

> **导语**
> 上海人工智能实验室开源全球最大科学多模态模型，基于MoE架构实现万亿参数与极致算力效率平衡，在AI4S领域确立国际领先地位，并全面开放SAGE架构技术链路。

## 科学计算领域的参数里程碑

全球开源 AI 社区近日迎来了一次重量级的技术刷新。上海人工智能实验室正式发布并开源了 **Intern-S1-Pro**，这是一款参数量达到万亿级别（1T）的科学多模态大模型。

该模型的发布不仅打破了开源社区的参数规模纪录，更标志着国产 AI 在 **AI for Science (AI4S)** 这一前沿赛道上取得了战略性突破。在综合学科评测中，Intern-S1-Pro 展现出了令人惊叹的专业能力，其复杂数理逻辑推理水平已达到奥林匹克竞赛金牌标准。在真实的科研场景下，它能够作为高水平的智能体辅助科学家进行实验设计与数据分析，其实力已稳居全球开源模型的第一梯队。

![Google_AI_Studio_2026-02-05T02_39_23.699Z.png](https://static.downly.cn/images/a85a54b0f905d1efb66a6bc31955bce4.png) <center>图源备注：图片由AI生成</center>

## 混合专家架构与物理直觉

在庞大的参数规模之下，Intern-S1-Pro 的技术内核同样精妙。研发团队采用了先进的 **混合专家架构（MoE）**，虽然总参数量高达1万亿，但通过高效的动态路由机制，模型在处理每一次具体任务时，仅需激活 **220亿（22B）** 参数。这种设计极大地降低了推理成本，实现了超大规模模型在算力效率上的最优解。

为了让 AI 真正理解科学规律，团队还引入了创新的“通专融合”技术架构 SAGE。通过引入傅里叶位置编码并重构时序编码器，模型仿佛拥有了“物理直觉”，能够统一理解从微观粒子信号到宏观物理现象的复杂规律。这一技术突破攻克了超大 MoE 模型训练中常见的稳定性难题，证明了国产团队在底层算法架构上的原创能力。

## 全链路自主可控的生态底座

Intern-S1-Pro 的意义远超模型本身，它是一次从原创架构到国产算力基座的完整技术验证。目前，该模型已在 GitHub 和 HuggingFace 等主流平台全面开源，并提供在线体验服务。

这一举措为全球科研机构和开发者提供了一个开放、共享的高性能基础设施。通过降低顶级科学模型的获取门槛，上海人工智能实验室正在加速构建一个基于国产技术的科研 AI 生态，为未来的科学发现提供源源不断的智能动力。

![Google_AI_Studio_2026-02-05T02_39_28.314Z.png](https://static.downly.cn/images/f3ead6a4fb51a05a89f7d6f330992612.png) <center>图源备注：图片由AI生成</center>

国产开源新高地：万亿参数Intern-S1-Pro发布，数理推理对标奥赛金牌



>当AI不再仅仅是辅助工具，而是成为科学发现的独立贡献者，学术界的传统定义正在被改写。近期，一项关于GPT-5的研究成果在科学界引发了激烈的讨论：

## 历史性突破 摆脱人类引导

瑞士数学家约翰内斯·施密特（Johannes Schmitt）近日在社交媒体X上发布了一项震撼性的成果：GPT-5在没有任何人类干预或特定提示引导的情况下，首次独立解决了一个困扰数学界已久的难题。

施密特对AI的表现给予了极高评价，指出GPT-5并未遵循该领域的常规解题逻辑，而是展现出了惊人的创造力，跨界借鉴了代数几何其他分支的技术手段来攻克难关。这一突破不仅验证了数学大师陶哲轩对AI潜力的预言，也标志着科学研究进入了一个必须直面“AI独立贡献”的新纪元。

## 极致透明 拆解人机协作

除了数学成就本身，施密特提交的论文更像是一场关于科研透明度的先锋实验。在这篇高度数字化的论文中，人类与AI的协作过程被拆解得淋漓尽致：证明的核心过程由GPT-5与Gemini3Pro共同完成，叙述文本由Claude撰写，而严谨的Lean正式证明则由ChatGPT5.2辅助生成。

为了实现100%的可追溯性，论文的每一个段落都精准标注了产出主体，并附带了原始对话记录和提示词的链接。

![Google_AI_Studio_2025-12-23T02_40_11.214Z.png](https://static.downly.cn/images/fd8ae9636e56200972d2d5640c06a582.png)

