在新一代年轻创业者中，张昊天（Odin）是一个不太容易被忘记的人。

他对佛学思想感兴趣，也喜欢黑塞、尼采和凯鲁亚克，读《德米安》，也读《禅与摩托车维修艺术》；穿衣服没有太多科技创业者的样子，有时戴头巾、穿长裙，喜欢嬉皮士文化。谈话里，他会很自然地说起"我从哪里来、我要到哪里去、我是谁"这些问题，也会引用佛经、胡塞尔或者布袋和尚的《插秧诗》。他说自己并没有刻意经营这些标签，只是想到什么就说什么。"我平常就是这样，一直没有变过"。

这些特质和他过去的人生经历的确一致。他似乎格外看重一件事：一个人能不能按照自己的判断生活，是否拥有选择方向的自主权。

高三那年，他离开学校，每天泡在图书馆自学，最后考入浙大；大学里，他同时修药学和物理，很早就一头扎进 AI 与分子设计的交叉领域，本科阶段便以第一作者身份在顶刊发表论文。后来，他进入计算蛋白质设计先驱、诺奖得主 David Baker 的实验室，却在中途选择离开，回国创业。

当现实中的系统影响他真正想做的事情时，他总会换个方向，继续往前走。用他自己的话说："每一次离开只是表面上的，我是为了走得更远。"而他想解决的问题，也在这个过程中一点点变大。

大学阶段，张昊天最开始用 AI 做小分子设计，但他很快发现，模型生成出的候选分子难以真正合成和验证。于是，他转向蛋白质设计，并进入 Baker Lab 继续研究。再往后，他开始意识到，把小分子、蛋白质、DNA 和 RNA 分开处理，并不符合真实生命系统的运行方式，于是逐渐形成了"全模态分子设计"的想法。他想把不同类型的生命分子放进同一个模型，让 AI 不只理解它们如何相互作用，也能够进一步设计新的分子。

也是在这一阶段，他与团队做出了 ODesign。这个由临港实验室牵头、联合多家研究机构完成的全模态分子设计开源项目，验证了不同分子模态可以被纳入同一个生成框架，并进行跨模态设计。

今年 4 月，张昊天回国创办英灵殿科技（Valhalla Tech），继续沿着这条路线探索。目前团队正在研发下一代模型 AlloDesign；短期仍从药物发现切入，通过定制分子研发和模型授权寻找商业化路径。不到四个月，公司完成多轮融资，累计接近 5,000 万美元，张昊天也因此入选红杉中国与《麻省理工科技评论》中国共同推出的"25 岁以下 AI 创新青年先锋"。

而在更远处，张昊天并不想止步于设计分子，他真正想做的是 Scientific AGI（通用科学人工智能）——让 AI 自己决定下一步做什么、设计什么实验，并从失败中学习，最终完成科学发现的闭环。可今天的分子设计，解决的还只是"能不能结合"：至于结合之后信号能否传进细胞、改变细胞功能，进而影响器官乃至整个系统，仍有大量问题没有解决。

面对这些还没有答案的问题，张昊天的态度倒很简单：一边做，一边靠近。采访中，他不止一次提起统计学家 George Box 的话："All models are wrong, but some are useful."（所有模型都是错的，但有些是有用的。）虽然模型永远只是对真实世界不完美的拟合，但只要它能够解决真实的问题，就值得继续往前探索。

这次对话，我们从他的几次"离开"谈起，从药学、物理聊到 AI，再到创业；也谈到 AI 制药的起落、他对 Scientific AGI 的定义，以及佛法、审美和个人选择如何影响他对科学、创业与生活的理解。

以下是 DeepTech 与张昊天的对话。

每一次"离开"，都是朝着同一个方向走得更远

DeepTech：回看你的经历，从高中主动离开学校自学，到离开 David Baker 实验室，再到离开既定的学术轨道开始创业，你的人生里似乎反复出现"离开"这个动作。是什么促成了你的每一次离开？

张昊天：我觉得"离开"只是表面上的。每一次，我其实都是在寻找一个更大的问题。

比如高中时离开学校，大家一开始会觉得那是辍学，其实不是。正是因为太热爱学习，我才想按照自己的节奏探索真正感兴趣的知识。你很难在学校里这样做，只能打破规则。

后来离开 Baker Lab 也是如此。David Baker 建立了世界上最重要的蛋白质设计体系之一，我在那里学到了很多。但任何体系都有很强的历史惯性。作为一名刚入学的博士生，很多时候你没有能力决定最终方向。既然知道自己真正感兴趣的问题是什么，也不必试图改变已有制度，那就从头建立一套新的体系。我相信，很多伟大的实验室一开始也是出于这样的契机。

