随着科学问题日益复杂、科研数据快速增长，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。

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。

作为业界领先的 " 通专一体 " 科学基础模型，磐石 2.0 实现了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。

提出 " 通专一体 " 技术路径

徐楠表示，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。

这些路径已在多个科研场景中展现价值，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。

" 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。" 徐楠说。

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。

一个模型覆盖多类科研任务

在谱数据理解中，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。

在化学与材料性质预测方面，模型通过统一编码 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。在同一框架下，模型可以支持量子化学、分子物化、药物 ADMET 和材料筛选等 48 类场景，为候选结构筛选和研发决策提供支撑。

在结构生物学领域，模型能够从蛋白质序列出发，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，并在多个公开数据集上取得 SOTA 效果。

针对科学图像，ScienceOne-Omni 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，并在科学图像分割、翻译、超分辨率等任务上取得领先效果。

从模型能力走向科研一线

目前，ScienceOne 已在数十家科研单位推广，赋能百余个科研场景。

在力学领域，磐石团队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，将误差控制在 5% 以内。

在材料领域，团队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，通过意图理解、流程编排、工具选择和反思迭代，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，系统将材料设计时间从数月缩短至 30 分钟以内，并成功发现新型催化剂，使催化活性提高 38%。

团队还与中国科学技术大学合作，以磐石为底座驱动机器科学家系统。科研人员输入创制需求后，系统可以自主拆解任务，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，并已稳定运行超过 1500 小时。

从 " 工具辅助 " 迈向 " 智能体协同科研 "

为打通科学研究中的 " 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。

科研人员可以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 "。

徐楠表示，未来，ScienceOne 将持续拓展学科覆盖范围，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、科研工具与智能体系统进一步融合，AI 有望成为贯穿问题提出、方案设计、计算推演和实验验证全过程的科研伙伴，为科学发现打开更多可能。