當(dāng) AlphaFold 為蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)摘得諾貝爾獎(jiǎng)，當(dāng)氣象大模型開(kāi)始逼近甚至超越傳統(tǒng)數(shù)值天氣預(yù)報(bào)的精度，當(dāng) AI 驅(qū)動(dòng)的自動(dòng)化實(shí)驗(yàn)室在全球頂級(jí)研究機(jī)構(gòu)遍地開(kāi)花，“AI for Science”正以前所未有的速度重塑科學(xué)研究的范式。

2025 年，《Nature》發(fā)布的 AI for Science 專題報(bào)告指出，物理信息神經(jīng)網(wǎng)絡(luò)（PINNs）等知識(shí)引導(dǎo)的深度學(xué)習(xí)方法，正在顯著增強(qiáng)模型的泛化能力和可解釋性，成為這場(chǎng)變革中的關(guān)鍵技術(shù)路徑之一。

而在這條路徑上，耶魯大學(xué)統(tǒng)計(jì)與數(shù)據(jù)科學(xué)系、化學(xué)與環(huán)境工程系助理教授陸路（Lu Lu），是最具代表性的青年研究者之一。2025 年 9 月，他入選麻省理工科技評(píng)論“35 歲以下科技創(chuàng)新 35 人”亞太區(qū)榜單（TR35 Asia Pacific）。

陸路本科畢業(yè)于清華大學(xué)熱能工程系，后赴布朗大學(xué)攻讀應(yīng)用數(shù)學(xué)博士，師從計(jì)算力學(xué)領(lǐng)域的頂級(jí)學(xué)者 George Em Karniadakis 教授。

他的研究橫跨科學(xué)機(jī)器學(xué)習(xí)的理論、算法、軟件與應(yīng)用：他與導(dǎo)師共同提出的深度算子網(wǎng)絡(luò) DeepONet，發(fā)表在 Nature Machine Intelligence 上，開(kāi)創(chuàng)了用神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)無(wú)限維函數(shù)空間之間映射的范式；他開(kāi)發(fā)的開(kāi)源庫(kù) DeepXDE，是目前最廣泛使用的物理信息神經(jīng)網(wǎng)絡(luò)工具之一，發(fā)表在 SIAM Review 上，成為該刊被引用和閱讀最多的文章之一；他在鐮刀型細(xì)胞貧血癥的定量預(yù)測(cè)上的工作發(fā)表于 Science Advances，在材料力學(xué)性質(zhì)提取上的工作發(fā)表于 PNAS。

近年來(lái)，他還將研究拓展至多保真度算子學(xué)習(xí)、量子加速神經(jīng)算子（Quantum DeepONet）等前沿方向，并獲得美國(guó)能源部 400 萬(wàn)美元資助，領(lǐng)導(dǎo)開(kāi)發(fā)聯(lián)邦學(xué)習(xí)的科學(xué)基礎(chǔ)模型。其 Google Scholar 引用量已超過(guò) 26,000 次。

在當(dāng)前大語(yǔ)言模型和生成式 AI 主導(dǎo)公眾注意力的背景下，科學(xué)計(jì)算領(lǐng)域的 AI 革命同樣深刻卻往往不為大眾所知。我們與陸路進(jìn)行了一次深度對(duì)話，從他個(gè)人的學(xué)術(shù)成長(zhǎng)出發(fā)，聊了聊科學(xué)機(jī)器學(xué)習(xí)到底在解決什么問(wèn)題、為什么物理知識(shí)和數(shù)據(jù)需要結(jié)合、AI 在科學(xué)研究中能否成為真正的“協(xié)作者”，以及他對(duì)中美 AI 科研差異的觀察。

用AI重新定義科學(xué)計(jì)算：對(duì)話耶魯大學(xué)陸路,DeepTech深科技,47分鐘

以下為對(duì)話全文：

DeepTech：我們今天邀請(qǐng)到了 TR35 亞太區(qū) 2025 的入選者陸路老師，來(lái)聊一聊他的成長(zhǎng)故事和他所做的事情。下面請(qǐng)陸老師先跟大家打個(gè)招呼。

陸路：大家好，我是耶魯大學(xué)的陸路，我現(xiàn)在做的工作我們稱之為 Scientific Machine Learning，或者叫 Physics-Informed Machine Learning，中文翻譯是物理信息機(jī)器學(xué)習(xí)，或者叫科學(xué)機(jī)器學(xué)習(xí)。它的一個(gè)特點(diǎn)是需要結(jié)合多方面的背景。

首先這是一個(gè)機(jī)器學(xué)習(xí)的方法，自然需要計(jì)算機(jī)相應(yīng)的背景。然后像我的研究，主要是把這一類方法開(kāi)發(fā)出來(lái)，用來(lái)解決很多科學(xué)計(jì)算里面的問(wèn)題，所以又需要很多數(shù)學(xué)背景。當(dāng)我們開(kāi)發(fā)了很多方法之后，我們會(huì)希望把這些方法用來(lái)解決實(shí)際的工程問(wèn)題或科學(xué)問(wèn)題，所以在很多實(shí)際的應(yīng)用場(chǎng)景中，又需要很多工程的背景。這就跟我過(guò)去很多年的教育背景以及所學(xué)的專業(yè)有關(guān)。

我在清華的時(shí)候，專業(yè)是熱能工程系——現(xiàn)在大概是 2017 年左右改名，叫能源與動(dòng)力工程，屬于機(jī)械學(xué)院下面。所以我本科時(shí)就有很多工程的背景。同時(shí)我當(dāng)時(shí)選修了經(jīng)濟(jì)學(xué)雙學(xué)位和計(jì)算機(jī)輔修，所以也有很多計(jì)算機(jī)方面的背景。后來(lái)到布朗大學(xué)，我一開(kāi)始也在工程學(xué)院，上了很多工程學(xué)的課。后來(lái)轉(zhuǎn)到應(yīng)用數(shù)學(xué)，同時(shí)也在修計(jì)算機(jī)的碩士。學(xué)了這么多之后，發(fā)現(xiàn)這些東西在我的研究中全都用上了，我覺(jué)得還是挺開(kāi)心的一件事情。

DeepTech：你從熱能工程然后又轉(zhuǎn)到計(jì)算機(jī)、又轉(zhuǎn)到數(shù)學(xué)，是什么樣的動(dòng)因驅(qū)動(dòng)你做這些專業(yè)方向上的選擇？