回头看，每次离开都是朝着一个方向走得更远。《插秧诗》里有一句："手把青秧插满田，低头便见水中天。六根清净方为道，退步原来是向前。"有时候看起来像在退步，其实是在向前走。

DeepTech：在大学期间，你同时学习了药学和物理。这两种不同的学科训练，怎样影响了你对生命和技术的理解？AI 又在其中扮演了什么角色？

张昊天：药学让你理解生命，物理让你理解规律。

我接触 AI 比较早。当时我发现，物理和药学真正能够结合起来的路径并不多，其中很重要的一条就是分子动力学。但这条路从上世纪八九十年代一直发展到今天，仍然非常困难，因为本质上还是试图用人类总结出来的规律，去逼近自然本身的规律。

2019 年前后，AI 开始给我一种完全不同的感觉。我把它叫作"super physics"。物理很多时候依赖直觉，你可以先判断某件事大概是对的，再用数学去严格描述；AI 则更进一步，你甚至只需要有一个模糊的判断，模型就可以先从数据里学习其中的规律，至于这些规律最终怎样被物理学或数学解释，可以留到后面。

所以我后来会把自己想做的事情理解成一个三维坐标系：药学是 X 轴，让我理解生命；物理是 Y 轴，让我理解规律；AI 是最后的 Z 轴，让我有机会真正触及问题本身。

从小分子到"全模态"，重新描述分子世界

DeepTech：你最初从小分子设计做起，后来逐步扩展到蛋白质、DNA、RNA，并最终希望建立一个统一的全模态分子模型。这个研究方向是怎么一步步形成的？

张昊天：这和我最初的科研方向有关。2019 年刚开始做 AI 和小分子时，基本还是一类任务、一种模态对应一个模型。后来我们发现，这套方法虽然在小分子设计上能够工作，但最终还是受限于人的工程能力：模型设计出来的分子，很多很难真正合成出来并完成实验验证。

后来我开始站在更抽象的层面思考这个问题：生命体系里不只有小分子，还有蛋白质和核酸。于是我去了 Baker Lab，把蛋白质设计从传统的物理方法到 AI 方法系统地看了一遍，也做了比较深入的研究。

当时，小分子设计和蛋白质设计走的是两条不同的技术路线。小分子主要采用协同设计，通过扩散模型或自回归模型，直接预测每个原子的三维坐标和原子类型；蛋白质设计则主要采用两阶段方法，先生成骨架，再生成序列。

所以我开始思考，能不能把这两套方法统一起来：要么把蛋白质放进小分子的框架，要么把小分子放进蛋白质的框架。但真正尝试之后会发现，两者并不兼容。蛋白质采用协同设计时，序列恢复度会明显下降；小分子采用两阶段方法时，原子类型的预测效果也会变差。

后来，随着基础模型逐渐成熟，AlphaFold 3 等模型在结构预测上也展现出更高的精度，我们越来越觉得，或许不应该继续为不同分子类型分别设计一套模型，而是应该寻找一个统一的框架，把不同类型的分子放在一起处理。核酸和蛋白质本身也存在一些共通之处，加上团队里正好有做核酸研究的人，这条从小分子、蛋白质进一步走向 DNA、RNA，最终走向全模态统一建模的技术路线，就逐渐形成了。

图｜AlphaFold 3（来源：Google）

DeepTech：但你怎么确定，蛋白质、小分子和核酸背后一定存在一个可以统一描述的框架？

张昊天：做物理的人会很自然从真实世界出发思考这个问题。生命过程本来就不是由某一种分子单独完成的，而是由 DNA—蛋白质、RNA—蛋白质、小分子—蛋白质等不同分子之间的相互作用共同驱动。从更底层的物理机制来看，它们并没有本质区别，归根结底都是电磁相互作用在不同分子体系中的具体表现。

其实上一个时代，人们已经尝试用"力场"（force field）来统一描述这些相互作用，比如 AMBER 等经典分子力场。大家一直希望建立一套足够通用的力场，但现实中总会遇到一个问题：在蛋白质数据上拟合得很好，小分子任务的表现可能就会下降；反过来，在小分子数据上拟合得很好，蛋白质上的效果又可能变差。所以在传统物理方法下，这条统一建模的路线始终没有完全走通。

