建设者坐标
本文把鄂维南视为中国 AI4S 方法与组织建设中的一个重要节点，而不是把任何个人写成唯一“起点”。北京大学 2025 年公开信息显示，他是北京大学讲席教授、国际机器学习研究中心主任、北京科学智能研究院学术委员会主任；深势科技的官方页面则把他列为首席科学顾问。把这些身份连成从数学方法、分子模拟到开源社区、研究机构和产业平台的长链，是本文基于公开材料所作的分析。
这是一篇基于公开资料的画像，不是采访。个人讲演可以说明他的判断和行动脉络，却不能替代论文、代码或独立验证；团队成果也不能被压缩成个人传奇。
从什么算到什么做
Deep Potential 面对的是一个经典瓶颈：第一性原理计算能够给出原子体系的能量和受力，但成本高，难以直接覆盖大体系与长时间尺度；传统经验势更快，却常要牺牲精度或适用范围。2018 年的同行评议论文提出用深度神经网络表示多体势能面，让模型学习量子力学计算生成的能量与力，再把它部署到分子动力学模拟中。
因此，这里的“做”首先不是机器人动手合成，而是把原本难以执行的大规模、高精度模拟变成可运行的研究工具。它让研究团队能够探索更多构型、温压条件和材料过程，并为后续实验筛选提供候选。鄂维南所推动的更大目标，则是让论文方法不止停在论文里：通过 DeepModeling 社区、深势科技和北京科学智能研究院，把算法、算力、软件、数据与研究者组织在同一基础设施方向上。
闭环如何运转
在计算层，Deep Potential 从高精度标注开始：选择原子构型，以第一性原理方法计算能量与原子受力，训练势能模型，再让模型驱动更大规模的分子动力学。后续由 DP-GEN 同行评议论文明确描述的并发学习机制，进一步让模型在探索到陌生或不确定区域时，把新构型送回高精度计算，补入训练集后继续迭代。这个过程把“昂贵计算一次”改造成“用昂贵计算教会一个可反复调用的近似器”。
在组织层，另一重循环是方法、开源工具、用户反馈与产业问题之间的往返：学术团队提出方法，社区把它工程化，真实任务暴露边界，再推动新的模型和平台建设。这个闭环已经形成可检查的软件与论文制品，但尚不能自动推出“发现了新材料”，更不能替代合成、表征和独立复现。它是从算到做的底座，不是整条链的终点。
证据台账
已确认事实 方法与当前角色
Deep Potential Molecular Dynamics 已由同行评议论文公开方法、测试与作者贡献；北京大学和深势科技的当前页面分别支持鄂维南的学术职务与首席科学顾问角色。这些材料能确认其论文作者身份和公开职务；把不同组织活动连成“基础设施建设”路线，是本文的分析。
来源方主张 “第一”与影响规模
鄂维南在北京大学转载的公开讲演中称，相关团队推动了早期 AI for Science 研讨会、开源社区、企业和研究院建设。此类“国际上第一个”以及平台效果描述来自本人或机构，应保留出处和时间，不能写成独立核验后的公认结论。
分析推断 他的核心贡献是架构
综合方法论文、公开社区与机构角色，本文把鄂维南定位为“架构型建设者”：他的重要性在于把高维科学计算问题定义为机器学习与基础设施问题，并持续组织人才和工程资源。这是基于公开证据的编辑判断，不是任一来源的原句。
待验证 平台能否稳定跨到实验端
一体化平台能否在不同学科中稳定降低完整研发成本，模型在分布外体系中的失效如何被发现，以及计算候选能否经独立实验重复验证，都需要任务级数据与外部复现。现有公开材料不足以给出普遍答案。
事实 / 来源方主张 / 分析推断 / 待验证
- 事实：Deep Potential 以高精度计算数据训练势能模型，并用于分子动力学；鄂维南现有官方职务和顾问角色可核。
- 来源方主张：关于“最早”“第一个”、平台领先性和数量级提效，只能按本人或机构口径转述。
- 分析推断：他代表的是中国 AI4S 从方法论走向公共与产业基础设施的一层，而非单一产品负责人。
- 待验证：基础设施在多大范围内转化为可复现的新科学结果，以及 Human 工作量和总成本如何变化。
为什么入选及边界
这组人物要解释“从算到做”，就需要有人说明“算”为什么能成为可扩展能力。鄂维南入选，是因为 Deep Potential 的方法脉络、DeepModeling 的开放协作以及研究院与企业建设共同构成了可追踪的基础设施路径。边界同样明确：他不是 DeePMD 每一行代码的个人作者，深势科技的每项产品也不应归于一人；计算模拟还没有自动等同于物理实验。把这些层次分开，反而能看清他的建设价值。