陸路：我一開(kāi)始高考之后選專業(yè)，其實(shí)當(dāng)時(shí)也沒(méi)有做太多思考，覺(jué)得熱能工程這個(gè)方向感覺(jué)挺有意思的，而且能解決很多實(shí)際的問(wèn)題，所以選了這樣一個(gè)工科方向。但是在學(xué)習(xí)的過(guò)程中，包括本科時(shí)做的一些科研，發(fā)現(xiàn)很多時(shí)候會(huì)需要計(jì)算機(jī)的支持。特別是我當(dāng)時(shí)對(duì)建模仿真這方面感興趣，本科時(shí)也做過(guò)一些實(shí)驗(yàn)，但我對(duì)實(shí)驗(yàn)好像不是很擅長(zhǎng)，做得不是特別好，所以一直喜歡做模擬仿真。當(dāng)時(shí)就同時(shí)選修了計(jì)算機(jī)的輔修。

在布朗的時(shí)候，我一開(kāi)始在工程學(xué)院，但主要感興趣的還是做計(jì)算機(jī)模擬，而不是做實(shí)驗(yàn)。當(dāng)時(shí)我很感興趣的一位老師，就是我后來(lái)的博士導(dǎo)師 George Karniadakis，他在應(yīng)用數(shù)學(xué)系。所以我后來(lái)很自然地把學(xué)位從工程轉(zhuǎn)到了應(yīng)用數(shù)學(xué)。我一開(kāi)始的研究也沒(méi)有做機(jī)器學(xué)習(xí)。

在我博士的前幾年，大概是 2014、2015 年，我主要做的東西簡(jiǎn)單來(lái)說(shuō)是和分子動(dòng)力學(xué)相關(guān)的。我們會(huì)用分子建模的方式來(lái)模擬一些生物現(xiàn)象。當(dāng)時(shí)我們做了很多高性能計(jì)算，會(huì)寫(xiě) C++程序，用并行的超算來(lái)進(jìn)行大規(guī)模模擬。這些能力需要上很多計(jì)算機(jī)底層的課，才能讓自己寫(xiě)的算法跑得非常快、非常好。所以當(dāng)時(shí)學(xué)了很多計(jì)算機(jī)方面的知識(shí)。很多時(shí)候可能也是跟我的興趣有關(guān)，我對(duì)用模擬、建模仿真、計(jì)算的工具來(lái)解決應(yīng)用數(shù)學(xué)或者工程方面的問(wèn)題一直比較感興趣，所以它就同時(shí)需要多方面的背景。

DeepTech：所以其實(shí)你轉(zhuǎn)向計(jì)算機(jī)也好、轉(zhuǎn)向應(yīng)用數(shù)學(xué)也好，在你轉(zhuǎn)向的過(guò)程中，AI 技術(shù)其實(shí)還沒(méi)有大范圍普及開(kāi)來(lái)，或者當(dāng)時(shí)還屬于一個(gè)低谷期。

陸路：對(duì)，是的。一開(kāi)始的時(shí)候大家還沒(méi)有認(rèn)識(shí)到 AI 有多么有用?，F(xiàn)在大家都在做 AI for Science，用 AI 來(lái)解決科學(xué)中的問(wèn)題。但當(dāng)時(shí) AI 還處于很早期的階段，包括計(jì)算機(jī)視覺(jué)都還沒(méi)有發(fā)展很好。所以那時(shí)候我一開(kāi)始也沒(méi)有想到后面要做 AI。但是我學(xué)了這么多東西，后來(lái)發(fā)現(xiàn)這些知識(shí)，計(jì)算機(jī)也好、應(yīng)用數(shù)學(xué)也好，都自然而然地用在了我現(xiàn)在關(guān)于 AI 的研究中。

DeepTech：那在這個(gè)轉(zhuǎn)向過(guò)程中，你有沒(méi)有遇到過(guò)一些困難？因?yàn)槲乙彩菍W(xué)自然科學(xué)的，學(xué)生物相關(guān)的，通過(guò)生物去研究計(jì)算機(jī)相關(guān)的知識(shí)和領(lǐng)域進(jìn)展的時(shí)候，對(duì)于我來(lái)說(shuō)屬于跨學(xué)科，會(huì)遇到各種各樣的困難。對(duì)于你來(lái)說(shuō)有沒(méi)有這樣的經(jīng)歷？能不能分享一些怎么克服這些困難的經(jīng)驗(yàn)？

陸路：我覺(jué)得你說(shuō)得對(duì)，確實(shí)是跨學(xué)科工作的一個(gè)基本問(wèn)題?？鐚W(xué)科很多時(shí)候需要更多的付出。比如我剛才提到，本科的時(shí)候做的東西是和傳熱流體相關(guān)的。后來(lái)在讀博的頭幾年，我用的方法叫 DPD（Dissipative Particle Dynamics），大概來(lái)說(shuō)就是用分子動(dòng)力學(xué)的方式，當(dāng)時(shí)模擬的現(xiàn)象是紅細(xì)胞、血紅蛋白這個(gè)尺度。我們希望用計(jì)算機(jī)模擬去理解紅細(xì)胞到底是怎么工作的、怎么調(diào)控的、它的力學(xué)性質(zhì)怎樣。我們當(dāng)時(shí)還考慮一個(gè)疾病叫鐮刀型細(xì)胞貧血癥，這個(gè)可能大家在高中課本上學(xué)過(guò)，去理解這個(gè)疾病到底怎么發(fā)生的，它怎么和藥物進(jìn)行交互，為什么有些藥能夠產(chǎn)生效果。

這個(gè)課題一開(kāi)始我上手花了一段時(shí)間。因?yàn)檫@是一個(gè)生物問(wèn)題，我之前也沒(méi)有學(xué)過(guò)；用的工具是分子動(dòng)力學(xué)這類工具，本科時(shí)也沒(méi)有學(xué)過(guò)。所以一開(kāi)始讀了非常多的文獻(xiàn)，花了很多時(shí)間去進(jìn)入這個(gè)領(lǐng)域。我記得特別深的一件事是，當(dāng)時(shí)我需要用一個(gè)軟件叫 LAMMPS，一個(gè)非常多人使用的分子建模軟件。但 LAMMPS 不是很容易上手，不像比如現(xiàn)在我們用 TensorFlow、PyTorch，教程非常完善，網(wǎng)上例子非常多，API 也很簡(jiǎn)單。

