近日，2026年首都产业一线科技人才走进高校系列宣讲在多所在京高校举办。活动以“社会主义是干出来的 新时代是奋斗出来的”为主题，多位宣讲人立足科研创业和产业实践，讲述扎根产业一线攻坚克难、矢志科技报国的奋斗故事。

在清华大学专场，北京深势科技股份有限公司AI算法负责人高志锋以《AI4S：重新理解科学发现》为题作主题分享。从研发分子预训练大模型，到让科研智能体走进实验室，再到把AI送进材料产线一线，高志锋结合团队跨界探索的三段实践，与现场师生交流如何让人工智能依据科学规律理解研究对象，并在真实科研和产业场景中接受检验。

首都产业一线科技人才走进高校系列宣讲由北京市委教育科技人才工作领导小组举办。活动期间，36位产业一线科技人才将陆续走进近30所在京高校，把发生在科技创新和产业创新深度融合一线的鲜活故事搬进课堂，为高校新生带来别开生面的“开学第一课”。

9月7日举行的系列宣讲启动仪式上，与会领导为首都产业一线科技人才宣讲团成员颁发聘书。高志锋作为宣讲团成员获颁聘书，并在清华大学专场分享AI4S研发与产业应用的一线经历。

系列宣讲启动仪式现场为宣讲团成员颁发聘书

深势科技成立于2018年，以“加速科学发现，释放科学价值”为使命，面向基础科研、生命科学和物质科学领域，提供覆盖科研全流程的智能化产品与解决方案。作为深势科技AI算法负责人，高志锋此次在清华大学的分享，把问题落在技术能否真正产生价值上：如何让算法走出实验室，成为科研和产业中可靠、可用的工具？

高志锋本科和研究生阶段学习计算机，曾长期参加数据挖掘比赛。加入深势科技后，他接到的首个任务是构建分子表征模型，由此开始走进分子科学。

这项任务背后，是新药和新材料研发中一个具体而艰难的问题。潜在具有功能的分子数量可能达到10的60次方量级。高志锋回忆，刚接触这一问题时，电脑屏幕上只是一串串分子式；但对真正做实验的科学家来说，每一个候选分子背后，都可能意味着几年时间、反复失败，以及一个实验室的大量投入。若完全依靠实验逐一寻找目标分子，无异于大海捞针。

团队由此提出一个问题：能不能先让AI“看懂”分子？分子并不是平面的符号，而是原子在三维空间中形成的立体结构。高志锋在演讲中用篮球和魔方作比：人可以从外形判断两者不同，AI也需要先理解分子“长什么样”，才有可能进一步判断它“能做什么”。

问题确定之后，团队重新当起了学生：算法研究者补量子力学和计算化学知识，材料研究者与算法工程师一起讨论模型结构，团队跟随领域专家系统学习物理、化学和材料工程。同时，一些看起来很丰富、却不能解决核心问题的功能被舍弃，研发逐渐集中到一个目标上：让AI按照物理规律理解分子的三维结构。

最终，团队研发出全球首个直接在三维原子空间中建模的分子预训练大模型Uni-Mol。高志锋把它的作用概括为：“先把分子的海洋缩成池塘，再让实验做最终裁判。”团队随后利用Uni-Mol开展功能分子筛选，探索杀虫剂、疟疾治疗、新型发光材料、锂电池电解液等应用方向，并将相关模型和数据开源。

未来的AI科学家，能否自主完成科学发现？

高志锋对此抱有期待，但他的回答很克制：现阶段，更现实的方向是让AI承担科研过程中重复、繁琐和耗时的工作，把研究人员的时间还给提出问题、设计实验、理解机理和作出关键判断。

他以化学实验室为例。一百多年来，实验室的设备和工具不断升级，但很多核心工作没有改变：配样、反应、培养、分离、记录、分析，以及一轮又一轮验证。研究人员的大量时间被这些流程占据，真正用于判断和创新的时间被严重压缩。团队因此没有把科研智能体设定为“自主发现一切”的系统，而是希望它先成为一个真正能参与工作的科研搭档。

正在研发的谱学解析智能体SpecXMaster，就是这种设想中的一次尝试。谱学如同观察原子和分子世界的一双“眼睛”，但仪器采集到原始谱图，只是工作的第一步。研究人员还要结合仪器原理、化学结构知识和长期经验，完成峰识别、结构推断和结果验证。专业门槛高、耗时长，也高度依赖资深科研人员。

团队希望SpecXMaster能够接收核磁、质谱、红外等仪器产生的真实数据，将谱图信息转化为候选分子结构、化学式和可解释的分析结论，再利用专业知识和推理能力交叉验证结果。它所追求的并不是更像人地聊天，而是与具体仪器接轨、理解实验数据、协助完成分析任务。

正如高志锋所说：“科研智能体必须走进真实场景，与仪器和数据深度连接，才能成为科研人员真正可靠的助手。”

AI 进入生产现场后，考验变得更加具体。

高志锋分享了一次特种材料研发合作经历。项目开始时，团队很有信心：模型在离线数据上的预测精度不错，变量关系能够解释，图表也很漂亮。

但模型一上真实产线，效果就出现明显偏差。团队继续增加数据、调整模型，忙了一段时间，问题仍没有得到根本解决。后来，大家决定不再坐在办公室里猜，直接走进工厂，与技术人员和老师傅们一起核对数据、设备和现场。

最后找到的原因很朴素：一台老旧传感器长期在高温环境中工作，读数已经发生偏移。数据格式看起来完整，却不能再与其他批次直接比较。模型并非没有能力，而是被表面干净、实际不可靠的数据带偏了。结合现场经验重新梳理数据口径后，模型才逐渐达到可用精度。

这台老传感器改变了团队理解产业数据的方式。设备老化、工况切换、流程变化、人员经验，以及没有进入数据库的隐性知识，都可能影响模型判断。拿到一份数据训练出高分模型，不等于理解了一个长期运行的复杂系统。

深势科技由此逐渐形成FDE（前置开发工程师）的工作方式：算法人员走进现场，与领域专家共同定义问题、理解约束、验证结果；工艺人员也参与数据和模型构建，把多年经验转化为可以记录、验证和迭代的知识。

从屏幕上的一串分子式，到实验室里的一张谱图，再到材料产线上的一台老传感器，它们沿着同一条技术路径不断向前：先让AI懂科学，再让AI会协作，最后让AI真正有用。也是在这个过程中，高志锋从计算机走进分子科学，深势科技团队走进实验室和生产现场，不同专业的人开始围绕同一个真实问题工作。

这些经历也回应了高校学生对专业选择和职业发展的关切。高志锋在演讲中谈到：“过去基础科学与计算机是两条几乎割裂的赛道，学计算机的不懂化学、学化学的不会编程；如今AI for Science为年轻人开辟了一条全新赛道：不必二选一，交叉学科才是未来顶尖人才的主场。”

生物医药、先进材料、新能源、高端化工等领域，需要既懂AI、又懂基础科学、还理解产业落地的复合型人才。这并不意味着一个人必须掌握所有知识，而是要愿意在问题中学习，并能与不同专业的人共同定义问题、核对证据和修正判断。

"也许今天你在化学课上对分子结构的好奇，在物理课上对电池原理的追问，在编程课上学到的第一行代码，将来都会成为改变世界的种子。"高志锋向现场学生发出邀请：“期待有一天，我们能在AI4S的赛道上并肩，用人工智能解锁万物科学，以硬核技术助力国家产业腾飞！”