让 AI 真正“懂分子“，分子模拟为何是精准AI模型的底层引擎

关键词：分子模拟、科学AI 、机器学习势、多尺度研发

算法决定模型如何学习，数据决定模型能学到什么；而分子模拟，可辅助 AI 建立对可信物理世界的认知。谈起 AI for Science，人们习惯把注意力放在模型架构上。但在工业研发现场，决定成败的往往是另一个更朴素的问题：训练数据从哪里来？答案越来越明确——不只是实验室，还有计算机。

一、AI 走进研发现场，先撞上一堵"数据墙"

大模型的成功建立在一个前提上：互联网提供了近乎免费的海量数据。图像模型有上千万张标注图片可用，语言模型可以吞下数万亿 token。可当我们把同一套方法搬进药物与材料研发，这个前提立刻消失了。

研发数据有四个"先天不足"：

• 量少：

  一个成熟的药物项目积累的活性数据可能只有几千条；一个配方体系的实验记录常常不足百条。深度学习模型在这个量级上极易过拟合。

• 昂贵：

  一次动物实验、一次中试放大、一次电池循环测试，成本以万计、周期以月计。数据的边际获取成本极高。

• 幸运者偏差：

  实验室倾向于记录成功的样品，失败配方与阴性结果往往不进数据库。模型于是学到了"幸存者偏差"，对失败区域一无所知。

• 不可比：

  不同人员、不同仪器、不同批次、不同条件下的测量混在一张表里，标签噪声可能大于真实信号。

于是很多团队陷入两难：等实验数据攒够再上 AI，项目周期等不起；现在就上，模型又不可靠。分子模拟提供了第三条路——不去"等"数据，而是"生产"数据。

图：MaXFlow分子模拟与AI平台

二、第一重角色：可编程的数据工厂，破解"数据饥渴"

分子模拟最直接的价值，是把数据获取从"采集"变成"计算"。量子化学（如 DFT）可以给出分子的能量、原子受力、电荷分布、轨道能级；分子动力学可以给出扩散系数、径向分布函数、结合自由能、构象分布。这些量既是物理上有意义的性质，也是 AI 模型可以直接使用的标签。

关键区别在于：实验数据是被动获得的，而模拟数据是可编程的——你想覆盖哪片化学空间、想采什么温度压力、想要多少个构象，都可以指定。

• 填补空白：从"没有标签"到"标签可算"

微软研究院的 AI²BMD 是这条路径的教科书式案例（Nature，2024）。团队把蛋白质切分为相互重叠的"蛋白质单元"，用 DFT 逐一计算其能量与受力，构建了约 2000 万个构象的数据集——这是当时 DFT 精度下规模最大的蛋白质数据集。基于它训练的机器学习力场，可以对上万原子的蛋白质体系给出接近从头算精度的能量与受力，而计算成本相比直接做 DFT 低了数个数量级。原本"算不起"的量子精度蛋白质动力学，因此变成了可以跑的日常任务。

• 拓展化学空间：让模型见过更多"世面"

模型的可靠性取决于它的适用域（applicability domain）——训练数据实际覆盖到的那片化学空间。要拓宽适用域，就必须系统性地采样，而这正是模拟的长处。

2025 年 Meta FAIR 发布的 OMol25 数据集把这件事推到了新的量级：超过 1 亿个 ωB97M-V/def2-TZVPD 级别的 DFT 单点计算，覆盖 83 种元素、约 8300 万个独立分子体系，涵盖小分子、生物分子、金属配合物与电解液，显式考虑溶剂化、变化的电荷与自旋态以及非平衡与反应性构型，单体系最大到 350 个原子；整个数据集消耗约 60 亿 CPU 核时。这样的规模与多样性，实验路线在可预见的未来都无法企及。

• 主动学习：数据不是越多越好，而是越"关键"越好

值得强调的是，高效的数据生产并不等于盲目地"多算"。ANI 系列机器学习势用主动学习（active learning）来筛选算例：先用当前模型对候选构型做预测，挑出模型最"没把握"的那些送去做 DFT，再回灌训练。这样每一份昂贵的量化算力都花在了模型的薄弱环节上。ANI-1x 正是以这种方式，从约 500 万个 DFT 构型中构建出覆盖广阔有机化学空间的通用势。

