自然是最快的计算机，只是不好编程

从量子引力到气候：一个理论物理学家为什么去做碳捕获

Welling 说，年轻时他完全凭好奇心选题：黑洞内部是什么、宇宙边界在哪里、量子力学究竟在说什么。随着年龄增长，他开始加入第二个维度——影响力。做二维量子引力，在现实世界里“基本可以保证不会产生影响”；面对气候变化，而政治手段短期内又很难解决，他决定从技术一侧入手。

CuspAI 是这一判断的产物，但并非纯粹的公益转向：材料科学本身也有足够深的科学问题。他还谈到导师 Gerard ’t Hooft——这位他所认识“最聪明、几乎从不出错”的人，如今认为量子力学是错的。Welling 欣赏这种勇气，也仍试图用更平实的方式理解量子力学。

物理是那条线索：从规范对称性到扩散模型

Welling 把研究脉络归结为一句话：物理是那条线索。理论物理中的对称性一路延伸到规范对称；他与 Taco Cohen 等人把这些结构引入机器学习，从旋转对称做到球面上的规范对称。前学生 Maurice Weiler 后来写了一整本关于对称性与机器学习的书。

更近的一条线是扩散模型与随机热力学。他认为扩散模型、强化学习、薛定谔桥和 MCMC 共享非平衡统计力学中的数学结构，并把在 AIMS 讲授的课程发展成《Generative AI and Stochastic Thermodynamics》。访谈时书稿已交给出版社，他希望在 2026 年 4 月 ICLR 主旨演讲前出版；本文保留这一时点表述，不把计划写成已完成。

AI for Science 正在爆炸，Welling 自己说这是个泡沫

Welling 给出两个升温原因：蛋白质折叠和机器学习原子间势等成功案例证明 AI 工具能进入科学；同时，AI 研究者也开始希望把能力用于健康、药物、能源材料与碳捕获，而不只是广告和多媒体。他特别指出，这两个成功案例都与对称性有关。

他对资本热度的判断很直接：融资规模从数亿美元进入数十亿美元，他以一家 Jeff Bezos 参与、融资 62 亿美元的创业公司为例，但没有点名。结论是：“这说明我们正在制造一个新的泡沫。”公司名 Cusp 也来自他对阶段的判断——这个领域正处在“某种新东西的临界点”。

为什么是材料：在 LLM 之下，压着一层材料问题

Welling 的论证从软件一路向下：LLM 运行在 GPU 上，GPU 依赖晶圆沉积与 EUV 光刻，而尺寸微缩接近极限后，进一步提升越来越依赖新材料。能源转型也是如此——电池、燃料电池和太阳能电池首先都是材料问题。

他举例说，硅上叠加钙钛矿层的太阳能电池理论上可捕获高达 50% 的光能，而当时水平约为 22%；几周后自行降解并变成肥料的塑料也并非不可能。逐字稿把核心句误转为“underlying everything is immaterial”，结合上下文应为“underlying everything is a material”，字面意思正好相反。

把材料发现变成一个搜索引擎问题

传统路径是读论文、提假设、做实验、学习，再循环。Welling 认为材料空间第一次变得可搜索：不仅搜索已经制备或自然存在的分子，而是搜索所有可能的候选。

他描述的终局像一个交互式工具：输入想要的性质，远端数据中心和实验室启动计算与实验，返回材料清单，研究者再细化查询。这不是一次性生成答案，而是让计算、实验与人的判断反复收敛。

CuspAI 的平台：设计不难，难的是真把它造出来

平台架构由生成模型、多尺度多保真数字孪生和实验反馈组成：先用便宜计算筛掉明显不合适的候选，再逐级进入更昂贵的计算，最后把少量候选送进实验。Welling 说这“不是火箭科学”，早期架构至今基本没变。

后来新增多尺度建模，以及搜索化学文献、建议实验和编排计算与实验的 agents；这些模块“处于不同成熟阶段”。他最初也没有把自驱实验室纳入设计，现在认为到了接入高通量实验的阶段。真正的护城河不是架构图，而是可获得的数据和把平台长期运行起来的工程。

把材料带入现实世界必须依靠领域专家和产业伙伴，所以 CuspAI 只有找到合适合作方才进入一个方向。访谈提到负责科学平台与 MLOps 的两位工程负责人，但名字没有得到独立来源确认，本文不重复转写姓名；Aron Walsh 出任首席科学官则可由 Imperial College 资料核实。

物理计算单元：把实验室当成另一种处理器

Welling 不想只把实验当作流程末端的验证，而是把它看成与数字处理器并列的物理计算单元。自然在实验中“替你做计算”，只是人与自然之间的接口更笨重、更难编程。数据中心与自然完成的计算必须无缝协作，才能得到目标材料。

紧接着愿景，他主动划出措辞边界：不用“超级智能”，因为不清楚它是什么意思，也不愿过度承诺。目标是把更强的工具交到化学家和材料科学家手里，而不是用一个宏大概念替代可验证的工作流。

人在回路：为什么“关灯实验室”不是他的愿景

CuspAI 从专家工作流开始，而不是从全自动实验室开始：为具体应用建立工具，由化学家手工串联；发现新问题后增加新工具；工具足够多，再让贝叶斯优化器或“好化学家”模型按正确顺序调用。一个具体自动化判据是：非 DFT 专家每次都要找 DFT 专家时，系统能否替他选择正确设置、运行时间并判断结果质量。

Welling 明确说，关上门让实验室自己“找点有意思的东西”不是他的愿景，很长时间内也不会是。材料工程化包含大量专家一生积累的隐性知识，自动化也高度依赖具体问题：把问题 A 自动化后，换到问题 B 往往要更换实验装置、表征仪器，并重新训练或微调模型。

他把材料 AI 与量子计算、核聚变作对比：不必等二三十年才看到一次全有或全无的突破；每造出一点东西，都可能立刻有用。他预计真正的进展会在大量专家仍位于回路中的状态下出现。

等变性与“苦涩的教训”：归纳偏置和规模的取舍

Welling 把等变性解释为把对称性注入神经网络：一个方向上学会识别物体后，旋转到其他方向仍能识别。约束权重可以显著降低数据需求；对称群可以是平移、旋转、置换，以及物理中的更多结构。

数据增强是另一条路，但不精确；理论上需要无穷多次增强才能完全覆盖。不过他也承认，数据充足时，增强有时比硬编码等变性更好，因为约束会让优化曲面更复杂。这个领域存在相互矛盾的经验结果，不能把任何一边写成无条件规律。

被问到物理先验是否也会遭遇“苦涩的教训”，他回答：归根到底是数据与归纳偏置的取舍。如果先验并不完全正确，它会给模型能力设置天花板；但对称性确定存在时，又很难完全不利用。最稳妥的原则是：除非数据集极小，否则架构始终要能扩展。