LAMMPS 是一個(gè) C++代碼，代碼量非常大，文檔寫(xiě)得也不是那么友好，至少在當(dāng)時(shí)。我記得我一開(kāi)始的時(shí)候把幾百頁(yè)的文檔打印出來(lái)，從頭到尾讀了三遍，終于把這個(gè)軟件怎么工作的、底層實(shí)現(xiàn)原理是什么搞清楚了。因?yàn)槲覀冃枰M(jìn)入這個(gè)代碼本身做很多非常底層的修改。所以感覺(jué)一開(kāi)始還是經(jīng)歷了一些比較痛苦的時(shí)期來(lái)進(jìn)入這個(gè)領(lǐng)域。

DeepTech：但是經(jīng)過(guò)一段痛苦的時(shí)間之后，對(duì)你的科研工作其實(shí)是有幫助的。

陸路：對(duì)，我覺(jué)得有幾方面。一個(gè)是不僅知道了這個(gè)問(wèn)題怎么做、工具怎么用，另一方面也是對(duì)我本身能力的一個(gè)培養(yǎng)。

DeepTech：對(duì)你來(lái)說(shuō)，這樣也有助于了解更底層的運(yùn)行原理，對(duì)科研工作是一個(gè)助力。

陸路：對(duì)，我現(xiàn)在已經(jīng)不做這個(gè)方向了，但我覺(jué)得當(dāng)時(shí)的很多積累和思考對(duì)后面的工作都是有幫助的。

DeepTech：你現(xiàn)在轉(zhuǎn)向機(jī)器學(xué)習(xí)，這個(gè)過(guò)程是不是就比較順暢了？

陸路：從我的經(jīng)驗(yàn)而言，其實(shí)機(jī)器學(xué)習(xí)的上手，進(jìn)入機(jī)器學(xué)習(xí)這個(gè)領(lǐng)域，比那些傳統(tǒng)領(lǐng)域，比如我剛才提到的分子動(dòng)力學(xué)，要簡(jiǎn)單很多。不管是讀文章也好，自己寫(xiě)代碼也好，確實(shí)非常容易上手。

DeepTech：其實(shí)這個(gè)時(shí)候你已經(jīng)寫(xiě)了十幾年的代碼了。

陸路：對(duì)，也可能是我自己能力提高了，不一定是這個(gè)領(lǐng)域簡(jiǎn)單。

DeepTech：剛才你提到你是用機(jī)器學(xué)習(xí)的辦法去解決一些物理的問(wèn)題和數(shù)學(xué)的問(wèn)題。你能再給我們介紹一下你的科研方向嗎？因?yàn)槲覀兊牟タ推虻氖鼙娺€是相對(duì)大眾一些的，希望能夠讓大家聽(tīng)懂你的研究?jī)?nèi)容。

陸路：首先說(shuō)一下我的目標(biāo)，我們到底要干什么。我一直感興趣的就是仿真建模，我們有很多不同的生物現(xiàn)象、物理現(xiàn)象，比如剛才提到的血液的流動(dòng)，或者對(duì)飛機(jī)、汽車進(jìn)行建模，或者天氣的預(yù)測(cè)。這些復(fù)雜的系統(tǒng)，我們希望找到一個(gè)工具能夠?qū)λM(jìn)行預(yù)測(cè)，以便更好地進(jìn)行控制和優(yōu)化。

如果我們考慮傳統(tǒng)的計(jì)算方法，基本上就是寫(xiě)方程。比如說(shuō)血液的流動(dòng)，我有一套方程把它寫(xiě)出來(lái)，里面可能有很多參數(shù)，我自己選一些參數(shù)。這樣建一個(gè)完備的系統(tǒng)，不需要任何數(shù)據(jù)，用代碼或某種數(shù)學(xué)方法就可以求解這個(gè)系統(tǒng)，知道它會(huì)怎么發(fā)展、有什么性質(zhì)。

DeepTech：這就是你之前說(shuō)的用超級(jí)計(jì)算機(jī)去解這些方程，對(duì)吧？

陸路：對(duì)，是的。但這里面會(huì)有很多問(wèn)題。比如我要對(duì)血液進(jìn)行模擬，但血液是一個(gè)非常復(fù)雜的現(xiàn)象。當(dāng)我們想用方程來(lái)描述，可能沒(méi)有一個(gè)非常完美的方程來(lái)模擬血液。即使把方程寫(xiě)出來(lái)，里面可能有很多未知項(xiàng)、很多參數(shù)，我也不知道該怎么選。所以傳統(tǒng)方法就有各種各樣的限制。同時(shí)用超算來(lái)算非常貴。

DeepTech：超算的計(jì)算時(shí)間也很長(zhǎng)。

陸路：對(duì)，所以我們就希望用機(jī)器學(xué)習(xí)的方式來(lái)解決這些難點(diǎn)。說(shuō)到機(jī)器學(xué)習(xí)，大家經(jīng)常會(huì)想到數(shù)據(jù)驅(qū)動(dòng)或大數(shù)據(jù)。很多時(shí)候，比如我有一個(gè)復(fù)雜的系統(tǒng)，方程我可能不完全知道它長(zhǎng)什么樣，但我可能有一些知識(shí)，我們過(guò)去有很多積累，大概知道怎么用數(shù)學(xué)語(yǔ)言去描述，但可能不是百分之百準(zhǔn)確。同時(shí)我們可以對(duì)這個(gè)系統(tǒng)收集很多數(shù)據(jù)。所以我們就希望結(jié)合過(guò)去已有的科學(xué)知識(shí)加上收集的數(shù)據(jù)，兩者結(jié)合來(lái)進(jìn)行建模，而不只是從物理出發(fā)。

這就是我們稱之為 Physics-Informed Machine Learning（物理信息機(jī)器學(xué)習(xí)），把物理信息和數(shù)據(jù)結(jié)合在一起來(lái)進(jìn)行建模。這樣也會(huì)解決一些其他問(wèn)題，比如一旦神經(jīng)網(wǎng)絡(luò)訓(xùn)練好之后，它的預(yù)測(cè)能夠非?？欤恍枰?。舉個(gè)例子，我當(dāng)時(shí)做模擬的時(shí)候，印象非常深刻，那時(shí)我跑的一個(gè)系統(tǒng)非常大，為了追求較高的精度，用了超過(guò) 20 億級(jí)別的粒子數(shù)來(lái)求解。當(dāng)時(shí)我用的是美國(guó)排名第一的超算，用了它大概三分之二的資源來(lái)跑那個(gè)程序，但結(jié)果也沒(méi)有那么理想。有了機(jī)器學(xué)習(xí)之后，雖然訓(xùn)練可能很貴，但訓(xùn)練完之后用來(lái)預(yù)測(cè)新的情況、做其他任務(wù)就非常方便了。