今天不一样的地方在于，AI 基础模型有能力承接复杂得多的非线性关系。从物理上看，这些不同模态的分子本来就属于同一个物质世界，理论上一定可以放进一个统一框架里。过去的问题并不是这个统一框架不存在，而是我们缺少足够好的数学表达和技术手段把它描述出来。

DeepTech：从药学、物理到 AI 和蛋白质设计，你跨过了几个差异很大的领域。你通常怎么快速进入一个新领域？

张昊天：其实没有什么特别的方法，就是大量阅读。成功这件事没有捷径。

本科期间为了写出那篇综述论文《图神经网络赋能现代 AI 药物发现》（《Graph Neural Networks in Modern AI-Aided Drug Discovery》），我当时读了 500 多篇文献，打印材料甚至打坏过两台打印机。学物理也是一样，我会同时找很多不同年代、不同角度的教材和材料，相互印证一个观点究竟是怎么形成的。

（来源：Chemical reviews）

如果说有什么不一样，可能是我真的很享受这个过程。每次知道一件以前不知道的事情，都会有一种类似佛教所说"法喜"的感觉。知识本身，就是我的兴趣爱好。

DeepTech：你现在和 David Baker 还有联系吗？对于你选择全模态分子模型，并沿着 AI for Science 创业，他是什么态度？

张昊天：我们现在仍然保持联系，也还有合作论文在准备发表。

David 是一个非常开放的人，也指导过很多学生创业。他曾在公开场合介绍过 ODesign，对我们做全模态分子模型这件事是了解的。创业方面他不会给我太多具体建议，但我们一直会交流科学问题，他更关心哪些问题真正重要、哪些方向值得做。上个月我们还进行了一次一对一交流，他也很惊讶中国的 AI for Science 能在这么短的时间里发展得这么快。

DeepTech：ODesign 是你们第一次公开验证全模态分子设计这条路线。现在回头看，你认为它最重要的突破是什么？

张昊天：ODesign 最大的突破，是第一次尝试把不同模态的分子统一起来。当时的 AI for Science 赛道，几乎每个人训练出来的模型，在自己的论文里都是最好的。即使你在某个基准测试（benchmark）上超过了别人，也可能被质疑是不是针对这个 benchmark 做了过拟合。

所以我们一开始，就不想只做渐进式的性能提升，而是希望去解决过去没有人真正做过的任务。比如根据核酸设计小分子、根据小分子设计核酸，再把这些不同方向的设计任务统一到一个模型里。因为从 0 到 1 的贡献很难被否认，而从 1 到 100 的性能提升，往往会面对很多关于数据、基准和评测方式的争论。

图｜Odesign 全模态分子设计示意图（来源：受访者）

DeepTech：但 ODesign 有哪些明显的局限？后续的 AlloDesign 又准备解决什么问题？

张昊天：坦率讲，ODesign 当时做得没有那么好。受限于学界的资源和工程能力，它更多是证明了这条路线从 0 到 1 的可行性。接下来，我们希望把这件事情真正做深。

AlloDesign 主要沿着两个方向继续推进。第一个是数据。我们希望引入更多来自物理世界的信息，比如把物理模拟产生的数据蒸馏进训练集。我们的一个基本判断是，more data means more intelligence，更多高质量的数据能够进一步提升模型对分子世界的理解。

第二个方向是处理更复杂的分子体系。ODesign 主要解决的是两个分子之间的设计问题，但真实的生物环境远比这种两两关系复杂，经常涉及三元甚至四元复合物。比如 PROTAC，就会形成由靶蛋白、PROTAC 分子和 E3 泛素连接酶组成的三元复合物。AlloDesign 想解决的，就是怎样从这种相对简化的"玩具模型"，进一步走向更复杂、更接近真实生物环境的系统。

DeepTech：但有人质疑，生命科学真正高质量的实验数据仍然有限，而且不同实验之间的测量标准并不统一。在这样的数据基础上，大规模模型真的能够学到分子世界的规律吗？还是最终只是一个越来越复杂的"黑箱"？

张昊天：我一直不太认同"模型学到了真实物理世界"这种说法，因为这件事本身很难证伪。首先你必须定义，什么叫"学到了真实物理世界"。再往前追问，量子力学是否就完整反映了真实世界？好像也未必。

