在科学研究领域，随着问题复杂度攀升和数据量爆发式增长，传统研究范式逐渐显露出效率局限。AI for Science的兴起，正推动科研范式从经验主导转向数据与模型双轮驱动的新阶段。近日，一款名为磐石2.0的科学基础模型引发学界关注，其提出的“通专一体”技术路径为复杂科研问题提供了创新解决方案。
中国科学院自动化研究所研究员徐楠在学术论坛上介绍，当前AI for Science领域已形成三条主要技术路线：以AlphaFold为代表的专用模型聚焦单一任务优化，通用大模型通过工具链增强科学能力，领域语言模型尝试将科学对象统一编码。这些路径虽在特定场景取得突破，但在科学机理与数据融合、推理逻辑性等方面仍存在共性挑战。磐石2.0开创的第四条路径，通过重构模型架构实现了通用知识推理与专业科学能力的原生融合。
该模型的核心基座ScienceOne-Omni采用三层创新架构：底层构建了支持文本、晶体结构、分子表达式、蛋白质序列等多模态科学数据的统一编码体系；中层将科学定律与专家经验转化为可训练的推理规则，强化模型的逻辑可解释性；顶层设计动态解码机制，使单一模型能够同时处理科学数据解析、性质预测、结构生成等多样化任务。支撑这一架构的是团队联合多家科研机构构建的800万条高质量科学推理数据集，覆盖200余项典型科研任务。
在专业评测中，磐石2.0展现出显著优势。对比通用旗舰模型，其在60余项任务中取得整体领先，在化学性质预测、谱图解析等专项任务上更超越专用模型。以谱数据分析为例，模型可自动识别特征峰变化，完成官能团定位、跨谱关联等复杂推理，最终实现从光谱信号到分子结构的完整解析。在材料性质预测场景中，模型通过统一处理晶体结构与分子构型数据，建立起从微观结构到宏观性能的映射关系，支持量子化学计算、药物筛选等48类应用场景。
结构生物学领域的应用验证了模型的泛化能力。研究团队训练模型从蛋白质序列预测结合位点，在DNA、抗体、抗原等七类生物大分子相互作用预测任务中达到国际领先水平。针对科学图像处理，模型采用“先推理后生成”的独特范式，在图像分割、超分辨率重建等任务中取得突破性进展，相关成果已在多个权威数据集获得验证。
技术突破正加速向科研实践转化。在力学研究领域，联合开发的流体仿真系统突破传统网格计算瓶颈，实现10秒级快速响应，计算误差控制在5%以内。材料科学团队构建的智能创制平台，将新型催化剂研发周期从数月压缩至30分钟，发现的高活性催化剂使催化效率提升38%。与中国科学技术大学合作的机器科学家系统，已自主完成462组样品合成实验，在千万级虚拟筛选中发现的候选材料，近半数性能优于原有方案。
为推动科研范式变革，研究团队打造了科研智能平台ScienceOne.ai。该平台集成2000余个模块化科研组件，沉淀3000多项可复用技能，覆盖化学、材料、生物等多个领域。科研人员可通过智能体编排功能，快速构建涵盖文献挖掘、实验设计、模拟计算的全流程解决方案。这种“智能体协同”模式，标志着科研活动从工具辅助阶段迈向智能化协作新阶段。
