当彼得·蒂尔闯入硅谷投资界时，他曾经发出了一句著名的批评：“我们期待的是飞行汽车，结果得到了 140 个字符。”在过去的十年里，我们在比特层面（互联网）取得了巨大进步，但在原子层面（前沿技术）的进展相对缓慢。

语言数据的积累推动了机器学习的发展，并最终导致了大型语言模型 (Large Language Models, LLMs) 的出现。随着人工智能的推动，原子层面的进展也在加速。像 Deep Potential 这样的方法通过学习量子力学数据，将微观模拟的时空尺度扩大了几个数量级，在药物设计、材料设计和化学工程等领域取得了显著进展。

量子力学数据的积累正逐渐覆盖整个周期表，Deep Potential 团队也开始了 DPA 预训练模型 的实践。与 LLMs 的进步类似，我们正处于大型原子模型 (Large Atomic Model, LAM) 出现的前夕。同时，我们相信开源开放将在 LAM 的发展过程中起到愈发重要的作用。

在此背景下，深度势能核心开发者团队面向社区，发起 OpenLAM 大原子模型计划，我们热诚、开放地欢迎来自各方的意见和支持。