<center>图源备注：图片由AI生成</center>

## 拷问本质 学术界的新难题

这种极致的标注虽然确保了科研诚信，却也因其繁琐的操作流程被部分学者质疑可能导致“学术官僚主义”。

更深层的争议在于对科学本质的拷问。施密特的实验暴露出人机界限日益模糊的困境：即便答案由AI独立生成，但提示词的构建与结果的筛选依然包含了人类意志。科学界现在必须回答一个根本性命题：在缺乏人类初始意图的前提下，纯粹由AI完成的贡献是否成立？施密特无疑为未来AI时代的学术出版标准提供了一个极具参考价值的样本。

GPT-5独立攻克数学未解之谜：一场引发学界震动的透明化归因实验





> 谷歌重磅发布Antigravity IDE与Gemini 3 Pro，意图通过智能体改变编程范式；微博开源高性价比小模型Vibe Thinker，在数学评测中表现亮眼；微软Office全家桶深度集成Copilot智能体；与此同时，国产Kimi K2走向国际，AI科学家Kosmos展现惊人效率，而Cloudflare的配置失误则给全球网络敲响了警钟。

## 谷歌发布Antigravity IDE与Gemini 3 宣告智能体编程时代降临

谷歌此次祭出了旗舰级大模型Gemini 3与AI原生集成开发环境 Antigravity，这不仅是一次工具的更新，更是向主动开发伙伴角色的转型。Antigravity旨在通过智能体范式，大幅减轻开发者的底层编码负担。

该工具整合了Gemini 3 Pro及第三方模型，能够自动记录工作流程。它不仅能生成代码，还能生成包含任务清单、计划、截图和浏览器记录在内的详细“工件”，让开发者能有效验证与追踪智能体的任务完成情况。目前该工具已对公众开放免费预览，且支持多系统，Gemini 3 Pro的配额也相当充足，这被业界视为对Cursor和Claude等竞争对手的强势回应。

![image.png](https://static.downly.cn/images/e3c0f514e920333a19619641d636ccd7.png)
<center>图源备注：图片由AI生成</center>

## 微博Vibe Thinker开源 15亿参数小钢炮低成本挑战DeepSeek

在模型轻量化的赛道上，微博带来了惊喜。其开源的Vibe Thinker大模型仅拥有15亿参数，却展现出了惊人的战斗力。

该模型采用了MoE（混合专家）架构和知识蒸馏技术，不仅不仅大大降低了推理成本，其后训练成本更是低至7800美元。在数学竞赛基准测试中，Vibe Thinker以极高的性价比和准确率，击败了参数量远超自己的DeepSeek R1。目前该模型已支持在Hugging Face下载并允许商用，为中小企业和开发者提供了高性价比的选择。

![image.png](https://static.downly.cn/images/e80778fa361964db43be949515903a23.png)
<center>图源备注：图片由AI生成</center>

## 微软Office全面进化 Copilot智能体模式重塑办公流

微软在Ignite 2025活动中宣布了一项重磅更新，Microsoft 365 Copilot将“智能体模式”全面集成到Word、Excel和PowerPoint等核心组件中。

这一举措旨在推动全球90%的财富500强企业加速采用AI工具。通过这种深度集成，Copilot不再仅仅是一个聊天助手，而是能够深入文档和数据处理流程的智能代理，助力企业向AI驱动的“前沿企业”转型，办公效率将迎来实质性的升级。

![image.png](https://static.downly.cn/images/02efac7123d0d911916ddb6a1a265d69.png)

## 国产之光 Kimi K2接入Perplexity 与顶尖模型同台竞技

中国AI技术出海再进一步。国产模型Kimi K2 Thinking成功接入全球知名的AI搜索应用Perplexity。

值得注意的是，Kimi K2是与OpenAI GPT-5.1等顶尖模型同期入选的，这标志着中国AI大模型在技术实力上获得了重要的国际认可。通过Perplexity这一全球平台，Kimi K2将直接服务于更广泛的国际用户，显著提升了国产AI的国际竞争力。

![image.png](https://static.downly.cn/images/15892f54eef4a966b6d2d04e45894b01.png)
<center>图源备注：图片由AI生成</center>

## 科研新物种 Kosmos半日完成人类半年工作量

FutureHouse推出的AI科研系统Kosmos展示了AI在科学研究领域的恐怖效率。利用结构化世界模型，Kosmos仅用12小时就完成了相当于人类科研团队6个月的工作量。

其能力覆盖了阅读论文、生成代码以及引用报告等科研全流程，且准确率高达79.4%。目前，Kosmos已成功复现了多项前沿科学发现，被称为“AI超级科学家”，预示着未来科研范式的巨大变革。