维度	实验数据	模拟数据
获取成本	高，且随样本数近似线性增长	中低，可随算力并行放大
覆盖能力	受合成可行性、安全性与成本限制	可覆盖难合成、危险、极端条件体系
一致性	受人员/仪器/批次影响，标签噪声大	同一方法与参数下高度一致、可复现
主要偏差	幸存者偏差，阴性与失败结果缺失	方法学系统误差：泛函、基组、力场、采样不足
与真实的关系	本身就是"真实"，但只是一个切片	近似真实，需要实验锚定与校正
在 AI 中的角色	稀缺而权威的校准集与测试集	大规模预训练与特征扩充的主力

表 1｜实验数据与模拟数据：不是替代，而是互补

一个已被广泛采用的组合拳是：用海量模拟数据做预训练，再用少量高质量实验数据做微调。前者教会模型化学的"通识"，后者把模型对齐到具体的实验测量口径上。

图：分子模拟——可编程的"数据工厂"

三、第二重角色：物理护栏，约束 AI 的"幻觉"

完全无物理规则约束的纯数据驱动的模型有一个共同软肋：它只学到了数据里的相关性，并不知道能量守恒，不知道旋转一个分子不应改变它的能量，也不知道原子间距趋近于零时能量应当发散。当前工业主流分子 AI 模型大多会嵌入对称性、键价等基础物理先验，极少使用无任何约束的裸深度学习框架。一旦遇到训练集覆盖之外的体系，它可能给出物理上根本不成立的答案，而且给得非常"自信"。

分子模拟提供的物理先验，正是给模型加护栏的那道钢筋。落地时通常有四种做法，从"轻"到"重"：

方式	做法	代表性实践	特点
物理量作特征	把模拟算出的 RMSD、RMSF、氢键数、MSD/扩散系数、结合自由能、轨道能级等作为模型输入	配方性能回归、宏观性质预测	实现最简单，可解释性强，见效快
物理约束进损失	在损失函数中加入守恒律、边界条件或控制方程残差项	物理信息神经网络（PINN）	小样本场景下外推能力明显改善
对称性进架构	把平移/旋转/置换不变性与等变性写进网络结构；由能量对坐标求导得到力	等变图神经网络类机器学习势	数据效率高，物理自洽性最好
精度迁移	先在大量低精度数据上预训练，再用少量高精度数据迁移（Δ-learning / 迁移学习）	ANI-1ccx：DFT → CCSD(T)/CBS	用少量"黄金标准"数据撬动高精度

表 2｜把物理装进 AI 的四种方式

案例：Boltz-2 —— 用模拟轨迹去"教" AI 打分

结合亲和力预测长期是"精度与速度不可兼得"的典型。物理方法 FEP（自由能微扰）精度公认，但一个配体动辄 6–24 小时、成本数百美元；纯数据驱动的打分函数很快，但换个靶点就常常失效。

2025 年 MIT Jameel Clinic 与 Recursion 发布的 Boltz-2 给出了一个融合思路：模型在数千条分子动力学轨迹和约 500 万条公开亲和力实测数据上训练，联合预测结构、结合亲和力与 B 因子。在 FEP+ 基准（hit-to-lead）上，其 Pearson 相关系数约 0.62，对照完整物理计算的约 0.72，而单张 GPU 上耗时约 20 秒——比 FEP 快约三个数量级。

这个案例的启示不在于"AI 取代了 FEP"，而在于：模拟轨迹作为训练信号，让 AI 学到了单靠静态结构学不到的动力学信息；而 FEP 依然是精度的标尺与最终把关者。合理的分工，始终是"AI 粗筛、物理精算"。

一个反面提醒：物理先验不是免罪符

即便注入了物理，模型仍可能在适用域外失效。已有研究指出，通用机器学习势普遍存在"系统性变软"（systematic softening）的倾向——基准指标漂亮，却未必能可靠再现反应性、输运或高能垒过程。2026 年的多项工作也表明，对目标体系做少量微调，往往能把受力预测精度提升 5–15 倍、能量精度提升 2–4 个数量级。基准分数不等于生产可用——这是把 AI 用进研发流程时最需要记住的一条。

四、第三重角色：多尺度桥梁，从电子一路算到工程

材料与药物研发天然跨尺度：电子决定成键，分子决定构象与相互作用，介观决定形貌与相分离，而宏观才是工程师真正关心的强度、黏度、导电率、循环寿命与 ADMET。没有任何单一方法能覆盖全链条。

尺度	主要方法	可获得的量	AI 的典型角色
电子（Å / fs）	DFT、后 HF 方法	能量、受力、电荷、轨道、反应能垒	学习势能面（MLP），替代昂贵的电子结构计算
原子分子（nm / ns–μs）	分子动力学、蒙特卡洛、增强采样、FEP	构象分布、自由能、扩散、黏度、结合能	加速采样、预测集体变量、代理自由能计算
介观（μm / μs–ms）	耗散粒子动力学、粗粒化模型、相场	形貌、相分离、界面结构、流变	从原子模拟中学习粗粒化力场与本构关系
宏观与器件	有限元、连续介质模型、工程经验式	强度、导热、寿命、器件与配方性能	建立微观描述符与宏观性能的定量映射

