建设者坐标
北京中关村学院官方主页显示，刘铁岩现任该院党委书记、院长及中关村人工智能研究院理事长，曾任微软亚洲研究院副院长、微软科学智能研究院首席科学家。在这组建设者中，他代表的是模型与组织基础设施：让 Transformer 能处理分子图，并把算法、预训练模型、数据接口与领域任务组织成科学建模工具链。
本文依据任职页面、论文和代码写作，不是采访。Graphormer 和后续工作均由多位作者及工程团队共同完成；“科学基础模型”在这里是对建设方向的概括，不意味着已有一个模型可以横跨所有科学问题。
从什么算到什么做
标准 Transformer 擅长序列，却不会天然知道图中谁与谁相连、相距几跳或通过什么键连接。2021 年 NeurIPS 论文中的 Graphormer，把节点中心性、最短路径距离和边信息编码进注意力，使同一类骨干能够学习图结构；分子正可以表示为原子和化学键组成的图。
开源 Graphormer 仓库随后加入预训练模型、分子数据集接口及 Open Catalyst 相关脚本，让论文结构变成可训练和扩展的软件。团队又在 2024 年发表于 Nature Machine Intelligence 的 DiG 工作中，尝试从单个结构预测走向分子平衡分布与多构象生成。这里的“做”仍是生成、排序和评估计算候选；候选是否可合成、稳定、安全或具有真实功能，必须交给更高精度计算和实验。
闭环如何运转
工具链先把分子、材料或催化体系转成图与几何数据，再用统一骨干学习结构—性质关系。预训练权重和标准接口可以被下游任务复用，任务数据又暴露表示中的缺口，推动结构编码、三维信息与生成方法更新。其闭环发生在“数据—表示—模型—基准—软件”之间。
Graphormer 的价值因此不只是一项榜单成绩，而在于提供可被其他研究者调用的建模起点。但基准反馈不等于自然世界反馈：模型可能学到数据集偏差，构象分布也可能在新体系上失真。只有当候选进入模拟、合成、测量和独立复现，循环才从算法基础设施跨到科学证据。
证据台账
已确认事实 角色、论文与代码
北京中关村学院页面支持刘铁岩的当前和曾任职务；NeurIPS 论文公开了 Graphormer 的结构编码方法，Microsoft 官方开源仓库提供代码、模型与数据接口。
来源方主张 排名、通用性与加速效果
论文和项目页报告的挑战赛名次、基准领先及“通用分子建模骨干”等表述，都受数据集、基线和版本限制；它们不能自动证明发现速度或实验成功率提高。
分析推断 建设的是模型公共层
本文把刘铁岩定位为“模型基础设施建设者”，因为公开证据显示其团队持续把图表示、预训练与科学任务接口结合，而不是只交付一次性预测。这是编辑分析。
待验证 跨任务迁移与实验增益
预训练表示能否在分布外化学体系中稳定迁移，DiG 的分布预测能否被独立团队复现，以及模型是否减少真实实验轮次，仍需更强证据。
事实 / 来源方主张 / 分析推断 / 待验证
- 事实：Graphormer 有 NeurIPS 同行评议论文和 Microsoft 开源实现；刘铁岩当前任职与微软经历可由官方页面核对。
- 来源方主张：竞赛领先、效率提升和“通用”能力只在明确任务与版本下转述。
- 分析推断：他代表 AI4S 中位于实验上游、可被不同科学任务复用的模型公共层。
- 待验证：算法优势在多大程度上转化为可复现的新分子、材料或实验决策。
为什么入选及边界
如果没有可复用的表示和工具链，每个科学团队都要从头造模型。刘铁岩入选，是因为 Graphormer 把图结构显式带入 Transformer，并通过代码和预训练制品形成公共起点；其团队建设经历也显示了组织跨学科研发的角色。边界是：算法与软件不等于物理发现，DiG 的结论受论文测试体系、训练数据和评价设置约束，且团队成果不能归为个人独作。