![image.png](https://static.downly.cn/images/adbd31a716d562e3933d47777cce5e56.png)
<center>图源备注：图片由AI生成</center>

## Cloudflare配置惹祸 全球网络遭遇至暗6小时

在AI高歌猛进的同时，基础网络的脆弱性也再次暴露。Cloudflare因系统配置错误引发了一场全球范围的网络中断。

此次事故导致包括ChatGPT、X、Spotify、Uber在内的众多核心互联网服务在约六小时内陷入瘫痪或受到严重影响。高峰期间，Cloudflare收到了超过两百万份异常报告。经过紧急抢修，核心服务已逐步恢复正常，但此次事件再次提醒了互联网基础设施稳定性的重要性。

![image.png](https://static.downly.cn/images/f92baba51f0e138efcb6914f945b4eb4.png)
<center>图源备注：图片由AI生成</center>

每日AI资讯1119：谷歌Gemini 3重塑编程，微博小模型逆袭DeepSeek



> 科学探索的未来图景正因人工智能而变得愈发清晰。在周一举行的公司 Build 2025 大会上，科技巨头微软 throw a spotlight on its ambition to revolutionize scientific discovery, 正式揭开了其全新平台 Microsoft Discovery 的神秘面纱。这款平台旨在 harnessing the power of agent AI，全面加速和 transformar 科学研究的过程，预示着科学发现将迎来一个由AI驱动的崭新纪元。

## Microsoft Discovery 亮相Build 2025

在备受瞩目的年度开发者大会 Build 2025 上，重点介绍了 Microsoft Discovery 平台。这款平台被微软定位为一项 strategically important initiative，其核心目标是利用前沿的代理AI技术，显著提升科学研究的效率和能力。

![image.png](https://static.downly.cn/images/20250520030705.012878741.png)

微软表示，Microsoft Discovery 平台具备“可扩展性”（scalable），这意味着它能够适应不同规模和复杂度的科研项目需求。更引人注目的是，该平台被设计用于“端到端”（end-to-end）处理某些与科学相关的工作负载。这表明 Microsoft Discovery 不仅仅是一个数据分析工具，更是一个能够覆盖从实验设计、数据收集、处理分析到结果解读、甚至论文撰写等科研流程多个环节的 comprehensive solution。

## 代理AI赋能 变革科学发现流程

Microsoft Discovery 的关键在于其对“代理AI”（agent AI）的运用。传统的AI模型往往专注于特定任务，而代理AI则更具自主性和协同性，能够像智能助手一样理解并执行复杂的指令，甚至与其他AI或工具进行交互，以完成更为宏大的目标。

在科学发现领域，代理AI可以扮演多种角色 它可以自动检索和分析海量的学术文献，发现不同研究之间的关联性；可以 design and optimize experimental protocols，减少人工试错；可以运行复杂的模拟和计算，探索新的理论模型；甚至可以 based on 实验结果自动调整研究方向。

![image.png](https://static.downly.cn/images/20250520030648.803094887.png)

例如，在药物研发领域，代理AI可以分析大量的生物数据，预测潜在的药物靶点，设计合成路线，并模拟药物与靶点的相互作用，从而大大加速药物筛选和优化的过程。在材料科学领域，代理AI可以探索全新的材料结构，预测其物理化学性质，并指导实验合成。

微软认为，通过利用代理AI的自主性和端到端处理能力，Microsoft Discovery 将能够显著缩短科学发现的周期，降低研究成本，并 enabling 科学家 tackling 以前因复杂性过高而难以解决的问题。

## 构建开放可扩展的科研生态

Microsoft Discovery 不仅是一个技术平台，微软还希望围绕它构建一个开放、可扩展的科研生态系统。这意味着该平台可能不仅仅对微软内部的研究开放，未来也 likely 会向外部科研机构和科学家开放。

通过开放平台和API，科学家可以将自己的数据和模型集成到 Microsoft Discovery 中，利用平台的计算能力和AI能力加速自己的研究。微软也可能提供针对特定科学领域的专业模块和工具，满足不同学科的需求。



这种开放模式有助于促进全球科学界的合作与创新，打破信息壁垒，加速知识的传播和共享。通过汇聚全球智慧，Microsoft Discovery 有潜力成为推动科学进步的重要引擎。

## 挑战与未来愿景

Microsoft Discovery 的发布标志着微软在AI应用于科学发现领域的雄心迈出了重要一步。然而，将这样一个宏大的平台 fully realize 并使其 widespread application，仍然面临一些挑战。