DeepTech：能不能再給我們解釋一下，傳統(tǒng)是解方程，那現(xiàn)在是讓 AI 去解方程，還是說(shuō)用 AI 只是映射方程的結(jié)果呢？

陸路：你這一點(diǎn)說(shuō)得非常好?，F(xiàn)在其實(shí)有多種做法。一種是用 AI 來(lái)直接解方程，舍棄傳統(tǒng)的解方程算法，只用 AI 來(lái)解。另一種是不用 AI 做求解過(guò)程，而是用 AI 直接一步做預(yù)測(cè)。

DeepTech：直接輸出結(jié)果。

陸路：對(duì)，這兩種我們都有做。現(xiàn)在的科學(xué)界這兩種都有大量的人在做，甚至還能相結(jié)合。

DeepTech：你主要選擇哪種方法？

陸路：像好幾年前，特別是我在讀博士的時(shí)候，我一開(kāi)始做的是第一種：我有一個(gè)方程，可能是各種形式、不同的問(wèn)題。比如我們稱之為正問(wèn)題或者反問(wèn)題。我最初的研究主要偏向于用 AI 來(lái)解正問(wèn)題和反問(wèn)題。所謂正問(wèn)題，比如直接對(duì)血液進(jìn)行模擬；反問(wèn)題則是它的反面，比如我有一個(gè)材料，有一些力學(xué)性質(zhì)，有一些觀測(cè)值，這些觀測(cè)值可以認(rèn)為是方程的解，我已經(jīng)有了一些解，但希望反過(guò)來(lái)預(yù)測(cè)材料的性質(zhì)，也就是反過(guò)來(lái)預(yù)測(cè)方程中缺失的一些信息，這就稱之為反問(wèn)題。

我們一開(kāi)始做的比較多的是開(kāi)發(fā)一些 AI 算法來(lái)解正問(wèn)題和反問(wèn)題，特別是反問(wèn)題。當(dāng)時(shí)取得了一些進(jìn)展，有些問(wèn)題上比傳統(tǒng)方法做得更好。后來(lái)，特別是博士最后一年到現(xiàn)在，我的研究方向更多集中在用 AI 來(lái)直接預(yù)測(cè)方程的解。我們稱之為“算子學(xué)習(xí)”，因?yàn)轭A(yù)測(cè)方程的解可以稱之為一個(gè)解算子，所以叫算子學(xué)習(xí)。

DeepTech：本質(zhì)上相當(dāng)于訓(xùn)練完模型之后，讓 AI 直接去預(yù)測(cè)某一個(gè)方程的解，或者直接預(yù)測(cè)某些數(shù)據(jù)，輸入之后直接輸出結(jié)果，對(duì)吧？那這個(gè)模型在訓(xùn)練的時(shí)候是不是也需要大量的數(shù)據(jù)？

陸路：這個(gè)問(wèn)題非常好。訓(xùn)練有很多種不同的方法。第一種最直接的方法就是先產(chǎn)生數(shù)據(jù)，這個(gè)數(shù)據(jù)可以用 AI 來(lái)產(chǎn)生，也可以用傳統(tǒng)方法來(lái)產(chǎn)生。產(chǎn)生數(shù)據(jù)之后做訓(xùn)練，這是比較自然的想法，類似于現(xiàn)在做 ChatGPT 訓(xùn)練一樣，先產(chǎn)生數(shù)據(jù)然后做訓(xùn)練。這種好處是兩步分得很開(kāi)，研究起來(lái)比較簡(jiǎn)單。

但問(wèn)題在于很多時(shí)候產(chǎn)生數(shù)據(jù)的過(guò)程計(jì)算量很大。不像自然語(yǔ)言，我們可以把網(wǎng)上數(shù)據(jù)全都爬下來(lái)就可以訓(xùn)練。科學(xué)數(shù)據(jù)很多時(shí)候需要跑模擬、跑仿真去產(chǎn)生。所以有另一種方法，我們稱之為 Physics-Informed 的方法，在訓(xùn)練過(guò)程中，可以產(chǎn)生一些數(shù)據(jù)，但不需要那么多，產(chǎn)生一些小數(shù)據(jù)。同時(shí)在訓(xùn)練過(guò)程中，把一些物理知識(shí)也作為訓(xùn)練的一部分。比如我們知道訓(xùn)練的結(jié)果是某個(gè)系統(tǒng)的預(yù)測(cè)，那么這個(gè)預(yù)測(cè)要滿足一些物理規(guī)律，這些物理規(guī)律就可以作為訓(xùn)練過(guò)程中的一種約束。這樣就可以減少對(duì)數(shù)據(jù)的依賴。至少在我的研究中會(huì)更多地采用這種方法，不完全拋棄物理知識(shí)，還是會(huì)把它加進(jìn)來(lái)。

DeepTech：相當(dāng)于如果讓 AI 自己去收斂，肯定需要非常大的數(shù)據(jù)才能出現(xiàn)準(zhǔn)確的預(yù)測(cè)結(jié)果。如果加入一些物理規(guī)律的約束或規(guī)則約束，可能不需要大量的數(shù)據(jù)樣本。因?yàn)槲乙仓雷匀豢茖W(xué)的數(shù)據(jù)，第一細(xì)分得非常細(xì)，第二獲取非常難。這樣的話就不需要大量的數(shù)據(jù)去喂它了，建立了一些規(guī)則之后，它在規(guī)則的基礎(chǔ)上去跑這些數(shù)據(jù)，可能就會(huì)得到更優(yōu)的結(jié)果。

陸路：對(duì)，其實(shí)怎么解決數(shù)據(jù)的問(wèn)題，我們最近做了很多工作。一種是我剛才提到的，把之前的知識(shí)，數(shù)學(xué)方程也好，或者最基本的質(zhì)量守恒、能量守恒等都放在訓(xùn)練過(guò)程中去。當(dāng)然我們還有很多其他做法。比如我們有一種方法叫 Multi-Fidelity Learning，中文可能翻譯叫“多保真度機(jī)器學(xué)習(xí)”。這個(gè)概念不是新的，但它和機(jī)器學(xué)習(xí)結(jié)合能產(chǎn)生一些很意想不到的結(jié)果。

