个东西。Cecilia Clementi 有一篇论文证明，拿一段分子模拟的「电影」去训练扩散模型，学到的 score 在数学上严格等价于力场。生成新材料和模拟原子运动，底层是同一件事。

架构上，材料跟图像有一个关键区别：距离是一等公民。图像里所有像素间隔相同，Transformer不用管距离；原子里两个原子靠近时力会变，离得太远力归零，中间有个「刚刚好」的吸引区。所以 Orbital 用的是消息传递神经网络，可以理解成「额外接收距离输入的 Transformer」。好处是没有位置编码，模拟规模不受训练长度限制，加多少芯片就能线性扩多大，跟语言模型的上下文窗口完全是两回事。原子类型这种0到117的离散变量，按连续函数处理再投回离散，技巧来自2022年 Hinton 参与的一篇论文。

数据从哪来？化学的实验数据一直少得可怜，Tim 研究电解质溶液时一度对AI很悲观，一个电解质在数据库里只有几个参数。转机在于第一性原理计算可以自动生成训练数据：跑一轮大规模模拟就是几百万个数据点，还能用主动学习在需要的地方按需造数据。他认为这是科学领域下一个大增长点。

Jonathan 说，真正让他震惊的是泛化。用20个原子的小晶体训练，开箱就能模拟蛋白质。他的解释是，原子间相互作用的规则总量有限，偶极矩、空间衰减这些信息学够了，就能跨系统迁移。催化反应需要模拟上百万个原子，传统方法完全不可行；AI先在小系统上学规则，再拿到大系统上用，这条路被打通了。流程上，生成模型按目标性质出十几个候选材料，AI模拟再做资格审查，等到决定要造什么的时候，90%该问的问题已经有了答案，而且候选材料往往比人类自己想出来的更新颖。

一块V100显卡上的钾离子通道

Tim 心里憋了很多年的那道题，就是钾离子通道。身体本质上是台电设备，计算机用电子和金属导电，身体用离子：钠带正电，氯带负电，钾至关重要。细胞内囤着高浓度钾离子，要发信号时打开通道，钾流过去，电压变化，触发后续反应。心跳、肌肉收缩、神经元放电，全靠这套机制。大量疾病源于钾离子通道突变，各种心脏病、长QT综合征，Tim 自己家族就有心悸的问题。他管这类问题叫「拱顶石问题」：哪个新工具能解开它，哪个工具就补上了一块根本性的能力缺口。

ORB 模型发布时，Tim 还没加入 Orbital。他试了试，结果稳定得出奇。他当时想，这该不会就是计算化学家梦寐了几十年的「通用力场」吧？如果是，我就去解钾离子通道。他自嘲当时觉得这想法蠢透了，模型肯定马上崩，结果稳稳跑了起来，他激动得原地跳。

模拟给出了两个新东西。第一，水分子进入了选择性过滤器，也就是通道最窄的那段。经典模拟认为钾离子是单独通过的，实验证据则一直摇摆。第二，蛋白质上的一个羟基基团会伸手「抓住」水分子，把它拉进通道，这个机制文献里没人报道过。而已有的突变实验早就发现，删掉这个羟基，通道电导率掉将近一个数量级，一直没人知道为什么。模拟给出的机制，恰好解释了悬置多年的实验数据。

必要的保留：这项工作还没经过同行评审，几位钾通道专家看了觉得有趣、合理、与实验一致，但还需要直接的实验验证。Tim 的态度是，这至少是个非常好的假设，如果要他押注，他赌会被证实。

工程细节也值得一提。他只在距离目标20埃、大约四五层原子的地方把外层原子冻住，让中心区域稳定够久，算是个临时手段。加上细胞膜做完整模拟需要更多GPU；长程静电是另一个挑战，电荷相互作用按1/r衰减，跟引力一样能传很远。架构上没有硬限制，真正的瓶颈是时间尺度太短，出路还是粗粒化：先跑全原子模拟，再训练一个忽略溶剂的新模型，一步步推向整细胞级别。应用端也不遥远：理解正常机制之后，可以模拟突变如何损害功能，再往前一步是设计恢复功能的药物。听着科幻，Vertex 已经在做氯离子通道的版本，小分子药物能恢复其功能。

