赛思极限CEO徐楠：以“通专一体”科学基础模型推动科研范式重塑
AI 深度解读
背景
随着科学问题的日益复杂和科研数据的快速增长，传统科研方式面临效率瓶颈。AI for Science 正推动科学研究从经验驱动走向数据与模型驱动。在这一趋势下，如何构建能够同时处理通用科学推理和专业领域任务的基础模型，成为业界关注的核心课题。2026年7月18日，在 WAIC2026 中科闻歌决策大模型系列产品发布暨人工智能与决策大模型论坛上，中国科学院自动化研究所研究员、赛思极限 CEO 徐楠博士介绍了磐石2.0 的最新技术进展与应用案例，提出了“通专一体”的科学基础模型技术路线。
核心内容
磐石2.0 是业界领先的“通专一体”科学基础模型，旨在实现通用知识推理能力与专业科学能力的原生融合，为复杂科学与工程问题提供统一、高效的智能求解能力。
徐楠指出，当前 AI for Science 基础模型主要形成三条技术路径：一是以 AlphaFold、ESM 为代表的场景专用模型，围绕特定科研任务构建高性能模型；二是通过智能体和科研工具增强通用大模型科学能力；三是将蛋白质、DNA 等科学对象映射到统一语言空间的领域语言模型。这些路径在多个科研场景中展现了价值，但在科学机理与数据融合、推理逻辑性和结果可解释性等方面仍存在共性挑战。
针对这些问题，磐石2.0 提出第四条技术路径——“通专一体”，即重构模型底层架构，将通用知识推理能力与专业科学能力原生融合、联合训练，通过一个模型实现不同科学和工程问题的高质量求解。徐楠表示：“磐石2.0 不是一次简单的模型升级，而是我们对 AI for Science 基础模型技术路线的一次重新思考。”
磐石2.0 的基座模型 ScienceOne-Omni 采用三层架构：
- 第一层：对文本、材料晶体结构 CIF、化学分子表达式 SMILES、蛋白质、光谱和科学图像等多种科学数据进行统一编码。
- 第二层：将科学规律和专家经验融入模型训练，增强科学推理的逻辑性与可解释性。
- 第三层：针对不同领域任务进行定向解码，使一个模型能够完成科学数据理解、知识推理、性质预测和结构生成等多类任务。
模型能力背后，是磐石团队联合中国科学院相关研究所构建的800万条高质量科学推理数据，覆盖200余项科研任务。团队将科学家的思维方法转化为模型推理准则，构建可验证的推理链路，让模型学会沿着知识链和证据链解决科学问题。
在60余项专业科研评测中，磐石2.0 在多数任务上显著超越 Gemini-3.1 Pro、GPT-5.5 等通用旗舰模型，并在化学性质预测、谱到分子结构预测、蛋白质位点预测等任务上领先领域专用模型，验证了“通专一体”科学基础模型的泛化能力。
在具体应用方面：
- 谱数据理解：ScienceOne-Omni 能够识别谱图中的特征峰及峰形变化，逐步完成官能团归属、跨谱关联和子结构推理，最终实现从谱信号到分子结构的解析。
- 化学与材料性质预测：通过统一编码 CIF 与 SMILES，学习晶体结构、空间对称性、分子构型、电子结构与材料性质之间的映射关系，支持量子化学、分子物化、药物 ADMET 和材料筛选等48类场景。
- 结构生物学：模型从蛋白质序列出发，理解其结构与功能特征，完成蛋白质、DNA、抗体和抗原等七类结合位点预测任务，在多个公开数据集上取得 SOTA 效果。
- 科学图像：采用“先思考、后生成”的推理范式，实现科学图像理解、生成与编辑一体化，在科学图像分割、翻译、超分辨率等任务上取得领先效果。
目前，ScienceOne 已在数十家科研单位推广，赋能百余个科研场景。具体案例包括：
- 力学领域：与中国科学院力学研究所联合开发流体高通量计算软件，推动流体仿真从“网格生成、迭代求解、长周期验证”走向“无网格、秒级响应、高通量评估”。系统可在10秒内输出仿真结果，误差控制在5%以内。
- 材料领域：与中国科学院上海硅酸盐研究所联合构建催化剂材料创制智能体，打通材料设计、结构评估、制备和实验验证全流程。与传统高通量筛选相比，材料设计时间从数月缩短至30分钟以内，成功发现新型催化剂，催化活性提高38%。
- 机器科学家系统：与中国科学技术大学合作，以磐石为底座驱动系统。科研人员输入创制需求后，系统自主拆解任务，调度文献挖掘、实验设计、机器操作、计算模拟和智算优化五类智能体协同运行。已完成462组样品合成表征和千万量级虚拟筛选，排名前20的候选材料中约四成性能优于原有样品，系统已稳定运行超过1500小时。
为打通“数据—计算—推理—实验”全流程闭环，磐石团队联合中科闻歌构建了一体化科研智能平台 ScienceOne.ai。目前平台已接入2000余项 MCP，沉淀3000余个可复用科研技能，覆盖数十个科研领域。科研人员可根据具体任务快速组装适用的科研智能体，获得从知识检索、数据分析、计算模拟到实验设计的定制化支持，推动科研模式从“工具辅助”走向“智能体协同科研”。
关键要点
- 磐石2.0 提出“通专一体”技术路径，区别于场景专用模型、智能体增强通用模型和领域语言模型三条现有路径，通过重构底层架构实现通用与专业能力的原生融合。
- 基座模型 ScienceOne-Omni 采用三层架构：统一编码、科学规律融入、定向解码，支持多类科学数据理解和多任务输出。
- 训练数据包含800万条高质量科学推理数据，覆盖200余项科研任务，将科学家思维方法转化为推理准则。
- 在60余项专业评测中，磐石2.0 在多数任务上超越 Gemini-3.1 Pro、GPT-5.5 等通用旗舰模型，并在多项任务上领先领域专用模型。
- 在力学领域，流体仿真系统实现10秒内输出结果，误差控制在5%以内；在材料领域，催化剂设计时间从数月缩短至30分钟，催化活性提高38%。
- 机器科学家系统已运行超过1500小时，完成462组样品合成表征和千万量级虚拟筛选，候选材料性能提升约四成。
- 科研智能平台 ScienceOne.ai 已接入2000余项 MCP，沉淀3000余个可复用科研技能，支持科研人员快速组装智能体。
意义与影响
磐石2.0 的“通专一体”路线为 AI for Science 基础模型提供了新的范式。传统上，科学模型要么高度专用（如 AlphaFold），要么依赖通用大模型通过智能体外挂科学工具，但无法真正实现机理与数据的深度融合。磐石2.0 通过底层架构的重构，在一个模型中同时具备通用推理能力和专业科学能力，有望解决科学推理的逻辑性和可解释性难题。
从实际应用看，ScienceOne 已在多个科研领域落地，将 AI 从“工具辅助”提升为“智能体协同科研”。流体仿真、催化剂设计、机器科学家等案例表明，该模型能够显著缩短研发周期、提升发现效率，并已在真实科研场景中产生可量化的成果。随着 ScienceOne.ai 平台持续扩展学科覆盖和 MCP 生态，科研人员将能以更低门槛调用 AI 能力，实现从问题提出、方案设计、计算推演到实验验证的全流程智能化。
徐楠表示，未来 Science