第一性原理方法已发展成为物理与材料科学的核心研究手段。基于第一性原理计算构建高质量的科学大数据，并以此训练神经网络模型，为AI 驱动的物理与材料发现提供了新的研究范式。然而，高昂的计算代价限制了大规模的第一性原理计算；同时，物性与微观原子结构之间的依赖关系极为复杂，单纯依靠“增加数据、扩大模型参数”的黑盒式研究，往往导致模型泛化能力不足、可解释性欠缺，难以真正解决科学问题。本报告将探讨如何解决 AI 驱动的物理与材料研究面临的关键科学问题：在底层，将第一性原理与 AI 相结合，提升算法效率并高效生成高质量数据；在顶层，实现 AI 与物理的深度融合，协同驱动物理规律的揭示与新材料的发现。