舉個(gè)簡(jiǎn)單例子，比如我要對(duì)某個(gè)現(xiàn)象進(jìn)行求解，需要產(chǎn)生數(shù)據(jù)。但數(shù)據(jù)產(chǎn)生有很多種方法，我可以用很多算力得到非常準(zhǔn)的數(shù)據(jù)，但這種數(shù)據(jù)很難獲取，可能很少，我們稱之為 High Fidelity，就是高保真度數(shù)據(jù)，非常準(zhǔn)但非常少。另一種做法是產(chǎn)生數(shù)據(jù)時(shí)不需要那么準(zhǔn)，可能差 10%、差 15%，就大概有一個(gè)趨勢(shì)。產(chǎn)生這樣的數(shù)據(jù)相對(duì)簡(jiǎn)單，會(huì)產(chǎn)生大量的這種數(shù)據(jù)，我們稱之為 Low Fidelity，數(shù)據(jù)量龐大，但每個(gè)數(shù)據(jù)質(zhì)量較差。

我們這個(gè)方法可以想象成一個(gè)金字塔結(jié)構(gòu)：越往上數(shù)據(jù)精度越高越好，越往下數(shù)據(jù)質(zhì)量越差。但好的數(shù)據(jù)在金字塔頂端數(shù)量很小，差的數(shù)據(jù)在底端數(shù)量很多。這個(gè)方法就是說(shuō)，我們有這樣多級(jí)別的數(shù)據(jù)，希望把它們?nèi)坑闷饋?lái)，通過(guò)機(jī)器學(xué)習(xí)的方式融合在一起，得到一個(gè)非常好的模型。這個(gè)模型會(huì)比你只用少量精確數(shù)據(jù)、或用同等計(jì)算代價(jià)獲得的結(jié)果要更好。

DeepTech：這樣數(shù)據(jù)的問(wèn)題就相對(duì)好解決一些了。

陸路：對(duì)。像我提到的這是一種策略，其實(shí)我們還有很多其他的策略。比如我們最近有一篇文章發(fā)表在 Nature Communications 上，考慮了一個(gè)非常有意思的極端情況，如果在某個(gè)時(shí)刻你只有一個(gè)數(shù)據(jù)，你怎么去對(duì)這個(gè)數(shù)據(jù)進(jìn)行學(xué)習(xí)。這在有些應(yīng)用場(chǎng)景中確實(shí)會(huì)出現(xiàn)。

當(dāng)時(shí)我們舉了一個(gè)例子：比如新冠疫情的時(shí)候，大家去預(yù)測(cè)傳染疾病的發(fā)展。有一個(gè)所謂的 SIR 模型，大概可以預(yù)測(cè)不同人群，比如受感染的人群、恢復(fù)的人群之間的交互。比如一個(gè)人被感染后可能又恢復(fù)。但這種模型沒(méi)有考慮到不同的人口密度或人的遷移率。比如我們考慮上?；虮本膭?dòng)力學(xué)性質(zhì)跟人口更稀疏的地方，比如內(nèi)蒙古，肯定是不一樣的。所以有一個(gè)更準(zhǔn)確的模型會(huì)考慮人口分布和遷移速率?？梢韵胂螅绻總€(gè)人每天遷移的距離更多，疾病其實(shí)更容易傳染。

如果考慮這種情況，比如政府要做一個(gè)預(yù)測(cè)，要不要限制大家外出，限制到什么程度，那我們可能就想知道一個(gè)政策會(huì)對(duì)應(yīng)怎樣的結(jié)果。收集數(shù)據(jù)就是需要對(duì)某個(gè)城市的人口或當(dāng)時(shí)某個(gè)階段的情況進(jìn)行調(diào)研，這樣的數(shù)據(jù)收集起來(lái)非常麻煩，不可能收集好多次?？赡苷撕艽缶κ占艘淮螖?shù)據(jù)。用我們的方法，只收集一次數(shù)據(jù)，做一次普查，就可以對(duì)系統(tǒng)進(jìn)行分析。如果有一個(gè)新的政策，模型就會(huì)告訴你對(duì)于這個(gè)政策，疾病會(huì)怎么發(fā)展；政策更寬松或更收緊，會(huì)導(dǎo)致什么結(jié)果。所以實(shí)際中確實(shí)會(huì)有一些具體的應(yīng)用場(chǎng)景，數(shù)據(jù)會(huì)極度稀少。

DeepTech：這樣我們讓數(shù)據(jù)的收集者也減輕了壓力，同時(shí)能夠給出不同政策下的預(yù)測(cè)結(jié)果，有利于決策，而不是反復(fù)收集動(dòng)態(tài)數(shù)據(jù)。動(dòng)態(tài)數(shù)據(jù)的獲取確實(shí)非常困難。

陸路：是的，我當(dāng)時(shí)考慮的就是有些場(chǎng)景中收集數(shù)據(jù)，特別是動(dòng)態(tài)數(shù)據(jù)、長(zhǎng)時(shí)間的數(shù)據(jù)，代價(jià)是非常大的。

DeepTech：你剛才提到不管是小樣本學(xué)習(xí)，還是利用規(guī)則去收斂學(xué)習(xí)路徑，就會(huì)帶來(lái)另一個(gè)問(wèn)題，我們都知道在機(jī)器學(xué)習(xí)中可能會(huì)產(chǎn)生過(guò)擬合的現(xiàn)象，也會(huì)出現(xiàn)很難解決長(zhǎng)尾問(wèn)題的情況，就是極端情況下預(yù)測(cè)失真。你如何判斷，你訓(xùn)練完的 AI 模型是真正捕捉了底層的物理規(guī)律，還是一個(gè)過(guò)擬合的結(jié)果？

陸路：這個(gè)問(wèn)題非常好。一般來(lái)說(shuō)機(jī)器學(xué)習(xí)是數(shù)據(jù)驅(qū)動(dòng)的，很多時(shí)候模型的效果取決于你用什么樣的數(shù)據(jù)去訓(xùn)練。

DeepTech：以及數(shù)據(jù)質(zhì)量。

陸路：對(duì)，數(shù)據(jù)質(zhì)量、數(shù)據(jù)的范圍。在我們這套方法中，可以加入物理信息，很多時(shí)候能使模型的泛化做得更好，改善性能。但從理論上來(lái)說(shuō)，很多時(shí)候我沒(méi)法保證它一定能處理任意的輸入。比如你提到的長(zhǎng)尾數(shù)據(jù)，確實(shí)是一個(gè)非常難的問(wèn)題。