统计学家 George Box 有一句很经典的话："All models are wrong, but some are useful"，所有模型都是错的，但有些模型是有用的。至少在今天，我们不一定需要先证明模型是否学到了所谓"真正的结合规律"。只要它预测出的构象够准确，并且能够在实验中得到验证，我们就可以认为它捕捉到了一部分有效规律。

当然，现在的模型还有很多问题。比如分布外（out-of-distribution，OOD）泛化能力不足，外推能力比较弱，或者对一些氨基酸突变不够敏感。这些都是接下来需要解决的问题。

数据噪声同样无法避免，因为真实世界的测量本身就会受到实验条件、测量标准等因素影响。过去使用物理方法时，往往需要人为定义噪声尺度，再据此清洗和筛选数据。AI 带来的一个变化是，我们可以通过级联的方式设计不同训练阶段，让模型分别处理不同质量、不同噪声水平的数据。我们虽然没有消除噪声，但相比过去，有了更多利用和处理噪声数据的手段。

制药只是起点，终点是 Scientific AGI

DeepTech：那么如果全模态模型最终达到足够高的准确率，你认为它会给现实世界带来什么改变？

张昊天：短期来看，如果全模态分子世界模型做得足够好，它首先可以处理一些过去 Biotech 很难解决的问题，比如复杂分子体系、PROTAC、分子胶，以及蛋白质—核酸复合体系。

传统筛选能够覆盖的分子空间有限，筛出来的候选也往往离真正成药还有很长距离。AI 的价值，是扩大我们探索分子空间的能力，用更少的实验找到更好的候选分子。

长期来看，我们希望把制药逐渐从一个科学问题变成一个工程问题。今天做 100 条管线，可能最后才能成功 1 条；未来如果模型足够准确，我们希望做到 5 条里比较确定地成功 1 条，让药物研发的结果变得更加可预测、可复现。

但要走到这一步，模型还需要不断纳入更复杂的生物学效应。现在更多解决的是"分子能不能结合"，未来还要进一步理解结合之后如何影响细胞功能、细胞间相互作用，最终一直推到器官和人体层面。

图｜AlloDesign 设计流程（来源：受访者）

DeepTech：你之前提到过，制药只是一个起点，更长期想做的是 Scientific AGI，也就是"通用科学人工智能"。在你的设想里，从今天的全模态分子模型走到 Scientific AGI，关键还差什么？它和现在这些 AI for Science 工具，本质上有什么不同？

张昊天：我没有一个特别严格的定义。我的理解是，Scientific AGI 应该能够自主完成整个科学发现过程。它和今天 AI for Science 工具最根本的区别，可以概括成两个关键词：自主性和闭环能力。

今天很多 AI 工具仍然是在一个由人定义好的任务里给出答案。比如做蛋白质设计，需要人先告诉模型靶点是什么、在哪里设计、对产量有什么要求，然后模型给出结果。接下来做什么、提出什么新的假设，仍然由人决定。

Scientific AGI 则要再往前走一步。它不仅能够执行任务，还能够自己判断下一步研究什么、设计什么实验，思考如何通过实验验证或证伪一个假设，并根据实验结果甚至失败继续调整下一步研究方向。也就是说，AI 开始真正进入科学发现的闭环。

DeepTech：但如果 AI 最终能够自己提出假设、设计实验，甚至完成整个科学发现闭环，人类科学家还负责什么？

张昊天：现在大概有两派观点，我自己还没有明确倾向。

一派认为，AI 最终可以完成根本性的科学创新。只要把人类已有的知识交给它，让它自主探索和验证，它可能很快走完过去人类几百年的科学发展过程。

另一派认为，真正的突破往往来自一种全新的观察世界的方式。比如相对论的提出，并不只是因为已有数据无法被牛顿力学解释，还依赖爱因斯坦通过思想实验重新定义问题。这样的创新，AI 能不能自主产生，现在还很难判断。

如果 AI 最终能够做到这一点，那么人类更重要的作用，可能就是决定什么问题值得解决、什么方向值得追求。如果做不到，人类科学家仍然需要负责提出那些更本质的问题，再让 AI 去大规模提出和检验假设。

