近日，AI for Science领域传来一则重磅进展——由北京科学智能研究院、北京大学与北京应用物理与计算数学研究所联合研发的新一代大原子模型DPA4，在国际材料发现权威榜单Matbench Discovery上综合性能位列世界第一。也就是说，DPA4已成为当前AI材料发现领域公认表现领先的先进模型之一。
先简单介绍一下这一榜单的含金量。Matbench Discovery由加州大学伯克利分校、剑桥大学等顶尖科研机构联合发起，被广泛视为全球AI驱动无机材料发现领域的重要评测基准，也是业内公认的“金标准”之一。能够登顶这一国际榜单，意味着模型在预测精度、计算效率以及通用能力方面都通过了严格考验。
那么，DPA4到底强在哪里？从公开数据来看，它最突出的优势在于“轻量化夺冠”。与此前榜单上的领先模型相比，DPA4的参数量不足对方的十分之一，训练成本也显著降低——仅需单张消费级显卡运行约一天即可完成训练。在相同精度条件下，DPA4的训练效率较上一代DPA3提升约10倍。这并非局部优化，而是一次非常明显的性能代际跃升。
值得关注的是，DPA4不仅在无机材料发现领域排名第一。在分子科学领域的权威基准SPICE-MACE-OFF榜单上，它同样凭借更低的参数量击败竞争模型，成功夺冠。这说明什么？北京应用物理与计算数学研究所研究员王涵给出了直观判断：“这进一步印证了DPA4作为通用势能面模型的潜力。它能够服务于从催化剂到电池材料、从半导体材料到药物分子的广泛研究。”
那么，DPA4究竟是如何做到“高精度、低成本”的？核心思路可以概括为：化繁为简。研发团队为每条原子间的“边”建立局部坐标系，将复杂的全局旋转问题转化为绕固定轴旋转的简化形式，同时引入注意力机制。这样一来，模型能够用更少的参数表达更丰富的结构信息，在提升性能的同时有效控制计算开销。思路看似清晰，真正落地实现却并不简单。
研发团队成员、北京大学博士生李天成的一句话很有说服力：“双榜第一证明了DPA4的精度，而真正使其与众不同的，是它拿下这一精度的成本之低。”的确，在大模型训练往往依赖GPU集群、高算力投入持续攀升的当下，DPA4能够凭借一张消费级显卡实现世界领先成绩，本身就说明这一路线具备很强的现实价值和发展前景。
当然，DPA4的意义并不只停留在实验室成绩层面。DPA系列大原子模型已经作为支撑干湿闭环自主实验室的基座模型投入实际应用。目前，DPA4也已面向科研社区开放体验，后续还将开源论文与正式版本。通过开放共建推动AI for Science和材料科学领域持续发展，这一进展无疑值得持续关注。