所以我和我的很多同行會(huì)做這樣一件事情：我承認(rèn)我這個(gè)模型訓(xùn)練好之后沒(méi)法處理任意的輸入，但我們想知道模型怎樣能夠更加魯棒（robust）。比如有一個(gè)新的輸入進(jìn)來(lái)，如果我的模型能夠探測(cè)出這個(gè)新輸入它能不能準(zhǔn)確處理，如果模型自己知道這個(gè)輸入我能處理，就直接預(yù)測(cè)輸出；或者直接告訴使用者，這個(gè)輸入我不知道怎么做。所以我們也有一些工作，不是一定要使模型能夠處理任意輸入，因?yàn)榇_實(shí)非常難，會(huì)有一些極端情況在訓(xùn)練時(shí)很難考慮到。

DeepTech：那這種輸入，模型會(huì)自己識(shí)別出來(lái)呢？還是有可能會(huì)輸出假的結(jié)果，或者偏離正確值太遠(yuǎn)的結(jié)果？

陸路：這種方法某種意義上還是有一定概率在里面的。對(duì)于一個(gè)輸入，很多時(shí)候我沒(méi)法百分之百保證模型能否正確預(yù)測(cè)。但我們很多時(shí)候能做的是在概率上，有非常大的概率讓模型知道它是否有能力處理這個(gè)數(shù)據(jù)。同時(shí)在設(shè)計(jì)的時(shí)候，可以加入一些人工因素，比如設(shè)置一些參數(shù)，讓模型對(duì)輸入更保守或更激進(jìn)，可以根據(jù)需要去調(diào)節(jié)。但確實(shí)也不能做到百分之百，可能是 99% 或者很大概率能夠正確。

DeepTech：那這個(gè)模型有沒(méi)有一些驗(yàn)證的手段？比如我們知道在自動(dòng)駕駛里，過(guò)去模型的決策鏈路我們是看不到的，現(xiàn)在新的發(fā)展方向是加入了語(yǔ)言處理，通過(guò)語(yǔ)言來(lái)了解模型的決策是否正確。在進(jìn)行科學(xué)研究的時(shí)候，我們一般也認(rèn)為模型是一個(gè)黑箱，它的可信度和結(jié)果的可追溯性怎么樣？

陸路：這方面其實(shí)有很多研究。像我做的和 PDE（偏微分方程）相關(guān)的場(chǎng)景，我們有一些辦法去追溯，比如可以知道模型的輸出為什么會(huì)這樣輸出。但這個(gè)領(lǐng)域沒(méi)有一個(gè)方法能保證百分之百是對(duì)的。所以很多時(shí)候使用模型的人，可能還是需要理解模型它為什么會(huì)有這樣的輸出。比如在做決策的時(shí)候，模型告訴我輸出是某個(gè)值，同時(shí)可以告訴你一些輔助信息，模型為什么會(huì)有這樣的決策。但這些解釋性的反饋也不一定能保證它是對(duì)的。

像我們?cè)诮?PDE 方程的領(lǐng)域，當(dāng)和傳統(tǒng)方法相比的時(shí)候，傳統(tǒng)的數(shù)值方法有非常嚴(yán)格的理論保證。像機(jī)器學(xué)習(xí)的話，很多時(shí)候我們只能在概率上給出一個(gè)保證。比如訓(xùn)練完之后，我說(shuō)很大概率是對(duì)的，或者在某種覆蓋率的情況下是對(duì)的，或者精度大概是多少。我永遠(yuǎn)不能告訴你百分之百能達(dá)到什么程度。我覺(jué)得這可能是機(jī)器學(xué)習(xí)范式的一個(gè)固有問(wèn)題。

DeepTech：在概率的情況下，永遠(yuǎn)不可能保證百分之百的準(zhǔn)確。

陸路：對(duì)，其實(shí)現(xiàn)在比如說(shuō) ChatGPT 或者 Gemini 或者其他大模型，已經(jīng)越來(lái)越好了，大部分時(shí)候是對(duì)的，但也沒(méi)法保證回答百分之百正確。

DeepTech：有沒(méi)有出現(xiàn)過(guò)這樣一種場(chǎng)景，你覺(jué)得大概結(jié)果應(yīng)該往某個(gè)方向走，但經(jīng)過(guò) AI 的計(jì)算或分析后，它給出了截然不同的結(jié)果，或者意想不到的結(jié)果，而你去驗(yàn)證后發(fā)現(xiàn) AI 給出的結(jié)果反而是正確的？

陸路：這是一個(gè)非常有意思的事情。我們最近正在做的一個(gè)課題，前兩周我們想用機(jī)器學(xué)習(xí)去預(yù)測(cè)一個(gè)關(guān)于地球物理的問(wèn)題。當(dāng)時(shí)機(jī)器學(xué)習(xí)的結(jié)果我覺(jué)得很奇怪，跟我們的一些直覺(jué)不大一致。后來(lái)我們發(fā)現(xiàn)原因在于，機(jī)器學(xué)習(xí)模型沒(méi)有問(wèn)題，而是我們產(chǎn)生數(shù)據(jù)的模型有問(wèn)題。所以很多時(shí)候機(jī)器學(xué)習(xí)的結(jié)果有時(shí)候會(huì)出乎意料，但并不是模型的問(wèn)題，可能是反而我們對(duì)問(wèn)題產(chǎn)生了一些理解上的錯(cuò)誤，或者我們之前的建模方式哪里有問(wèn)題。

DeepTech：所以當(dāng)我們把傳統(tǒng)領(lǐng)域或?qū)W科引入 AI 場(chǎng)景之后，AI 不僅僅是一個(gè)解題的工具，不像過(guò)去超算只是解方程的工具，它甚至能夠在某些程度上成為我們的協(xié)作者，能夠提供一些結(jié)果上或者預(yù)測(cè)方向上的信息。

陸路：對(duì)，其實(shí)這一塊也有很多不同的方法。比如還有一類問(wèn)題是怎么用 AI 去發(fā)現(xiàn)新的物理知識(shí)。很多時(shí)候我們以前的知識(shí)可能是手動(dòng)推導(dǎo)出來(lái)的，但現(xiàn)在有了 AI 這個(gè)工具，可以用 AI 自己去發(fā)現(xiàn)一些我們以前可能沒(méi)有想到的東西。

DeepTech：學(xué)物理的同學(xué)都會(huì)有一個(gè)執(zhí)念，追求大一統(tǒng)，完成一個(gè)收斂的過(guò)程。剛才咱們聊的過(guò)程中，我大概記了幾個(gè)應(yīng)用方向，地球物理、傳統(tǒng)的生物學(xué)、流體動(dòng)力學(xué)。這幾個(gè)應(yīng)用方向在我們看來(lái)都是相對(duì)傳統(tǒng)的領(lǐng)域。把你這樣一些新的研究范式引入傳統(tǒng)學(xué)科里，有沒(méi)有遇到什么阻力或困難？