所以我觉得，科学可以拆成两件事：一件是发现世界的规律，另一件是决定我们希望用这些规律去追求什么。

DeepTech：过去三个月，公司连续完成多轮融资。现阶段，公司最多的时间和资源投向了哪里？反过来，有哪些事情是你们明确决定暂时不做的？

张昊天：最多的时间和资源，还是投入到全模态分子世界模型的训练和设计，以及怎么让这个模型真正变得有用。现阶段我们非常聚焦 AI。

Scientific AGI 并不是不做，它一直是整个蓝图的一部分，但我们首先要在生物领域证明这条路线。哪怕把整个互联网的数据都交给今天的大语言模型（large language model，LLM），它也没有能力从头设计出一个细胞。所以我们的判断是，Scientific AGI 的终局不可能只依赖语言模型。

短期来看，我们至少要先在分子尺度的微观世界里建立一个足够好的全模态模型，再逐步向上走到细胞层面，甚至更复杂的系统层面。这条路线和今天语言模型依靠互联网数据不断扩展能力的发展路径，是很不一样的。

DeepTech：这需要团队需要同时理解 AI 和生命科学。你认为一家 AI for Science 公司，应该怎样组织计算机科学家和生命科学家，才能避免两个团队各做各的？

张昊天：大家有一个误区，好像只有计算机科学背景的人才能做 AI for Science。我们当然有很多纯计算机背景的同学，但他们加入以后，也会统一接受最基础的生物学训练。

AI for Science 本质上就是 AI 和科学的结合。有人觉得，只要设立一个纯 AI 部门，再设立一个纯科学部门，把两拨人放在同一家公司里，就叫 AI for Science，我觉得这是不对的。如果双方从来不交流，也不尝试理解对方的问题，两种能力就不可能真正结合起来。

所以我们的要求是，做 AI 的人必须学科学，做科学的人也必须理解 AI。只有双方拥有一定的共同语言，才有可能真正协作。我自己学过药学、物理和 AI，所以很清楚，不同领域的知识真正组合在同一个人身上以后，产生的价值往往远远大于简单的一加一。

DeepTech：上一代 AI 制药经历过一轮明显的升温和降温。你怎么看那一轮的得失？今天这一轮 AI4S 热潮，决定一家公司能否穿越周期的又是什么？

张昊天：我不认为上一代 AI 制药的愿景本身是错的。大家从一开始就希望把制药从科学问题逐渐变成工程问题，用 AI 真正加速科学进展。真正的问题是，当时 AI 技术的发展没有预期得那么快，而生命系统又比想象中复杂得多，很难靠一套相对简单的方法解决。

所以我更愿意把上一代公司看作早期探索者。它们完成了很多技术和产业积累，也让市场真正认识了这个领域。今天很多事情能够继续往前走，本身就建立在上一代的探索之上。

这一轮同样会经历市场检验。短期来看，胜负手还是模型能力，谁能真正把技术做得更好；但长期来看，我觉得更重要的是能不能建立一套好的科学家和工程师体系。

今天的 AI for Science 有点像战国时代。粮草多、战斗力强，都不意味着一定能赢到最后，真正决定长期竞争力的是制度。一个健康的组织系统，才能持续产生创新，也才能避免公司最终变成另一个僵化的机构。

求真、求美，成为自己

DeepTech：听说你很小就开始接触佛法，后来又反复阅读尼采、黑塞的《德米安》等作品。为什么你一直对存在、意义和自我这些问题感兴趣？

张昊天：我觉得其实所有人都会对存在问题感兴趣。人一生都绕不开三个问题：我从哪里来？我要到哪里去？我是谁？这三个问题会贯穿人的一生，只不过很多时候，我们走着走着就把它们忘了。

创业其实也是一样。你会不断逼问自己：一家真正伟大的创业公司究竟是什么？无论是佛法还是《德米安》，本质上都是不同的人对这些问题的探索。

我一直非常喜欢读书。在没有 ChatGPT 的时代，一个人愿意把自己的思想写成文字，出版以后还能流传这么多年，说明这些问题一定经过了很长时间的思考。你可以从书里看到不同的人给出的答案，也会得到一些价值观上的指引，慢慢知道什么对自己真正重要。

《德米安》会讨论人与人之间的差异，以及一个人应该怎样面对自己与周围世界的不同。在过去的求学经历里，我经常遇到类似的问题，所以也会借这本书去理解自己的处境。

很多人觉得佛法是一种消极避世的思想，但我觉得恰恰相反。它不是让你逃避，而是教你怎样面对人生的无常，并且在无常中更加坚定自己的信念。所谓"在圣不增，在凡不减"，你成为圣人，并没有因此比普通人多什么；你是凡人，也没有比圣人少什么。