表 3｜多尺度链条上，模拟与 AI 各自的位置

AI 在这条链条上扮演三种角色：代理模型（用神经网络替换某一层昂贵的计算）、跨尺度映射（把下层的微观特征映射到上层可观测的宏观性能）、参数反演（从宏观测量反推微观参数）。

图：多尺度模拟——从电子到工程的桥梁

案例：GNoME + A-Lab —— 从"筛"到"造"的闭环

材料侧最具冲击力的案例来自 Google DeepMind 与劳伦斯伯克利国家实验室（Nature，2023）。GNoME 用图神经网络预测晶体稳定性，并以主动学习不断迭代，最终提出约 220 万个新晶体结构，其中约 38 万个被判定为稳定，近 40 万个化合物被贡献进 Materials Project 数据库；其中已有 736个预测结构被外部研究者以独立实验合成验证。

更值得关注的是下一环：伯克利的自主实验室 A-Lab 以这些预测为输入，由 AI 调度机器人规划合成路线并自动执行，在 17 天内成功合成了 41种新材料。"AI 预测 → 机器人合成 → 数据回灌"的闭环，第一次在材料领域被完整跑通。

案例：DeePMD —— 把量子精度推到 1 亿原子

2020 年 ACM 戈登·贝尔奖授予了 DeePMD 团队的工作："以机器学习把具有从头算精度的分子动力学推进到 1 亿原子"。在 Summit 超算上，他们实现了每天模拟超过 1 亿原子、纳秒量级轨迹的能力——空间尺度比此前戈登·贝尔奖获奖工作的最大体系提升至少 100 倍，求解时间缩短至少 1000 倍。这条工作线也直接催生了 DeePMD-kit 等被广泛使用的开源工具。

案例：MatterGen —— 从"筛选"走向"逆向设计"

微软的 MatterGen（Nature，2025）把生成式模型带进无机材料设计：以扩散模型从随机初始化出发，迭代优化原子种类、坐标与晶格参数，可以按体积模量、带隙、磁密度等目标条件直接生成候选结构，而不是在既有数据库里筛。团队与深圳先进技术研究院合作，对模型以 200 GPa 体积模量为条件生成的 TaCr₂O₆ 做了实验合成，实测体积模量约 169 GPa，与设计目标的相对偏差在 20% 以内。

需要客观补充的是，2025–2026 年也有研究指出该化合物可能与 1972 年已报道的结构相同、且本就存在于训练集中，对其"新颖性"提出质疑。这提醒我们：生成式方法的评价标准仍在建立中，"是不是真的新"与"是不是真的能造出来"，都必须回到实验与严格的文献比对上。

五、把三重角色串成一个闭环

把上面三件事放在一起，就得到一个自我强化的循环：

• 模拟生成数据：

  用 DFT / MD 高通量产出标签，尤其是主动学习挑出的"关键算例"；

• AI 建模预测：

  训练机器学习势、性质预测模型与生成模型，把预测成本压到接近实时；

• AI 反哺模拟：

  用 MLP 替代 DFT 跑长时间尺度动力学，用 AI 预测集体变量加速增强采样，用生成模型缩小候选空间；

• 实验验证与回灌：

  少量高价值实验用于校准、微调与验收，结果结构化入库，进入下一轮迭代。

图：模拟 → AI → 实验 → 回灌的自我强化闭环

这个循环能不能真正转起来，取决于三个常被低估的工程前提：

• 数据治理：

  模拟输出与实验记录必须结构化、可检索、带完整元数据（方法、泛函、力场、参数、版本）。否则一年之后没人说得清某条数据是怎么算出来的，更谈不上复用。这也正是"科学数据基因组"这类数据治理体系与 AI 建模必须打通的原因。

• 算力与调度：

  高通量模拟是典型的"大量短作业 + 少量长作业"，需要队列管理、失败重跑与断点续算能力。

• 可复现的工作流：

  把"建模型 → 跑模拟 → 抽特征 → 训练 → 预测 → 排序"固化为可复用、可版本化的流水线，而不是散落在各人电脑里的脚本。

顺带说一句产业价值的量级：物理计算在真实项目里的回报是可以被验证的。Schrödinger 与 Nimbus Therapeutics 合作、以 FEP+ 大规模驱动设计的 TYK2 抑制剂项目，在 2022 年以约 40 亿美元被武田收购。这类案例说明，高精度模拟工具可有效降低早期研发试错成本，在研发决策中具备明确商业价值——而 AI 的作用，是让"算得准"变得算得起、算得快、算得多。