陸路：阻力可能說(shuō)不上，因?yàn)橄裎疫@些研究，很多時(shí)候我也不是某一個(gè)方面的專家。比如說(shuō)我也不認(rèn)為我是地球物理方面的專家，我一般會(huì)找很多合作者。在不同的科學(xué)領(lǐng)域，有很多人對(duì) AI 幫助他們進(jìn)一步提高、解決他們的問(wèn)題，持著非常開(kāi)放的態(tài)度。所以倒沒(méi)有特別有阻力，但會(huì)有一些地方遇到問(wèn)題。

比如最近有一篇文章，我們研究的是一個(gè)生物問(wèn)題。簡(jiǎn)單描述就是我們的心臟可能會(huì)有各種疾病。如果心臟生病了要做手術(shù)，醫(yī)生在手術(shù)前需要知道心臟現(xiàn)在屬于什么狀況，因?yàn)椴煌臓顩r要采取不同的手術(shù)策略。

以前大家會(huì)根據(jù)醫(yī)生的經(jīng)驗(yàn)，首先對(duì)心臟做一些成像，CT 也好、MRI 也好——然后醫(yī)生看這些成像照片，根據(jù)經(jīng)驗(yàn)或一些傳統(tǒng)方法去推斷。但這樣其實(shí)非常難，可能也會(huì)有錯(cuò)誤，精度不一定高，依賴于醫(yī)生的經(jīng)驗(yàn)。

所以我們當(dāng)時(shí)用 AI 來(lái)做這件事，提出了一套方法。我們是第一個(gè)用 AI 來(lái)做這個(gè)具體問(wèn)題的。當(dāng)時(shí)我們還把技術(shù)用在了一個(gè)真實(shí)的病人身上，因?yàn)槲液歪t(yī)院的一個(gè)同事合作，他當(dāng)時(shí)有一個(gè)小病人。我們預(yù)測(cè)完之后和傳統(tǒng)方法對(duì)比，發(fā)現(xiàn)我們的方法確實(shí)在某種意義上更好。

但問(wèn)題在于，做傳統(tǒng)方法的人會(huì)質(zhì)疑：你這個(gè) AI 預(yù)測(cè)出某個(gè)結(jié)果，可能和傳統(tǒng)結(jié)果不完全一樣，你怎么知道你的方法是對(duì)的？

DeepTech：很多醫(yī)學(xué)上要求循證。

陸路：對(duì)，因?yàn)楫?dāng)時(shí)是一個(gè)真實(shí)的病人，我們不可能把真實(shí)病人的心臟取出來(lái)做實(shí)驗(yàn)，然后說(shuō)你看真的和機(jī)器學(xué)習(xí)預(yù)測(cè)是一致的。在文章里我們可能先用虛擬病人的模擬數(shù)據(jù)來(lái)驗(yàn)證方法是對(duì)的。但到了真實(shí)病人身上，很多時(shí)候沒(méi)法說(shuō)一定是對(duì)的。所以在一些特殊情況下，比如醫(yī)學(xué)領(lǐng)域，會(huì)有這樣的問(wèn)題，傳統(tǒng)數(shù)值方法有理論保證，大家自然覺(jué)得是對(duì)的。到了 AI 之后，不是一步一步人工推導(dǎo)的，怎么去解釋結(jié)果是對(duì)的，我們可能會(huì)有一些解釋，但要完全說(shuō)服別人，需要更多時(shí)間。

DeepTech：所以引入到傳統(tǒng)行業(yè)的時(shí)候，我們也需要傳統(tǒng)行業(yè)的專家來(lái)合作，進(jìn)行結(jié)果的驗(yàn)證和保證，這樣才能在各行各業(yè)里去應(yīng)用，尤其是相對(duì)嚴(yán)肅的領(lǐng)域，比如醫(yī)學(xué)。

陸路：對(duì)，比如剛才提到的那個(gè)案例，我的合作者是一個(gè)醫(yī)院的醫(yī)生，他真的會(huì)做臨床手術(shù)。他當(dāng)時(shí)對(duì)這個(gè)結(jié)果覺(jué)得非常好。

DeepTech：所以 AI 也可以成為醫(yī)生的高效率工具。醫(yī)生并不希望每天通過(guò)看片來(lái)得出結(jié)論。如果我們能很快預(yù)測(cè)出結(jié)論，醫(yī)生只需要判斷對(duì)錯(cuò)就好，而不需要一步一步用經(jīng)驗(yàn)去推導(dǎo)結(jié)果。他從一個(gè)執(zhí)行者變成了一個(gè)決策者。

陸路：對(duì)，我覺(jué)得當(dāng)我們用在各種領(lǐng)域的時(shí)候，還是需要領(lǐng)域內(nèi)的專家大家一起合作。

DeepTech：目前我們?cè)诳茖W(xué)上的研究，與各大廠競(jìng)爭(zhēng)的語(yǔ)言模型或多模態(tài)模型，有差異嗎？有沒(méi)有一些交叉？

陸路：像大廠做的語(yǔ)言模型和其他模型，跟我做的科研應(yīng)用方面的模型，我覺(jué)得既有差異又有共通點(diǎn)。很多技術(shù)其實(shí)有相似性，比如 Transformer 一開(kāi)始是為語(yǔ)言模型開(kāi)發(fā)的，但我們現(xiàn)在也把它用來(lái)做科學(xué)計(jì)算。所以很多技術(shù)可以借鑒過(guò)來(lái)。但也有很多不一樣的地方，比如數(shù)據(jù)，他們有海量數(shù)據(jù)，但科學(xué)領(lǐng)域或工程領(lǐng)域很多時(shí)候數(shù)據(jù)量很少。同時(shí)我們有一些他們沒(méi)有的東西——

DeepTech：就是什么是正確、什么是錯(cuò)誤的絕對(duì)標(biāo)準(zhǔn)。

陸路： 對(duì)，傳統(tǒng)的科學(xué)領(lǐng)域有正確和錯(cuò)誤的標(biāo)準(zhǔn)，工程領(lǐng)域也有不同的先驗(yàn)知識(shí)。有了這樣的額外信息，我們就要開(kāi)發(fā)額外的算法和機(jī)器學(xué)習(xí)模型。所以它們?cè)诩夹g(shù)上有很多可以借鑒的地方，但也有很多不一樣的東西。

