多数AI公司先有模型，再为它寻找用途。深势科技（DP Technology） 的起点受一道更严苛的条件约束：软件若对分子或材料给出答案，物理规律与实验结果终究会参与裁决。

这样的起点，让这家总部位于北京的公司成为观察中国AI的一份有价值档案。截至 2026年7月，深势科技把自己定位为覆盖整个研究周期的供应商：查找文献、运行计算、设计候选物、衔接实验室工作，再把结果送回下一轮决策。[1] 这份雄心有着足够连贯的内在逻辑，值得认真看待，只是各层公开证据的强度并不一致。

技术栈的计算中段公开而且可查：开源代码、带版本的发布记录、文档与同行评议研究一应俱全。较新的阅读工具和 agent 产品已经以软件形式出现，相关能力却主要由公司披露的指标来说明。实验一端也有具体产品，页面明确列出合成、测定和实验室反馈；现有公开记录仍不足以证明所有环节已经作为一个自主科学系统协同运行。[2][3][4][5] 深势科技的意义恰好落在这段距离里：在“AI科学家”尚无公认定义之时，它正把可信的技术核心扩展成规模大得多的产品。

公司从模拟器起步

深势科技称，公司创立于 2018年，在北京、上海、深圳和宜宾设有办公室及研发中心。创始人为首席执行官 孙伟杰 与首席科学家 张林峰，数学家 鄂维南 担任首席科学顾问。[1] 2023年的一篇独立报道将公司业务追溯到其名称所源自的“Deep Potential”（深度势能）方法：用机器学习近似支配原子相互作用的势能面，从而大幅降低部分分子模拟反复从第一性原理计算的成本。[7]

这里采用的方法，与语言模型对化学给出听来可信的猜测属于两类工作。学习得到的原子间势会预测能量、力等物理量，分子动力学系统据此推进原子随时间的运动。因此，有用的输出受到守恒定律、对称性、训练数据、数值稳定性以及模型适用物理区间的共同约束。模型仍会出错，但误差可以在这一领域测量，文字是否流畅与此无关。

深势科技模型路线最有力的证据是 DPA-2，相关论文于 2024年12月19日 刊登在 npj Computational Materials。其多任务预训练设置合并了 18个数据集，覆盖73种化学元素，同时为不同量子力学设置生成的数据集保留各自的拟合网络。按照论文给出的测试设置，作者报告的加权平均零样本能量与力误差，均低于一个预训练 MACE 对照模型和一个单任务 DPA-2 基线。[3]

这些结果有明确适用范围，无法充当整个物质世界的通用证书。论文也指出，预训练数据在二维材料等领域存在欠缺，并把大原子模型视为一项长期事业。[3] 这项限定十分重要。深势科技证据最充分的科学成果展示的是一条跨异质数据集复用表征的路线，随后再为较窄任务微调和验证；“一套模型解决全部化学问题”超出了它的主张范围。

开源软件让计算中段清晰可查

可信度的第二个来源是持续维护。2026年3月19日，DeepModeling 项目发布了 DeePMD-kit v3.1.3。这个稳定版本新增预训练模型的内置下载通道，并由此引入 DPA3-Omol-Large，扩展分布式 PyTorch 训练，同时继续开发一套处于实验阶段、可导出的 PyTorch 后端。[2] 与“AI科学家”的宏大表述相比，这些细节日常而琐碎，透露的信息却更多。

科学模型要靠一系列工程配套才能投入使用，其中包括受支持的后端、可复现配置、诊断工具、分布式训练、模型导出，以及把训练完成的势模型接入现有模拟流程的办法。[2] 这些工程配套划出了“发表模型构想”与“维护一件可嵌入更大科研装置的工具”之间的区别，后者能供其他研究者持续使用。

开源代码能够证明的范围也有限。商业产品是否开放，科学性能能否得到独立验证，都需要另外的证据；发布说明本身回答不了这两项问题。它所确认的是，公司的技术底层存在一条可以检查的工程演进脉络。用户可以看到哪些内容发生变化、支持哪些后端、哪些组件仍处于实验阶段，以及模型如何调用。在充斥封闭演示的行业里，这份持续维护记录本身就是战略资本。

阅读、计算与实验正在汇入同一个商业入口

深势科技目前在公司页面上把产品归入“Particle Universe”引擎和 Science-as-a-Service（科学即服务） 模式。产品组合包括用于文献与研究发现的 Bohrium Science Navigator、用于科学计算的 Bohrium Lebesgue、Hermite 和 Piloteye 等领域产品、衔接实验室的 Bohrium Uni-Lab，以及科研 agent SciMaster。[1] 名单覆盖甚广，背后却有一套可辨的动作顺序：阅读、计算、决策、测试，再进入下一轮。

从产品发展来看，阅读层扩张很快。深势科技在2026年2月10日发布的年度回顾中称，Bohrium Science Navigator 于 2025年3月 上线，随后把工作空间拓展到检索、写作、知识管理和科研工具。公司披露，其索引包含 1.7亿篇论文、14万种期刊、2000万名学者，以及超过 5万种科研工具和AI模型。[4] 这些数字只反映目录规模；准确性、活跃使用量和研究产出仍要另找证据。它们也解释了深势科技为何要建立阅读入口：科研 agent 除了阅读文字，还要访问可追溯的论文、专业软件、数据集，以及能够核验答案的计算环境。

在循环的另一端，深势科技宣传了一套用于苗头化合物发现的湿实验能力。产品页面介绍了筛选和确认化合物的细胞生物学测定、合成支持，以及根据实验反馈修正模型与设计策略的循环。[5] 这是影响最深远的一环，也最难被简化为普通AI演示。基准分数无法让一个分子凭空出现。候选分子必须能被合成和测试，在测定中显示活性，并在各种失败情形显现后仍有继续推进的价值。

