一个化学家面对分子模拟，遇到的第一个灵魂拷问永远是：要精度，还是要速度？
选高精度方法如 CCSD(T)，一个中等大小的分子可能算上好几天，普通实验室根本扛不住。选廉价泛函，速度够快了，但结果和实验值的偏差大到让人不敢下结论。这道选择题，DFT（密度泛函理论）领域纠结了六十多年。
微软研究院正在用深度学习给出一个前所未有的答案——不需要选，两个都要。
2025年，微软首次公布 Skala——一个基于深度学习的交换相关泛函，用半局域计算成本达到了混合泛函级别的精度。2026年8月20日，Skala 1.1 正式发布。训练数据扩大至初版的2.5倍，GMTKN55 加权平均误差降至2.8 kcal/mol，在55个子集中的32个上取得最低误差。精度超越当前主流远程分离混合泛函，计算成本保持在半局域水平。
但这还不是重点。真正重要的是，微软选择了另一条路：把 Skala 做成一个不断进化的泛函，而不是泛函动物园里增加一个新名字。
从泛函动物园到逐代继承
传统 DFT 领域有一个著名的概念——泛函动物园。从上世纪六七十年代至今，数百种泛函以不同的缩写编码——B3LYP、M06-2X、ωB97X-D、SCAN——层层堆积在文献里，新泛函不断涌现，旧泛函也极少被正式退休。结果是：一个实验室到底用什么，往往取决于谁的论文引用率更高、谁的代码率先被哪个软件包支持，而不是谁的计算结果最接近真实。
微软 Skala 的设计哲学，从一开始就与这种逻辑分道扬镳。
Skala 不是一个一次性发布。它是一个模型系列，每次发布都旨在完全取代上一版。新数据、新架构、新训练策略——所有改进逐代继承，而计算成本保持不变。Skala 1.1 就是这个连续改善范式的首次公开验证。
微软研究团队在博客中明确写道：
与传统的泛函动物园不同——新泛函不断累积而不取代旧泛函——Skala 遵循另一种理念：每个发布都旨在超越前一代。
数据说话
Skala 1.1 的核心指标：在 GMTKN55 基准套件上取得加权平均误差 2.8 kcal/mol。GMTKN55 涵盖55个子集、共计2462个单点计算题目，覆盖热化学、反应能垒、非共价相互作用等化学性质的几乎全部维度。在这55个子集中，Skala 1.1 在32个上取得最低误差——意味着其精度优势不是特定反应类型上的偶然，而是跨场景的、系统性的。在另一个常用基准 GB99 上，Skala 1.1 达到1.98 kcal/mol 的平均绝对误差。
但这些数字背后的真正工程，藏在一个更大、更多样化的训练数据集里。
Skala 1.1 依赖的是 MSR-ACC（Microsoft Research Accurate Chemistry Collection）——一个通过昂贵波函数方法（CCSD(T)级别）生成的高精度参考数据集，是目前公开的最大规模同类数据集之一。新版本新增了电子亲和能和非共价簇等数据类型，使训练数据的规模和化学多样性双双提升。微软团队将 MSR-ACC 的相关成果发表在了《Nature Scientific Data》上——这些训练数据是经过同行评议的、可公开复现的。
除了能量计算，Skala 1.1 在电子密度、偶极矩和分子几何结构等实验可测量属性上也保持了高度准确性。这些属性对于药物设计中结合位点的判断、催化反应中过渡态的确认等实际场景至关重要。
更大的棋局：渗透计算化学的五个核心阵地
DFT 领域有一条铁律：一个再好的泛函，如果不能在研究者和工程师最常用的计算软件里跑起来，就约等于不存在。
微软这次同时推进了五项软件集成：CP2K 已可用，Psi4、FHI-aims、ORCA、VASP 正在集成中。
这五款软件覆盖了计算化学的主要阵地。CP2K 是开源分子动力学和电子结构计算的旗舰；VASP 是工业界和凝聚态物理领域的事实标准，尤其在催化模拟中不可替代；ORCA 和 Psi4 是量子化学计算的常用工具，分别在过渡金属化学和开源生态中占据特殊位置；FHI-aims 则在高精度全电子计算方面积累深厚。五者的用户群体合在一起，覆盖了全球计算化学研究者的主体。