DeepTech：大廠的這些模型能用到科學(xué)里嗎？

陸路：其實(shí)有一些是可以的。比如現(xiàn)在大家都在做 Foundation Model（基礎(chǔ)模型），我們?nèi)绻隹茖W(xué)應(yīng)用，大家現(xiàn)在也有做很多科學(xué)基礎(chǔ)模型。最經(jīng)典的例子，我們知道做蛋白質(zhì)的就有很多這樣的模型，大家已經(jīng)做了好幾年了。它們的技術(shù)和大廠做的非常像，因?yàn)楸热缫粋€(gè)蛋白質(zhì)序列可以看作一種語(yǔ)言。

DeepTech：反正都是一個(gè)序列。蛋白質(zhì)序列和語(yǔ)言文字其實(shí)是差不多的。

陸路：對(duì)，所以很多時(shí)候有非常多的東西可以借鑒過(guò)來(lái)。我經(jīng)常也會(huì)看做語(yǔ)言的、做計(jì)算機(jī)視覺(jué)或其他多模態(tài)的文章，也會(huì)借鑒很多他們的技術(shù)。

DeepTech： 聊完技術(shù)之后，還想聊一些更開(kāi)放的問(wèn)題。因?yàn)槟阋彩菑膰?guó)內(nèi)畢業(yè)之后到美國(guó)做研究，后來(lái)獨(dú)立帶團(tuán)隊(duì)。你覺(jué)得兩國(guó)的科研環(huán)境，或者對(duì) AI 相關(guān)技術(shù)的發(fā)展，有什么切身的感受？

陸路：像我本科畢業(yè)到現(xiàn)在超過(guò)十年了，其實(shí)我對(duì)國(guó)內(nèi)現(xiàn)在的科研方式?jīng)]有那么了解了。但一般而言，差異肯定還是有的。

如果在 AI 領(lǐng)域不看具體細(xì)節(jié)，只看整個(gè)發(fā)展的話，我們可以看到很多新聞顯示中國(guó)的 AI 發(fā)展非?？欤貏e是最近幾年。不管是文章的數(shù)量，還是大廠模型的開(kāi)發(fā)。雖然起步?jīng)]有美國(guó)那么早，但最近發(fā)展特別快。但如果我們只看那些最有突破性的工作，至少到目前為止，這樣的數(shù)量在美國(guó)還是更多一點(diǎn)。

DeepTech：基礎(chǔ)研究或者基礎(chǔ)性的科學(xué)研究。

陸路：對(duì)，但我覺(jué)得未來(lái)幾年肯定會(huì)變化。如果看趨勢(shì)的話，國(guó)內(nèi)現(xiàn)在不管是投入還是人才儲(chǔ)備也越來(lái)越多了，以后肯定能看到越來(lái)越好的工作出現(xiàn)。

DeepTech：從讀書(shū)到帶團(tuán)隊(duì)的身份轉(zhuǎn)換，你覺(jué)得有什么不同嗎？

陸路：差別挺大的。自己讀書(shū)的時(shí)候?qū)Ｗ⒌木褪亲约旱恼n題，把手頭一兩個(gè)課題做好就行，其他什么都不用管，比如經(jīng)費(fèi)是怎么來(lái)的我也不用管，只關(guān)心自己的研究。

但獨(dú)立之后就不一樣了。特別像在美國(guó)，我要招學(xué)生的話，就要給學(xué)生付學(xué)費(fèi)、付工資。這一點(diǎn)跟國(guó)內(nèi)挺不一樣的。在國(guó)內(nèi)老師招一個(gè)博士生，如果只從經(jīng)費(fèi)層面來(lái)看，沒(méi)有那么多。但在美國(guó)非常貴。大概一個(gè)平均數(shù)字，不同學(xué)校差很多，但平均一個(gè)學(xué)生一年大概要 10 萬(wàn)美元。

DeepTech：還蠻貴的。

陸路：像耶魯就更貴了，因?yàn)橐话銇?lái)說(shuō)私校學(xué)費(fèi)更高、工資也更高，學(xué)校所謂的 Overhead（管理費(fèi)）也更高，比這 10 萬(wàn)要多很多。所以獨(dú)立之后帶團(tuán)隊(duì)，除了要做好科研，和學(xué)生討論科研怎么做、文章怎么寫(xiě)，另一個(gè)非常重要的事情就是怎么去找經(jīng)費(fèi)。有了經(jīng)費(fèi)，才能給學(xué)生付工資、付學(xué)費(fèi)，支持他們的科研。

DeepTech：我們今天聊了很多，從你的技術(shù)研究到拆解技術(shù)細(xì)節(jié)，陸老師把技術(shù)講解得非常清楚，也帶我們了解了 AI 解決科學(xué)問(wèn)題的很多洞見(jiàn)。最后也聊到了科研和帶團(tuán)隊(duì)的差異。最后請(qǐng)陸老師再總結(jié)兩句。

陸路：我可以說(shuō)一下最近的一些其他方向。我一直在做的是從傳統(tǒng)模擬做了好幾年，然后轉(zhuǎn)到機(jī)器學(xué)習(xí)，用 AI 解方程、做建模仿真、做預(yù)測(cè)?，F(xiàn)在我也在做一些新的工作。比如我最近開(kāi)始做 AI 和量子計(jì)算的結(jié)合，怎么用量子計(jì)算來(lái)加速 AI，去處理我以前的那些問(wèn)題。

另外我們也知道最近有一個(gè)非常熱門(mén)的領(lǐng)域叫生成式模型。比如在 ChatGPT 里可以用語(yǔ)言來(lái)生成一只狗、生成一幅畫(huà)。如果把這類模型引入傳統(tǒng)的科學(xué)計(jì)算領(lǐng)域，當(dāng)然可以直接用，但范式上會(huì)有一些區(qū)別。所以我們最近也提出了一些不一樣的策略，怎么把生成式算法更好地和物理信息相結(jié)合。

還有我們最近的一些其他工作，希望把 AI 這個(gè)工具反過(guò)來(lái)和傳統(tǒng)的數(shù)值方法相結(jié)合，使得我們既能有 AI 的優(yōu)勢(shì)，比如速度很快，同時(shí)又能保留傳統(tǒng)方法的準(zhǔn)確性和理論保證。我們能不能兩者兼得？這也是我們最近的一些新的研究方向。

DeepTech：好，有感興趣的聽(tīng)眾朋友也可以跟我們聯(lián)系，與陸老師進(jìn)行進(jìn)一步的交流。

陸路：好的，我的郵箱在網(wǎng)上都可以找到，如果大家感興趣，歡迎聯(lián)系我。

DeepTech：感謝陸老師的時(shí)間，謝謝！