110 億參數塞進六類科學大腦：上智院開放"神珍"多模態模型，從蛋白質到氣象場一個模型全讀懂

一個模型同時讀懂DNA的序列密碼、看穿氣象場的時空演化，還能在醫學影像上精準圈出病灶——過去這項任務需要拆解成好幾個各自獨立的專用模型，每個模型只能處理單一類別的科學數據。如今，上海科學智能研究院（上智院）在7月20日正式對外開放其科學多模態基礎模型「神珍」（Monkey King Bang，簡稱MKB），以約110億參數的規模，在一個統一的模型架構內，同時接住DNA、RNA、蛋白質、小分子、地球系統與醫學影像六大類科學數據，不僅能理解這些數據的內涵，也能直接產出可用結果。 在科學智能這條賽道上，蛋白質結構預測、分子性質分析、氣象模擬與醫學影像判讀等領域，近年來早已各自跑出性能出色的專用模型。然而，這些模型背後的數據規律並不相通：序列數據講究前後依賴關係，分子數據強調原子之間的連接結構，氣象數據專注於時空動態演化，醫學影像則看重局部細節的紋理與邊界。如何既能保留這些差異，又能讓一個模型從中學習出可共享的通用規律，一直是科學基礎模型研發中繞不開的核心命題。 神珍模型的設計思路正是針對這一命題給出的系統性解答。它的骨架選擇了Qwen3-VL-8B作為共享主幹，再為六大類科學數據各自開闢一條專門的數據處理通路。關鍵在於，它沒有為了簡化而把所有數據都壓成同一種格式，而是在數據進入共享模型之前，分別將序列的先後關係、分子的連接結構、氣象場的空間分布以及醫學影像的局部細節，都原封不動地保留下來。這樣的設計讓模型既能兼顧各領域的獨特性，又能透過共享主幹挖掘跨領域之間可能存在的隱含規律。 具體來說，在處理蛋白質與核酸時，神珍仍按照序列的順序邏輯進行編碼；針對小分子，則保留其原子間的連接結構資訊；面對氣象數據，模型維持空間分布的特徵；而醫學影像則以原始圖像細節輸入。這六類數據的處理路徑雖然不同，但最終都匯入同一個統一模型，使用時可根據任務需求調用對應的功能模組，無需切換不同模型。 除了能進行文本回答之外，神珍還具備直接生成科學數據的能力。例如，它可以輸出RNA序列、機器可讀的SMILES分子表示、全球氣象場預測結果，以及醫學影像的分割結果。這意味著，研究人員只需輸入一個提示或指令，模型就能同時完成理解與生成，大幅簡化科學研究中的多步驟流程。 上智院此次開源神珍模型，也為學術界與產業界提供了一個可免費使用、可進一步微調的基礎工具。過去科學AI模型往往各自封閉，不同領域的團隊需要從頭訓練專用模型，耗費大量算力與時間。現在，一個統一框架就能涵蓋從分子生物學到地球科學的廣泛應用場景，讓跨領域的知識遷移變得可能。業內人士分析，這類多模態科學基礎模型若持續迭代，未來有望在藥物發現、氣候預測、精準醫療等領域帶來突破性的效率提升。 值得注意的是，神珍並非只是簡單地將不同數據拼湊在一起。它的核心創新在於，透過保留各類數據的原始結構特徵，讓共享主幹能夠學習到不同科學領域之間的隱含關聯。例如，蛋白質序列的折疊模式與氣象場的時空演化或許存在某種數學上的共性，過去這些關聯難以被專用模型捕捉，如今卻有機會在統一模型中被挖掘出來。這種跨學科的聯想能力，正是科學智能領域長期追求的目標。 從技術層面來看，110億參數的規模在當前的大模型領域屬於中等偏上，但考慮到它同時處理六種截然不同的科學數據類型，這樣的參數量級已經相當精簡。上智院的研究團隊在模型設計時，特別注重參數效率與計算成本的平衡，讓更多資源有限的實驗室也能部署使用。目前，神珍的模型權重與相關程式碼已開放給研究社群，後續還將持續更新數據集與訓練配方。 對於科學研究人員而言，神珍的出現可能意味著工作流程的重新定義。過去，一位生物學家可能需要分別使用蛋白質預測模型、分子生成模型與基因序列分析工具，再手動整合結果。現在，一個模型就能同時處理這些任務，並直接輸出統一的結果格式。氣象學家也能在同一個平台中，同時分析衛星影像、氣象場時序數據與文字報告，無需在多個系統之間切換。 整體而言，神珍的開放標誌著科學智能從「各自為政」的專用模型時代，邁向「一統多能」的基礎模型時代。儘管目前模型在部分極端任務上可能還不如高度特化的專用模型，但它的統一架構與跨領域學習能力，已經為後續的迭代升級鋪平了道路。未來，隨著更多科學數據的融入與訓練策略的優化，這類模型有望成為科學研究的基礎設施，讓不同領域的科學家都能在同一個智慧平台上協作與創新。