首先，需要 further develop 和 refine 代理AI的能力，使其更能理解和处理科学研究中固有的不确定性和复杂性。其次，数据的标准化和共享仍然是关键问题，需要建立更为完善的数据基础设施和合作机制。此外，确保AI在科学研究中的应用符合伦理规范和安全标准也至关重要。



尽管如此，Microsoft Discovery 的愿景令人振奋。微软希望通过这个平台，让AI成为科学家的强大助手，让他们能够将更多精力投入到创造性的思考和实验设计中，而将繁琐的数据处理和计算工作交给AI完成。如果这一愿景得以实现，我们将 witnessing a significant acceleration in the pace of scientific discovery，为人类社会的发展带来 profound impact。Microsoft Discovery 的推出，无疑是开启AI驱动科学发现新纪元的关键一步。

微软Build 2025重磅发布 Microsoft Discovery AI驱动科学发现新纪元开启



> 在科学研究领域，数据和基础模型的开放共享是推动创新的重要力量。特别是在分子科学、材料发现以及神经科学等领域，对大规模、高质量的数据集和能够理解原子层面相互作用的模型有着迫切的需求。近日，科技巨头 Meta AI 宣布开源了两项重要的资源-一个大规模的分子数据集 OMol25 和一个全新的原子通用模型 UMA（Universal Model for Atoms），旨在加速这些前沿科学领域的进展。



## 科学研究的瓶颈-数据稀缺与模型局限

分子科学、材料科学和神经科学的研究都涉及对原子和分子层面的复杂相互作用的理解和预测。然而，这些领域面临一些共性挑战：

*   **高质量数据稀缺-** 获取大规模、标注准确的实验数据通常耗时耗力，且成本高昂。
*   **计算模型局限-** 现有的计算模型往往针对特定领域或特定类型的分子/材料，泛化能力有限。
*   **跨领域知识鸿沟-** 分子、材料和神经科学虽然都在微观层面有所关联，但研究方法和数据形式存在差异，缺乏统一的建模框架。

这些瓶颈限制了科学家们利用机器学习和人工智能技术进行更深入探索和发现的速度。



![image.png](https://static.downly.cn/images/20250515104251.894174268.png)



## OMol25-迈向更全面的分子数据集

为了缓解高质量分子数据稀缺的问题，Meta AI 开源了 OMol25 数据集。这个数据集据称是一个包含大量分子结构和属性信息的综合性资源。相较于现有的分子数据集，OMol25 可能具有以下优势-

*   **规模更大-** 包含更多的分子实例和更丰富的属性。
*   **多样性更强-** 可能涵盖不同类型的分子，包括有机分子、无机分子、生物分子等。
*   **标注更全面-** 除了基本的分子结构信息，可能还包含更复杂的物理、化学、生物学属性数据。

大规模、多样化且标注全面的分子数据集，能够为训练更强大的分子性质预测模型和生成模型提供坚实的基础。



![image.png](https://static.downly.cn/images/20250515104433.685240279.png)



## UMA-构建原子层面的通用理解模型

除了数据集，Meta AI 还提出了并开源了原子通用模型 UMA。顾名思义，UMA 的目标是建立一个能够理解和预测不同原子之间相互作用的通用模型，无论这些原子构成的是分子、材料还是生物系统（如蛋白质或神经元）。UMA 的提出，可能基于以下理念-

*   **原子作为基本单元-** 无论是分子还是材料，其核心都是原子的排列和相互作用。
*   **通用规律存在-** 原子之间的相互作用可能存在跨领域的通用规律。
*   **利用大规模数据学习-** 通过在大规模数据集（包括 OMol25）上进行训练，让模型学习这些通用规律。

UMA 如果能够成功实现其目标，将极大地降低在不同科学领域建立特定计算模型的门槛，实现跨领域的知识迁移和预测能力。它可以为材料设计、药物发现、脑科学研究等提供统一的底层建模工具。



![image.png](https://static.downly.cn/images/20250515104415.035881344.png)



## 加速科学发现-应用前景与影响

OMol25 数据集和 UMA 模型的开源，预计将对相关科学研究领域产生深远影响-

*   **加速材料发现-** 帮助科学家预测新型材料的性能，设计具有特定功能的材料。
*   **推动药物研发-** 加快潜在药物分子的筛选和设计过程。
*   **深化神经科学理解-** 可能有助于模拟和理解神经元之间的相互作用，甚至构建更精确的大脑模型。
*   **促进 AI for Science 发展-** 为利用人工智能解决科学难题提供强大的数据和工具支持。
*   **降低研究门槛-** 开源资源使得更多研究人员能够接触和利用这些先进的数据和模型。