这一部署策略的逻辑很清楚：不是让用户学习微软的工具，而是让微软的工具融入用户的现有工作流。从 Azure AI Foundry 的模型目录到开源 GitHub 仓库，从 PyTorch 实现到 CP2K 集成——微软选择的是嵌入式部署而非替代式部署。在笔者看来，这或许才是 Skala 真正具有战略意义的一面：它不是在和已有的计算软件竞争，而是在给整个计算化学的工作母机升级核心引擎。
持续进化为什么是 DFT 领域最需要但一直被忽略的模式
DFT 领域长期存在一个结构性矛盾：理论精度在逐年提升，但实验室中实际使用的方法却在惯性中停滞。
一个典型案例：B3LYP，1993年发布，至今仍是许多课题组默认选择的泛函。不是因为它最准——当前新一代泛函在 GMTKN55 上的表现普遍优于它——而是因为它的参数已嵌入几乎所有计算软件包，用户对其行为特征了如指掌，够用和习惯的力量盖过了最优的吸引力。
Skala 的策略直接针对这种惰性。每次版本发布，Skala 都将完全取代之前的版本。不会出现新版摆在那、旧版依然被默认使用的情况。微软团队给出的逻辑很干脆：模型在不断改进，计算成本不变，就没有理由继续使用较差的版本。
但这种模式对数据工程提出了极高的要求。它需要一个可扩展的高精度数据管线——从选择哪些化学体系、用什么级别的参考方法、到如何保证训练数据不覆盖基准测试集。MSR-ACC 的持续扩展正是为此服务。
为了引导这一过程，微软还推出了一个活基准（living benchmark），持续追踪不同软件实现和硬件平台上 Skala 的计算性能。这是一份公开、实时更新的参考，让用户和开发者能够准确衡量 Skala 在真实工作负载中的表现趋势。透明化是信任的前提，而信任是采纳的前提。
2.5倍数据背后：质量和多样性才是真正的壁垒
Skala 系列的核心资产，不是模型架构本身，而是提供训练数据的管线。
在计算化学中，正确答案不是天然存在的。你需要用目前最准确但计算代价极高的波函数方法去生成一个个黄金标准参考值，然后用这些黄金标准去训练模型。这意味着，谁建的数据集质量更高、规模更大、化学多样性更强，谁的模型迭代速度就越快。
微软在这条路线上展示了明确的长线布局。Skala 1.1 新增的电子亲和能和非共价簇数据，不是简单地增加样本量，而是系统地扩展了训练数据的化学空间。这让模型在更广泛的反应类型上保持了精度优势。
这套打法，和微软在 AI for Science 领域的其他战略形成了清晰的呼应——从科学基础模型到小分子、蛋白质和材料科学，微软正在构建一个以高质量数据为核心的 AI 科学工具栈。其投资逻辑不是单点突破，而是基础设施级别的系统性建设。
谁受益，谁危险
DFT 是计算化学的路基技术，支撑着药物发现、催化设计、能源材料开发、生物模拟等一系列下游应用。全球使用 DFT 的学术论文数以万计，制药和化工企业在计算化学资源上的年投入以数十亿美元计。
Skala 1.1 释放的信号是清晰的：深度学习方法正在从辅助工具进化为核心引擎。当一个深度学习模型能在主流基准上系统性超越传统混合泛函，而计算成本又保持在半局域水平，这场范式转换就不再是潜在可能——而是正在发生。
最大的受益者是那些因计算资源受限而不得不使用低精度方法的学术课题组。Skala 让他们以半局域成本获得混合泛函级别的精度。对于预算有限但需要高质量计算结果的团队来说，这意味着研究质量的直接提升。
另一方是传统泛函开发者。如果 Skala 的迭代速度持续加速——更多数据、更优架构、更广泛的适用场景——五年后，花数年时间改进一个传统泛函的某个子系统是否仍具吸引力？这个问题的答案将影响 DFT 理论研究的整体走向。
当然，Skala 仍有明确的边界。当前版本主要针对主族分子化学，过渡金属和周期性固体体系尚在路线图上。它依赖于固定 D3(BJ) 色散校正，在特定场景下的行为有待进一步验证。但考虑到微软正在将 Skala 接入 VASP——固体模拟的行业标准——周期性体系的攻关显然已在日程中。
计算化学领域流传着一句老话：每一次 DFT 计算都是一次妥协。微软 Skala 1.1 证明，在深度学习的加持下，妥协不再是唯一选项。当精度和速度同时握在一只手里，撬动的将不只是某个实验室的计算效率——而是整个化学发现范式的底层转速。
快报