一款能够精准描述原子间相互作用的AI模型，正在改变材料科学的研究方式。据北京日报报道，由北京科研团队研发的新一代大原子模型DPA4，综合性能已登顶材料发现领域的国际权威榜单，并在冲榜的同时投身工业场景，帮助科研人员发掘充放电更快、容量更大、安全性更好的新型电池材料，形成了从基础研究、技术突破到应用落地的完整创新链条。
DPA4的背后，是北京正在构筑的人工智能赋能科学研究创新矩阵。北京科学智能研究院院长李鑫宇表示，当前北京已汇集顶级科研算法团队、充足算力设施和高价值数据集，构筑起全国密度最高、综合实力最强的AI for Science创新矩阵。从2018年北京大学学术会议上科学智能概念的首次命名，到如今DPA4等一批科学模型密集落地，北京在AI4S赛道的布局已经进入收获期。
材料研发的传统模式是反复试错，科研人员在失败过程中积累数据，这个过程消耗大量人力物力。而大原子模型的价值在于，它能够精准描述原子间相互作用的过程，只需稍一动脑，就能快速从成千上万的候选材料中找到稳定好用的样本，极大降低课题组的数据生产成本。DPA4正是沿着这条路径迭代而来，从第一代模型算起，四年走完四代进化，性能不断跃升。
据北京科学智能研究院研究员张铎介绍，传统模式下寻找性能更优的新材料，失败概率远高于成功，这一环节会消耗较大比例的资源。DPA4则通过深度学习原子间的相互作用规律，在材料筛选阶段就大幅缩小候选范围，让科研人员把精力集中在最有希望的少数样本上，研发效率得到质的提升。
DPA4的权威性已在国际榜单得到验证。今年5月，这款模型综合性能登顶材料发现领域的国际权威榜单，标志着中国大原子模型首次在该领域达到全球顶尖水平。在北京科学智能研究院推动建设的开源社区上，DPA4已经开放试用，国内外科研团队可以直接调用这一能力，加速各自领域的材料研发进程。
DPA4的价值不止于学术榜单。在工业场景中，它已经帮助科研人员发掘新型电池材料，为充放电更快、容量更大、安全性更好的电池研发提供AI支撑。从基础研究到技术突破再到应用落地，这条完整链条让大原子模型不再是实验室里的演示品，而是实实在在进入产业研发流程的生产力工具。
中国科学技术大学人工智能学院教授钟志诚是DPA模型的深度用户，四年四代的发展阶段他全程经历。他曾坦言，自己接受过良好的传统科研训练，当科学智能概念出现时起初是惊讶和怀疑的，但模型的能力彻底扭转了他的看法，它真的能用且好用。在他看来，DPA4之于材料科学研究，正如发动机的出现对汽车发展的意义，一定能为科研带来划时代的变革，目前已经看到这个迹象。
这种一线科研人员的认可，比任何评测数据都更有说服力。材料、医药、能源等领域的研发周期长、成本高，AI介入的价值在于把试错成本降下来、把研发速度提上去。DPA4在电池材料等方向的实际应用，正在验证AI4S从论文走向产业的可能路径。
大原子模型的价值，最终要落在产业端的实际收益上。传统材料研发平均需要十年以上的周期和数亿元的投入，从配方设计到性能验证的每一环都充满不确定性，而大原子模型通过精准描述原子间相互作用，能够在计算机上完成大量虚拟筛选，把研发周期从年压缩到月，把实验次数从成千上万次压缩到几十次。这种效率提升，对电池、半导体、医药、新能源等依赖新材料的行业意味着真金白银的竞争力。
以DPA4参与的电池材料研发为例，寻找充放电更快、容量更大、安全性更好的材料，传统路径要在大量候选组合中反复试错，每个实验都耗时费力；大原子模型则可以快速评估材料的电化学性能，提前排除明显不合适的方案，让科研人员聚焦在最有可能成功的少数路线上。类似的应用正在向催化剂、合金、聚合物等方向扩展，AI与材料科学的结合已经从概念验证进入实际产出阶段。
当然，大原子模型的产业化也面临现实约束。模型的预测精度依赖高质量训练数据，而材料实验数据的获取成本高昂；虚拟筛选的结论最终仍需实验验证，AI只能加速决策而非替代实验；不同材料体系的差异性也让模型的迁移能力面临考验。DPA4的探索证明了大原子模型的潜力，但要真正成为材料研发的基础设施，还需要在数据、算力和行业协作上持续投入。
科学智能概念与北京渊源颇深。2018年，在北京大学的一次学术会议上，中国科学院院士、北京大学教授鄂维南首次为科学智能命名；2021年，全球首个专注科学智能领域的新型研发机构北京科学智能研究院成立；2025年至2026年，北京出台全国首个科学智能专项地方政策，并印发《北京市加快推进人工智能赋能科学研究实施方案（2026至2028年）》，率先绘就科学智能发展的施工图。
政策的系统性支持，正在转化为产业的集群效应。在北京，顶级算法团队研发模型，算力设施为模型运行提供充足燃料，高质量数据集由在京科研团队提供，三方力量拧成一股绳。除了DPA4，北京科研团队还推出了DPA、磐石等多款科学模型，覆盖材料、化学、生命科学等方向，逐步构建起实力最强的科学智能矩阵。
这套矩阵的意义在于把AI4S的各个要素组装成了一个可运转的系统。单点突破容易，系统化推进难；北京通过研究院、开源社区、专项政策和算力基建的组合，让科学模型的研发、验证、应用形成正循环。对全国而言，北京的科学智能实践提供了可参考的样板，AI for Science的规模化落地，需要的不只是一两个优秀模型，而是让模型持续生长和应用的完整生态。