卡了 60 年的瓶颈
药物研发、电池材料、芯片制造，底层都靠同一个工具：密度泛函理论（DFT）——诺奖级的电子行为模拟方法。问题只有一个字：贵。它的核心求解是立方级复杂度：电子数翻 10 倍，计算量涨 1000 倍。暴力模拟 100 个电子，时间超过宇宙年龄；一颗药物分子是上千个电子，一块电池材料更多。60 年来没人找到实质提速的办法。
之前两条 AI 路线为什么都失败
- 直接预测：让模型一步给出答案。训练分布内表现很好，一旦外推就崩：从小分子外推到药物级分子，密度误差从不到 1% 飙升到约 10%，45 个重原子时达到 41%。
- 学逆向映射：顺着物理学家的老路学反向映射。数学上不稳定，对照实验中所有计算都在迭代几步后发散。
共同点：一步出答案的模型，无法发现自己的错——这和 LLM 给出自信的错误答案是一回事。
Kohn-Sham FNO：只换最贵的一步
微软的 Skala 也在这条深度学习 DFT 赛道上，Anima Anandkumar 团队换了思路：DFT 本来就是一个迭代循环——每轮用输入条件算出电子密度，再用密度更新输入条件，循环到结果稳定。传统做法每轮都要付一次 O(N³) 的求解代价。
论文用傅里叶神经算子（FNO）只学其中一步：输入条件 → 电子密度的正向映射，复杂度从 O(N³) 降到 O(N log N)，外层物理循环原封不动——负责校验和更新的部分，仍是可信的、未改动的 DFT 机制。这就像思维链：不是一步猜答案，而是分步推演、每步被外层循环复算；模型跑偏了，下一轮迭代会把它拉回来；模型超出见过范围，循环直接发散——发散本身就是警报。镁位错实验里，通用预训练模型的第一次尝试当场全部发散：失败是可见的，不是沉默的。直接预测模型只会给你一个无法判断对错的数字。
只用 8,504 个结构，近线性缩放
训练数据只有 8,504 个结构，一个模型同时处理分子和固体，覆盖元素周期表前五行。秘诀是域不变 FNO 变体：大小迥异的体系共享同一套学到的滤波器。外推到没见过的药物级大分子，密度误差 2.23%（直接预测 9.97%）；到 45 个重原子时，4% 对 41%，差距越拉越大。
关键数字：缩放指数 1.03 vs 3.37
大规模验证：镁位错结构，8,250 个原子、82,500 个价电子，单块 NVIDIA B300 全部收敛。2019 年同一量级的研究（ACM 戈登贝尔奖提名）动用了 Summit 超算上约 7800 块 NVIDIA V100，只模拟了 6,164 个原子。
硬件不能直接对标，但缩放指数与硬件无关：新方法实测 1.03（近线性），传统方法是 3.37（立方级）。体系越大，差距越不可逆——每翻一倍，差距就复利一次。
产业信号
AI for Science 已进入项目时代：论文发布同一天，Anandkumar 宣布创办 AI 物理模拟公司 Accelerated Understanding（路透社报道：模型在 4D 空间中模拟物理，推理上下文超 5 万亿 token）。两件事是同一个模式：AI 替代的不是物理，而是已知方法里最烧钱的那一步重复计算——这比「AI 做化学」更安全，也更现实。
经济含义很直接：近线性缩放改写第一性原理模拟的成本曲线——2019 年要超算的活，现在一张工作站显卡就能跑。药物筛选、电池阴极、芯片材料验证，这些一直被算力「配给」的环节，能模拟的候选数量会迎来台阶式增长。
能抄什么
- 去你自己信任的求解器里找那个 O(N²)/O(N³) 热循环——替换它，而不是替换整个方法。
- 保留外层校验循环：物理流程每轮都在检查 AI，而不是信任 AI。
- 把发散当安全阀而不是 bug：会主动说「超出能力范围」的模型才可部署，沉默的不行。
- AI 科学家的评判标准正在被重写——用外推误差而不是测试误差衡量模型——这篇故事里所有失败的方案，在分布内数据上都很好看。
团队下一步计划补上最后的后处理环节，届时整条流水线里将不再有昂贵步骤。模式已经确立：科学计算里最快的胜利，不是新物理，而是更便宜的旧物理。
常见问题
Q：1 块 GPU 怎么能干翻 7800 块？
A：它没有替换整个 DFT，只把最贵的 O(N³) 求解步骤换成 FNO 的一步学到的映射（降到 O(N log N)），外层物理循环原封不动继续校验。实测缩放指数从 3.37（立方级）降到 1.03（近线性），8,250 原子镁位错在单块 B300 上全部收敛，2019 年同类计算用了约 7800 块 V100。
Q：为什么之前的 AI 做 DFT 都失败？
A：两条路线都栽在外推上：直接预测在药物级分子上密度误差从不到 1% 飙到约 10%，45 个重原子时达 41%；学逆向映射则数学上不稳定，迭代几步就发散。共同点是单步出答案、无法发现自己的错。
Q：这个方案我能直接抄吗？
A：能。四条可抄原则：找自己信任的求解器里那个 O(N²)/O(N³) 热循环替换它；保留外层校验循环；把发散当安全阀而不是 bug；用外推误差而不是测试误差衡量模型。训练只需 8,504 个结构。
