賽思極限CEO徐楠：以“通專一體”科學基礎模型推動科研範式重塑

隨著科學問題日趨複雜，以及科研數據的快速累積，傳統研究方式正面臨效率瓶頸，而AI for Science的崛起，正逐步將科學研究方法從經驗驅動轉向數據與模型驅動。在2026年世界人工智慧大會（WAIC 2026）期間，中科聞歌舉辦了決策大模型系列產品發布會暨人工智慧與決策大模型論壇，中國科學院自動化研究所研究員、賽思極限CEO徐楠博士在會中介紹了磐石2.0的最新技術進展與實際應用案例。這款被視為業界領先的「通專一體」科學基礎模型，實現了通用知識推理能力與專業科學能力的原生融合，為複雜的科學與工程問題提供統一而高效的智能求解方案。

徐楠在論壇上指出，當前AI for Science的基礎模型主要形成三條技術路徑。第一種是以AlphaFold、ESM為代表的場景專用模型，針對特定科研任務打造高效能模型。第二種是透過智能體與科研工具來增強通用大模型的科學能力。第三種則是將蛋白質、DNA等科學對象映射到統一語言空間的領域語言模型。雖然這些路徑已在多個科研場景展現價值，但在科學機理與數據的融合、推理的邏輯性以及結果的可解釋性等方面，仍存在共同挑戰。針對這些限制，磐石2.

0提出了第四條路徑——「通專一體」，也就是重新架構模型底層，將通用知識推理能力與專業科學能力進行原生融合與聯合訓練，透過單一模型來達成不同科學與工程問題的高品質求解。徐楠強調，磐石2.0並非一次簡單的版本更新，而是團隊對AI for Science基礎模型技術路線的重新思考。磐石2.0的基座模型命名為ScienceOne-Omni，採用三層架構設計。第一層負責對多種科學數據進行統一編碼，包括文本、材料晶體結構CIF、化學分子表達式SMILES、蛋白質、光譜以及科學圖像等。第二層則將科學規律與專家經驗融入模型訓練過程，增強科學推理的邏輯性與可解釋性。

第三層針對不同領域任務進行定向解碼，使單一模型能夠同時勝任科學數據理解、知識推理、性質預測以及結構生成等多類任務。為了支撐模型的能力，磐石團隊聯合中國科學院相關研究所，建構了800萬條高品質科學推理數據，涵蓋超過200項科研任務。團隊將科學家的思維方法轉化為模型的推理準則，打造可驗證的推理鏈路，讓模型學習沿著知識鏈與證據鏈來解決問題。在超過60項專業科研評測中，磐石2.0在多數任務上表現明顯優於Gemini-3.1 Pro、GPT-5.5等通用旗艦模型，並且在化學性質預測、光譜到分子結構預測、蛋白質位點預測等任務上，甚至領先領域專用模型，具體展現了「通專一體」科學基礎模型的泛化能力。

在光譜數據理解方面，ScienceOne-Omni能夠辨識譜圖中的特徵峰及峰形變化，逐步完成官能團歸屬、跨譜關聯以及子結構推理，最終實現從光譜信號到分子結構的解析。在化學與材料性質預測上，模型透過統一編碼CIF與SMILES，學習晶體結構、空間對稱性、分子構型、電子結構與材料性質之間的映射關係。在此框架下，模型可支援量子化學、分子物化性質、藥物ADMET以及材料篩選等48類應用場景，為候選結構篩選與研發決策提供有效支撐。在結構生物學領域，模型能從蛋白質序列出發，理解其結構與功能特徵，完成蛋白質、DNA、抗體與抗原等七類結合位點預測任務，並在多個公開資料集上達到SOTA效果。

針對科學圖像，ScienceOne-Omni採用「先思考、後生成」的推理範式，實現科學圖像的理解、生成與編輯一體化，在科學圖像分割、翻譯、超解析度等任務上取得領先成果。目前ScienceOne已在數十家科研單位推廣，賦能超過百個科研場景。在力學領域，磐石團隊與中國科學院力學研究所合作，開發流體高通量計算軟體，推動流體仿真從傳統的「網格生成、迭代求解、長週期驗證」走向「無網格、秒級響應、高通量評估」，系統可在10秒內輸出仿真結果，並將誤差控制在5%以內。

在材料領域，團隊則與中國科學院上海矽酸鹽研究所共同建構催化劑材料創制智能體，透過意圖理解、流程編排、工具選擇與反思迭代，打通材料設計、結構評估、製備與實驗驗證的全流程。相較傳統高通量篩選，該系統將材料設計時間從數月縮短至30分鐘以內，並且成功發現新型催化劑，使催化活性提升38%。此外，團隊也與中國科學技術大學合作，以磐石為底座驅動機器科學家系統。研究人員輸入創制需求後，系統可自主拆解任務，並調度文獻挖掘、實驗設計、機器操作、計算模擬及智算優化等五類智能體協同運作。

目前該系統已完成462組樣品合成表徵以及千萬量級的虛擬篩選，排名前20的候選材料中，約有四成性能優於原有樣品，系統也已穩定運作超過1500小時。為了打通科學研究中「數據—計算—推理—實驗」的全流程閉環，磐石團隊聯合中科聞歌建構一體化科研智能平台ScienceOne.ai。該平台目前已接入超過2000項MCP（模型上下文協定），累積超過3000個可複用的科研技能，涵蓋數十個科研領域。研究人員可根據任務需求快速組裝適用的科研智能體，獲得從知識檢索、數據分析、計算模擬到實驗設計的客製化支援，推動科研模式從單純的「工具輔助」邁向「智能體協同科研」。

徐楠展望未來時表示，ScienceOne將持續擴大學科覆蓋範圍，並深化與全球學術社群的開放合作。隨著科學數據、基礎模型、科研工具與智能體系統進一步融合，人工智慧有望成為貫穿問題提出、方案設計、計算推演以及實驗驗證全過程的科研夥伴，為科學發現開啟更多可能性。