138
0当 AlphaFold 为蛋白质结构预测摘得诺贝尔奖，当气象大模型开始逼近甚至超越传统数值天气预报的精度，当 AI 驱动的自动化实验室在全球顶级研究机构遍地开花，“AI for Science”正以前所未有的速度重塑科学研究的范式。
2025 年，《Nature》发布的 AI for Science 专题报告指出，物理信息神经网络（PINNs）等知识引导的深度学习方法，正在显著增强模型的泛化能力和可解释性，成为这场变革中的关键技术路径之一。
而在这条路径上，耶鲁大学统计与数据科学系、化学与环境工程系助理教授陆路（Lu Lu），是最具代表性的青年研究者之一。2025 年 9 月，他入选麻省理工科技评论“35 岁以下科技创新 35 人”亚太区榜单（TR35 Asia Pacific）。
陆路本科毕业于清华大学热能工程系，后赴布朗大学攻读应用数学博士，师从计算力学领域的顶级学者 George Em Karniadakis 教授。
他的研究横跨科学机器学习的理论、算法、软件与应用：他与导师共同提出的深度算子网络 DeepONet，发表在 Nature Machine Intelligence 上，开创了用神经网络学习无限维函数空间之间映射的范式；他开发的开源库 DeepXDE，是目前最广泛使用的物理信息神经网络工具之一，发表在 SIAM Review 上，成为该刊被引用和阅读最多的文章之一；他在镰刀型细胞贫血症的定量预测上的工作发表于 Science Advances，在材料力学性质提取上的工作发表于 PNAS。
近年来，他还将研究拓展至多保真度算子学习、量子加速神经算子（Quantum DeepONet）等前沿方向，并获得美国能源部 400 万美元资助，领导开发联邦学习的科学基础模型。其 Google Scholar 引用量已超过 26,000 次。
在当前大语言模型和生成式 AI 主导公众注意力的背景下，科学计算领域的 AI 革命同样深刻却往往不为大众所知。我们与陆路进行了一次深度对话，从他个人的学术成长出发，聊了聊科学机器学习到底在解决什么问题、为什么物理知识和数据需要结合、AI 在科学研究中能否成为真正的“协作者”，以及他对中美 AI 科研差异的观察。
时间线：
00:03 - 10:36｜从热能工程到科学机器学习的跨学科之路
10:36 - 17:16｜为什么我们需要用 AI 重构科学计算？
17:16 - 25:42｜破解数据匮乏——物理信息训练与多保真度机器学习