Meta AI 的这一举措，体现了科技公司在推动基础科学研究方面的责任和贡献。通过开放这些关键资源，Meta 期望能够激发全球科学界的创新活力，加速人类在物质世界和生命科学领域的探索步伐。这项工作也再次证明了 AI 在赋能基础科学研究方面的巨大潜力。


Meta 开源重磅资源：分子数据集 OMol25 和原子通用模型 UMA，加速材料科学与神经科学突破



> 人工智能在自然语言处理和图像识别等领域取得了令人瞩目的进展，但在解决复杂的数学和科学问题方面，AI 的能力仍然面临挑战。这些领域通常需要严密的逻辑推理、深入的领域知识以及符号操作能力。然而，最近谷歌 DeepMind 带来了一个振奋人心的消息，他们宣称其最新的 AI 工具在解决数学和科学问题方面表现出了“专家级”的能力，有望成为科学家和研究人员强大的助手。



## 数理科学问题：AI 的硬骨头

数学和科学问题与一般的文本生成或图像识别任务不同，它们往往涉及：

*   **精确的符号操作：** 需要准确理解和处理数学公式、化学方程式、物理定律等符号。
*   **多步逻辑推理：** 解决问题通常需要遵循一系列逻辑步骤，从已知条件推导出最终结论。
*   **深厚的领域知识：** 需要掌握特定科学领域的概念、原理和方法。
*   **创造性的问题解决：** 对于一些未知的或开放性问题，甚至需要一定的创造性思维来找到解决方案。

传统的大型语言模型虽然在一定程度上可以进行简单的数学计算或解释科学概念，但在解决复杂的、需要深入推理和符号操作的数理科学问题时，往往力有不逮，容易出现错误或产生不合逻辑的推理过程。



![image.png](https://static.downly.cn/images/20250515073329.184226577.png)



## DeepMind 的新突破：专注数理科学的 AI 工具

DeepMind 一直是人工智能领域探索复杂问题解决的先驱，他们在 AlphaFold 在蛋白质结构预测方面取得的突破就是最好的例证。据报道，DeepMind 最新的 AI 工具正是为了解决数学和科学领域的这些“硬骨头”而设计的。虽然具体的模型架构和技术细节尚未完全公开，但可以推测它可能结合了以下或更多的技术：

*   **强化学习：** 通过与环境互动，学习解决问题的最佳策略。
*   **符号推理：** 集成符号处理能力，更好地理解和操作数学和科学符号。
*   **大型语言模型与专家系统结合：** 利用大模型的泛化能力和领域知识，并结合专家系统的精确推理能力。
*   **特定的数据集和训练方法：** 在海量的数理科学文本、公式和问题解答数据上进行专门训练。







## 宣称的超凡能力与潜在应用

DeepMind 宣称其最新 AI 工具在解决数学和科学问题方面展现出了超凡能力。这意味着它可能在以下方面表现出色：

*   **解决复杂的数学方程式和定理证明。**
*   **推导和验证科学公式和理论。**
*   **辅助进行科学实验设计和数据分析。**
*   **为研究人员提供新的科学发现线索。**
*   **帮助学生和教师理解和解决数理科学难题。**

如果这些宣称属实，DeepMind 的新 AI 工具将不仅仅是一个回答问题的聊天机器人，而可能成为科学家、工程师和研究人员不可或缺的研究辅助工具。它有望加速科学发现的进程，推动相关领域的创新。







## 前景与挑战

DeepMind 在数理科学领域的这一最新进展无疑令人振奋。然而，就像所有新的 AI 技术一样，这项工具也面临一些挑战：

*   **可靠性和泛化能力：** AI 在特定问题上表现出色，是否意味着它在所有数理科学领域都能保持一致的超凡能力？
*   **可解释性：** AI 如何得出某个科学结论或数学证明，其推理过程是否清晰可解释？
*   **数据需求：** 训练这样一个强大的数理科学 AI 需要哪些类型的数据，以及数据量有多大？
*   **实际应用和验证：** 如何将这项工具有效地集成到现有的科研流程中，并对其结果进行严格的验证？

尽管存在挑战，DeepMind 在数理科学领域的探索，无疑为 AI 解决复杂问题打开了新的大门。这项技术有望成为人工智能在硬科学领域取得突破的重要里程碑，未来它将如何影响科学研究和教育，值得我们密切关注。


搜索结果: 科学发现