因此，公司的核心主张落在环节交接上。焦点已经从单个 agent 能否包办一切，转向深势科技能否把足够多的相邻交接环节纳入自身产品，减少信息在传递中的损耗。文献证据变成计算问题，模型产出变成候选物，候选物进入实验，实验结果再转为新数据。若来源与过程记录能完整穿过这些转换，循环便有改进的基础。若每件产品仍是独立标签页，彼此依靠顾问和人工传文件来连接，整个产品组合便只是若干工具的集合。

纵向技术栈同时带来护城河与风险

多年来，孙伟杰的公开表述一直着眼于广阔图景。2025年1月1日，《每日经济新闻》刊登的一篇中文访谈中，他认为科研工作将转向云端交付，并把 AI for science 工具比作辅助探索的机器，让研究减少对盲目试错的依赖。[6] TechCrunch 更早的报道则揭示了这一愿景背后的商业逻辑：深势科技向缺乏能力独自使用这些工具的客户销售科学计算软件、领域产品和定制研究服务。[7]

服务业务在这里占有重要位置，也直接显出这个市场的难度。面向研究人员的文献入口、高性能分子模拟器、药物设计应用、实验室编排层和测定业务，各自服务于不同用户，承担不同验证要求，问题显现的时间尺度也各不相同。深势科技掌握的链条越长，保留下来的数据和工作流程背景就越多，相应要承担的集成工作也越重。

这使深势科技有别于通用模型供应商，后者可以开放 API，再让客户自行组装其余部分。科学工作中的现实验证代价高昂。一次失败的生成可以在数秒内丢弃；一个失败的化合物从合成到测试，耗时可达数周。材料候选物即使在模拟中表现良好，到了制造条件下仍有失效风险。只有这套循环能从这些昂贵失败中学习，同时如实保留不确定性、避免对单个客户的实验室过拟合，公司才有机会建立护城河。

这套技术栈也带来治理问题。科研 agent 除了返回答案，还应保存产生答案所用的论文、数据集、模型版本、模拟设置、代码环境、候选物记录和测定结果。深势科技的产品版图指向这种连续性，但本文引用的公开页面尚未给出一套覆盖全部产品、经过独立审计的完整溯源标准。[1][4][5] 因此，“闭环”目前代表前进方向，距离得到验证的状态仍有一段空白。

哪些证据能验证这份档案的判断

四类信号会让深势科技的全栈主张更有说服力。

第一，公司可以公开前瞻性结果：在实验开始前选定哪些候选物、每个阶段有多少候选物留存、胜过哪些基线，以及消耗了多少时间和成本。回顾性案例研究自有价值；检验科学循环的理想方式，是让失败结果也完整留在记录中，事后无法删去。

第二，产品层面的溯源记录应当变得可见。Bohrium 给出的一项结果，理应标明背后的文献快照、工具版本、模型产物、参数、计算环境及实验室交接记录。与给科研 agent 配上更具亲和力的界面相比，能够按原样重跑这条链条更为重要。

第三，外部团队应当跨实验室、跨问题类别复现这些结果。DPA-2 论文给出了清晰的评估范围，甚至明确指出一处覆盖不足。[3] 更广的产品组合也需要沿用同样的做法：测试了什么、对照哪条基线、实验由谁的实验室完成、使用什么硬件，以及系统的可信范围止于何处。

第四，产品组合必须证明集成创造了增量价值，同时让锁定效应退居次位。可导出的数据、可调用的工具、稳定接口以及对外部模型的支持，将说明深势科技出售一套科学工作流程，与封闭的科学云保持距离。开放的 DeepModeling 层让这条路线更可信，却无法保证商业技术栈一定沿用相同模式。[2]

证伪条件很清楚。如果客户采用 DeePMD 或某件领域产品，而“阅读—计算—实验”循环大体上仍依靠定制服务来维系，那么深势科技就是一家实力强劲的科学软件公司，只是平台主张的范围超过了实际产品。倘若各处交接变得可重复、可追溯，并得到独立验证，这家公司将建立一种更少见的AI业务：其核心产品是一套能够从现实中学习的科学循环，模型回答只是其中一环。

来源

1. 深势科技，“关于深势”官方中文公司页面——2018年创立、管理层、办公地点、Particle Universe 引擎、Science-as-a-Service 产品组合，以及阅读—计算—实验的表述。
2. DeepModeling，DeePMD-kit v3.1.3 发布记录（2026年3月19日）——预训练模型分发、DPA3-Omol-Large、PyTorch 相关工作与维护记录。
3. Duo Zhang 等人，“DPA-2: a large atomic model as a multi-task learner”，npj Computational Materials 10, 293（2024年12月19日）——架构、数据集、评估设置、结果及论文所述覆盖限制。
4. June Chen，Bohrium，“Your Year with Bohrium: From 0 to 1”（2026年2月10日）——科研工作空间的官方产品时间线及公司披露的目录规模。
5. 深势科技，“RiDYMO Hit-Discovery Platform”——合成、筛选、确认测定以及模型—实验反馈循环的官方说明。
6. 杨珂、李少婷，《每日经济新闻》，“深势科技创始人兼首席执行官孙伟杰：未来科研会发生在云端”（2025年1月1日）——中文访谈、公司战略及人物肖像的来源页面。
7. Rita Liao，TechCrunch，“Propelled by ‘science for humanity,’ this Chinese AI startup sets sight on US”（2023年12月21日）——关于深势科技创立、Deep Potential 起源、产品模式和服务业务的独立报道。