科学研究的复杂度日益攀升，伴随而来的是科研数据的指数级增长。传统的科研范式，在应对当前海量数据与复杂问题时的局限性愈发明显，显得有些力不从心。AI for Science（人工智能驱动科学发现）之所以备受期待，核心在于它有望引领科研模式从基于“经验驱动”的传统路径，全面转向“数据与模型驱动”的全新范式。
在WAIC2026期间，中科闻歌主办的论坛上，中国科学院自动化研究所研究员、赛思极限CEO徐楠博士详细介绍了磐石2.0模型的最新进展。这一被定位为“通专一体”的科学基础模型，并非简单的常规版本迭代，而是对AI for Science领域基础模型底层架构与设计逻辑的一次系统性反思与重构。
提出“通专一体”技术路径
当前，AI for Science领域的基础模型研发主要遵循三条路径：其一，针对特定科学任务，定制化开发如AlphaFold、ESM这类高性能专用模型；其二，通过智能体与各类科研工具，为通用大模型增强能力；其三，尝试将蛋白质、DNA等科学对象映射至统一的语言空间。这些路径各有优势，并在特定场景下验证了其价值。然而，它们共同面临的核心挑战依然突出：科学机理与科研数据如何实现深度融合？模型的推理逻辑性与结果的可解释性如何得到根本保障？
问题的根源，往往在于模型自身的架构设计。如果仅仅在现有框架外围进行修补，很难从根本上解决这些共性难题。针对这些挑战，磐石2.0给出了其独到的解决方案，即一条名为“通专一体”的创新技术路径。
简而言之，其核心思路是重构模型底层，将通用知识的强大推理能力与专业领域的科学能力，从模型构建之初就进行深度融合。并非先构建一个通用模型，再额外训练一个科学模块，而是让两者在一个统一的框架下进行联合训练，实现原生融合。这样一来，同一个模型架构便能高效应对不同科学与工程领域的求解问题。
支撑这一设计理念的，是磐石2.0的基座模型ScienceOne-Omni。其独特的三层架构颇具深意：第一层，将文本、材料晶体结构、化学分子式、蛋白质序列、光谱数据以及科学图像等多元异构数据，全部纳入统一的编码空间；第二层，将科学规律与专家经验直接“灌输”至模型训练过程，引导模型进行更具逻辑性和可解释性的推理；第三层，针对不同领域的特定任务进行定向解码，使得一个模型即可胜任从数据理解、知识推理，到性质预测、结构生成等多种类型的科研任务。
这种能力的实现并非凭空而来。磐石团队联合中国科学院相关研究所，构建了规模高达800万条的高质量科学推理数据，覆盖了超过200项科研任务。他们将科学家的思维方式与解题逻辑，转化为模型可遵循的推理准则，构建起可验证的推理链路。换言之，旨在让模型学会像科学家一样，沿着知识链与证据链去逐步解决问题。在超过60项专业科研评测中，磐石2.0在多数任务上的表现显著优于Gemini-3.1 Pro、GPT-5.5等通用旗舰模型，甚至在化学性质预测、谱图到分子结构预测、蛋白质位点预测等专项任务上，其表现超越了领域专用模型，直接验证了“通专一体”技术路径的强大泛化能力。
一个模型覆盖多类科研任务
这种杰出的泛化能力，具体体现在哪些方面？
在谱数据理解层面，ScienceOne-Omni能够精准识别谱图中的特征峰及峰形变化，逐步完成官能团归属、跨谱关联以及子结构推理，最终从谱信号反推出完整的分子结构。这绝非简单的数据查表，而是真正意义上的逻辑推理过程。
在化学与材料性质预测方面，该模型通过统一编码CIF（晶体信息文件）和SMILES（简化分子线性输入规范），能够学习晶体结构、空间对称性、分子构型、电子结构以及材料性质之间的复杂映射关系。在同一个模型框架下，即可支持量子化学、分子物化性质、药物ADMET（吸收、分布、代谢、排泄、毒性）预测以及材料筛选等48类应用场景，为候选结构筛选与研发决策提供直接而有力的支撑。
在结构生物学领域，模型能够从蛋白质序列出发，直接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的预测任务，并在多个公开数据集上取得了当前最优（SOTA）的效果。
对于科学图像，ScienceOne-Omni采用了“先思考、后生成”的推理范式。模型首先深入理解图像内容，再根据需求生成或编辑图像，在科学图像分割、翻译、超分辨率等任务上，同样展现出了领先的、卓越的性能。
从模型能力走向科研一线
模型的强大能力固然重要，但能否真正落地到科研一线，服务于实际研究，才是衡量其价值的关键。目前，ScienceOne模型已在数十家科研单位成功部署，赋能了上百个真实科研场景。
在力学领域，磐石团队与中国科学院力学研究所合作，共同开发了一套流体高通量计算软件。以往进行流体仿真，需要经历复杂的网格生成、迭代求解以及长周期验证过程，现在则实现了“无网格化、秒级响应、高通量评估”。在10秒内即可输出仿真结果，且误差控制在5%以内，效率提升了一个量级。
在材料领域，团队与上海硅酸盐研究所合作，构建了催化剂材料创制智能体。该智能体能够理解科研意图、编排实验流程、选择合适工具，并具备反思迭代能力，将材料设计、结构评估、制备与实验验证的全流程串联起来。传统的高通量筛选通常需要数月时间，如今在30分钟内即可完成，并已成功发现一种新型催化剂，其催化活性比现有材料提高了38%。
更值得关注的是与中国科学技术大学的合作成果。他们以磐石模型为底座，驱动一个机器科学家系统。科研人员输入创制需求后，系统能够自主拆解任务，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。目前，该系统已成功完成462组样品的合成表征以及千万量级的虚拟筛选。在排名前20的候选材料中，约四成性能优于原有样品，且系统已稳定运行超过1500小时。
从“工具辅助”迈向“智能体协同科研”
要打通“数据—计算—推理—实验”的全流程闭环，仅有模型本身是不够的。为此，磐石团队联合中科闻歌，构建了ScienceOne.ai这一一体化科研智能平台。目前，该平台已接入超过2000项MCP（模型上下文协议），沉淀了3000多个可复用的科研技能，覆盖数十个科研领域。
科研人员可以根据具体任务需求，快速组装出自己所需的科研智能体，从知识检索、数据分析、计算模拟到实验设计，均可获得高度定制化的智能支持。这标志着科研模式正在从“工具辅助”阶段，迈入“智能体协同科研”的新纪元。
徐楠博士展望，未来ScienceOne将持续拓展其学科覆盖范围，并深化与全球学术共同体的开放合作。随着科学数据、基础模型、科研工具和智能体系统的进一步融合，AI有望成为贯穿问题提出、方案设计、计算推演与实验验证全过程的科研伙伴。到那时，科学发现的可能性与边界，或许将远超我们今天的想象。