DeepTech：但这里似乎存在一个很有意思的张力。佛法强调减少自我（ego）和执着，而创业往往需要很强的创造欲、胜负欲，甚至对成功的强烈追求。你怎么处理这两股看起来相反的力量？

张昊天：我觉得它们完全不矛盾。佛法讲减少 ego，我理解首先就是保持谦卑（be humble）。创业也不是谁更自大谁就能走到最后。相反，创业会不断提醒你，你不可能知道所有事情，永远有新的东西需要学习。我今天也还有很多东西要学。

佛法同时也强调精进，有"精进波罗蜜"。一个人对于自己的事业、自己真正想做的事情，本来就应该精进。寺院里的僧人其实也非常勤奋，每天很早起床，研习佛法，完成一天的功课。

如果映射到创业，我觉得佛法真正帮助我去掉的是执着，而不是行动本身。执着和精进的区别在于，你是否把自己完全绑在最后的输赢上。你当然应该全力以赴地创造，但不需要过度执着于结果。努力不努力是自己的事，结果如何是世界的事。

DeepTech：所以对你来说，佛法某种程度上也是创业过程中的一面精神盾牌？

张昊天：可以这么理解。它会告诉你彼岸在哪里，也会告诉你怎样一步步走过去。

DeepTech：你也提到过自己喜欢《禅与摩托车维修艺术》和嬉皮士文化。这背后是不是也对应着你的某种技术观：理性、精密和技术，并不排斥自由、感性与审美？

张昊天：倒不是这本书启发了我，而是我读到它的时候发现，它把很多我原本想说的话说出来了。我也很喜欢杰克·凯鲁亚克的《达摩流浪者》。从西雅图离开的时候，我还送了 David Baker 和当时的同门这本书，结果他们反而都没读过。

我觉得真正优秀的科学家都有很强的审美。大家在科学中求真，在艺术中求美。好的科学和工程不只是"能够运行"，它背后还应该有一种内在的美感。

这其实也和我们为什么追求全模态分子设计有关。把蛋白质、小分子、核酸这些问题彼此割裂开来，分别用完全不同的方法处理，在我看来并不够优美。我们更希望找到它们背后共同的规律，用一个统一的框架去描述它们。这种统一性，就是一种科学上的美感。

DeepTech：你的英文名 Odin、穿着风格，包括公司的名字，都很有辨识度。现在也有不少创业者主动塑造个人形象和叙事，你是有意识地这样做吗？

张昊天：我其实没有刻意塑造什么，平常就是这样。高中同学看到我创业后的报道，还跟我说："这么多年，你从来没变过。"我觉得今天这个状态，就是所谓的"本自具足"。

我喜欢嬉皮士文化，是因为他们会用自己的生活方式告诉你，怎样成为一个真实的人，而不是活成别人期待的样子。当然，这也会影响外界对我们的判断。有人觉得我们非常理想主义，有机会一直走到终局；也有人觉得我们太激进，不适合相对严肃的商业环境。

但每个人都有自己的选择。对我来说，每天做科学已经很累了，如果还要不断考虑别人怎么看自己，会更累。就像胡塞尔所说的，对于那些无法干涉的事情，可以暂时把它"悬搁"起来。如其所是地生活在这个世界上就好。

DeepTech：如果把时间拉到未来 3—5 年，你最希望你的公司证明什么？

张昊天：短期内，我们最希望证明的是，AI 确实能够让制药发生一些不一样的变化。今天已经很少有人会再问，结构生物学对药物设计究竟有什么用，因为它已经自然地成为现代制药体系的一部分。我们希望未来 AI 也是这样，不再需要单独强调"AI 制药"，而是自然地成为药物研发工作流的一部分。

就像今天大家不会再统计自己每天究竟用 GPT 回答了多少个问题，因为它已经融入工作流。更长远来看，我希望英灵殿科技能够成为 Scientific AGI 的重要基础设施之一。

DeepTech：那如果把公司放到一边，对你自己而言，最终希望成为一个怎样的人？

张昊天：我希望成为一个普通的人。

所谓普通，就是"不以物喜，不以己悲"。外界怎么评价你、给你贴什么标签，其实都没有那么重要。对我来说，最后能不能把真正想做的事情做成，才是最重要的。

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成