六、在 MaXFlow 上把这套闭环搭起来

对多数研发团队来说，难点从来不是理解这套逻辑，而是把它落到日常流程里。创腾科技的 MaXFlow 分子模拟与人工智能平台，正是围绕这个闭环设计的：

• 模拟与 AI 同处一个平台：

  GROMACS、LAMMPS 等分子模拟引擎，与 AI 模型构建、分子性质与 ADMET 预测、分子生成、虚拟筛选、逆合成预测等能力封装在同一工作流体系内，模拟结果可直接作为训练数据或特征输入。

• 机器学习势开箱即用：

  内置 ANI-1x / ANI-1ccx / ANI-2x 预训练模型，提供单点能、几何优化、振动分析、热力学性质四类组件，天然支持"MLP 粗筛 + DFT 精修"的分层策略。

• 物理量直接接入 AI 训练：

  RMSD、RMSF、氢键分析、MSD、结合自由能等分析结果可作为特征送入模型训练流程，无需自行编写胶水代码。

• 可视化拖拽式工作流：

  从"结构搭建 → 分子模拟 → 特征提取 → AI 建模 → 配方/分子推荐"的完整链路以组件形式编排，降低对编程背景的依赖，也让流程可复用、可交接。

• 衔接研发数据治理：

  与 SDH 科学数据基因组等数据治理体系打通，让模拟与实验数据在同一套元数据规范下沉淀，为持续迭代提供地基。

图：MaXFlow 可视化拖拽式工作流

七、几句现实提醒

• 模拟数据也有系统误差。

  "垃圾进、垃圾出"在这里升级为"近似进、近似出"：DFT 泛函的选择、基组的大小、力场的参数化质量、采样是否充分，都会被模型如实继承。用模拟数据训练前，先确认它对目标性质是否足够可信。

• 精度层级要与任务匹配。

  不是所有任务都需要 CCSD(T)。做大规模粗筛时，力场或通用 MLP 足矣；做关键构效关系判断时，才值得上高精度方法。把算力花在决策价值最高的环节。

• 一定要给出不确定度。

  模型集成（ensemble）、Δ-learning 残差、描述符空间距离等都可以用来估计"这条预测靠不靠谱"。一个会说"我不确定"的模型，比一个永远给答案的模型有用得多。

• 实验始终是最终裁判。

  模拟与 AI 的价值在于把候选空间从百万压缩到几十，让宝贵的实验资源用在最可能成功的地方——而不是取代实验。

结语：AI 的上限，写在数据里

回到最初的问题：为什么分子模拟在 AI 时代反而更重要了？

因为在研发这个数据稀缺的领域，模型架构的进步是公开的、可复制的，而高质量数据是私有的、需要自己造的。分子模拟正是那台造数据的机器，同时还兼任物理护栏与跨尺度桥梁。

在精准 AI 模型的建设中，分子模拟的角色已经从"配角"升级为数据供给方、物理约束器、多尺度桥梁三位一体的基础底座。没有它，AI 在工业严肃场景下的可靠性与泛化能力都会大打折扣。AI 与物理计算并非割裂对立关系：融合物理先验的 AI 模型同时兼具加速计算与物理自洽两大优势。

AI 决定你能算多快，物理决定你能信多深。二者结合，才是研发现场真正需要的智能。

· · ·

参考与说明：AI²BMD（Nature, 2024；蛋白质单元 DFT 数据集约 2000 万构象）；AIMD-Chig（Scientific Data, 2023）；OMol25（Meta FAIR, arXiv:2505.08762, 2025）；ANI-1x / ANI-1ccx / ANI-2x 系列文献；Boltz-2（MIT Jameel Clinic 与 Recursion, bioRxiv, 2025）；GNoME 与 A-Lab（Nature, 2023）；DeePMD（2020 ACM 戈登·贝尔奖）；MatterGen（Nature, 2025）及其后续争议讨论。本文为科普性内容，具体数据、精度与加速比因体系、方法与硬件而异，请以原始文献为准。

想把分子模拟与 AI 建模接进同一条工作流？

欢迎联系创腾科技，获取 MaXFlow 分子模拟与人工智能平台的能力介绍与试用咨询；了解 AI 药物设计、材料计算与研发数据治理方面的完整解决方案。