产出涨44%，科学家却开心不起来了

节目里引用了 MIT 经济学家 Aidan Toner-Rodgers 的论文：一家公司引入AI做材料发现后，材料发现数量增加44%，专利申请增加39%，下游产品创新增加17%。AI承担了大量想法生成，科学家转向验证。代价是，82%的科学家报告工作满意度下降。（小注：这篇论文后来因数据真实性争议被撤稿，看数字时留个心眼。）

Tim 站在了满意的18%那边。他是学物理和数学出身的化学门外汉，这些工具反而给了他原本要30年才能攒出的直觉。跑个模拟，亲眼看到化学键怎么断怎么连，不用啃文献也知道那个羟基重要。他同情那些花一辈子攒直觉的人，但结论很直接：更快把材料做出来、产生实际影响，比「我自己解出这道题」的快感更重要，想解谜可以去做填字游戏。

Jonathan 的视角更冷。他身边AI研究员的工作满意度也在显著下降：以前做有创造力的研究，现在做工程，算力贵到没资格验证自己的点子。职位更体面、薪水更高、亲眼看着AGI成形，人却更不开心。他的判断是，创造力会是最先被AI拿走的东西，体力活反而排在后面，机器人要等创意产业被AI彻底加速之后才来。他的结论很硬：人类必须靠AI把科学发现加速到历史从未有过的程度，用更少的钱造更多的东西，短期承受痛苦，换一个大部分经济活动被自动化的未来。至于意义，得去工作之外找。

Nathan 补了一个安全视角。担心超级智能的人，核心问题之一是它如何获得实验验证。语言模型配上一套可靠的力场，等于给AI配了个物理层面的查证器，可以在计算机内部自动验证假设，不用进实验室。这跟推理模型能解数学基准的前提一样：得有办法核对答案。

路线图：先管数据中心，再谈常温超导

Orbital 的口号是「在硅里设计，在现实中成型」（engineer in silico, materialize in reality）。眼下的焦点是数据中心材料：机架密度和芯片功耗往上走，散热和能效材料必须跟上，这是他们眼里「把AGI跑起来」的一部分；另一条线是减碳。已经公布的一个产品是碳捕集材料，年内跟 AWS 试点：海绵状的多孔材料，反应位点专门挑CO2下手，利用数据中心的废热和废气流完成吸脱附循环。把脱附温度调到能蹭上数据中心废热，是压低碳捕集成本的关键；材料能复用十年，成本就能再砍一刀。商业模式学英伟达：不做工厂，靠授权和供应商，实验室开销比AI公司的GPU集群还便宜。

这家公司融资不到4000万美元，就做出了世界级的模型和材料管线。模型规模参考图像扩散模型，远小于大语言模型。Mosaic 团队曾把 Stable Diffusion 的训练成本压到5万美元以下，这个量级意味着，往这些科学模型上砸更大算力和更高质量的数据，还有大把提升空间。

常温超导呢？Jonathan 说至少五年，而且排在碳移除和AGI能效之后。Tim 解释了技术原因：超导属于强关联电子体系，电子行为高度相关、不满足局部性，当前训练所用的密度泛函理论描述不了它，但AI仍可用于寻找新晶体结构。

这期节目最值得带走的东西，可以落成三件明天就能做的事：

• 做研发的读者，把领域里「老师傅拍脑袋」的环节列出来。那些写不进教科书、靠师徒传承的直觉，正是AI最先突破、也最值得你提前下注的地方。
• 关注AI进展的读者，判断模型能力别只盯语言基准，去看看它在物理空间里的泛化。20个原子的教材能考出蛋白质的答案，这种信号比跑分诚实得多。
• 做计算化学或分子模拟的读者，Orbital 的 ORB 模型是公开的，直接上手跑一个自己领域的难题，看看它稳不稳、准不准。

科学家的价值正在从「提出假设」转向「验证与实现」，这个位移不会等任何人。早一天调整自我定位，就少一天被动。