編輯 | 心悅

從 AlphaFold 驚艷亮相、AI 和科學(xué)的交叉成果登上諾貝爾獎殿堂，到科學(xué)智能（AI for Science，AI4S）探索的全面開花，AI 已不再只是計算機科學(xué)家的「倚天劍」，而是正在成為各領(lǐng)域科學(xué)家的科研全流程合作伙伴。

這種轉(zhuǎn)變很大程度上得益于交叉型科研人才不斷的共同探索，特別是青年人敢于顛覆傳統(tǒng)范式、直面 AI 技術(shù)給科學(xué)研究帶來的挑戰(zhàn)與機遇。越來越多的創(chuàng)新突破乃至應(yīng)用由帶有研發(fā)底色的年輕人創(chuàng)造。

因此，要了解科學(xué)智能的前瞻趨勢和新穎見解，最直接的途徑就是聆聽一線青年研究員的聲音。

9 月 26 日，一場聚焦科學(xué)智能前沿進展的青年分享會 ——SAIS Talk「上智院星辰之夜」，在位于上海西岸的上海科學(xué)智能研究院（下稱「上智院」）舉辦。五位青年研究員著眼于物質(zhì)科學(xué)、生命科學(xué)、地球科學(xué)、AI 共性技術(shù)等方向，分享了他們的核心工作和創(chuàng)新思辨。

成立于 2023 年 9 月的上智院是一個聚焦科學(xué)智能基礎(chǔ)研究、前沿技術(shù)與場景落地的戰(zhàn)略性新型研發(fā)機構(gòu)，致力于「用人工智能驅(qū)動科學(xué)研究范式變革、賦能千行百業(yè)」。在此次分享會上，通過五位青年研究員的講述，我們看到了上智院面向科學(xué)智能核心方向為多項科研難題給出的解決方案，兼具前沿深度和實踐價值。

我們來一起回顧下這場前沿分享。

表征學(xué)習(xí)

數(shù)據(jù)的表征決定了機器理解世界的深度。上智院研究員、復(fù)旦大學(xué)人工智能創(chuàng)新與產(chǎn)業(yè)研究院助理教授姜若曦長期從事表征學(xué)習(xí)研究工作。她認(rèn)為，生成模型與表征學(xué)習(xí)就像是一枚硬幣的兩面，相輔相成。

在分享會上，姜若曦圍繞靜態(tài)圖像生成和動態(tài)系統(tǒng)模擬兩個關(guān)鍵任務(wù)，分享了兩項前沿工作。

第一項工作是關(guān)于靜態(tài)圖像生成，研究論文《Nested Diffusion Models Using Hierarchical Latent Priors》還被 CVPR 2025 接收。

論文地址：https://arxiv.org/pdf/2412.05984

圖像包含多尺度的語義結(jié)構(gòu) —— 從局部紋理、邊緣到部件、物體乃至整體連貫場景。生成系統(tǒng)要產(chǎn)生逼真圖像，就必須對所有層級進行建?！，F(xiàn)有生成模型常難以準(zhǔn)確表征物理屬性和幾何布局等特征，難以捕捉復(fù)雜的視覺關(guān)系。

姜若曦介紹道，該研究融合擴散模型與層級表征，不僅顯著提高了復(fù)雜場景的圖像生成質(zhì)量，更實現(xiàn)了零成本的語義重采樣控制，為復(fù)雜場景建模提供了新的研究方向。

在第二項工作中，研究團隊將層級表征應(yīng)用于動態(tài)系統(tǒng)的自回歸建模（神經(jīng)模擬器），研究論文被 NeurIPS 2025 接收。

論文地址：https://www.arxiv.org/pdf/2506.04528

神經(jīng)網(wǎng)絡(luò)數(shù)值模擬器為科學(xué)計算帶來了革新，可其在破解傳統(tǒng)計算成本瓶頸的同時，往往面臨長期誤差累積，難以保持穩(wěn)定性和物理一致性的巨大挑戰(zhàn)。

該研究提出了一種層級化時空表征與跨尺度隱式自回歸的創(chuàng)新建模框架，基于傳統(tǒng)的自回歸模型，顯著提升了長期預(yù)測的穩(wěn)定性與短期的準(zhǔn)確度，在氣候建模、流體力學(xué)等復(fù)雜動力系統(tǒng)中展現(xiàn)出重要的應(yīng)用潛力。

介紹了兩項關(guān)鍵工作之后，姜若曦還分享了自己對于「表征」的見解，就像藝術(shù)家畢加索對于「抽象」的定義：「我們首先需要有一個對于事物的理解，然后再把一些冗余修飾進行抹除?！顾赋觯骸副碚魇菣C器對于數(shù)據(jù)的一個理解，我們想得到更好的生成模型，就要確保模型通過表征對數(shù)據(jù)有一個很好的理解?！?/p>

催化反應(yīng)預(yù)測

催化反應(yīng)是構(gòu)筑新物質(zhì)的一種關(guān)鍵手段，能幫助化學(xué)家構(gòu)筑材料、能源、生命、藥物相關(guān)的新分子。但是由于催化反應(yīng)涵蓋復(fù)雜多樣的化學(xué)空間，化學(xué)結(jié)構(gòu)與反應(yīng)性能之間的關(guān)系通常是不明晰的。

近年來，機器學(xué)習(xí)和深度學(xué)習(xí)等數(shù)據(jù)驅(qū)動方法在反應(yīng)性能預(yù)測與合成規(guī)劃方面展現(xiàn)出巨大潛力。然而，數(shù)值回歸驅(qū)動的反應(yīng)性能預(yù)測與基于序列生成的合成規(guī)劃之間的固有方法差異，為構(gòu)建統(tǒng)一的深度學(xué)習(xí)架構(gòu)帶來顯著挑戰(zhàn)。

上智院物質(zhì)科學(xué)方向研究員徐麗成主要從事催化反應(yīng)模型開發(fā)工作，他在分享會上介紹了一種統(tǒng)一的預(yù)訓(xùn)練反應(yīng)預(yù)測框架 ——RXNGraphormer。該框架創(chuàng)新性地將反應(yīng)性能預(yù)測（如反應(yīng)活性和選擇性）與單步合成規(guī)劃（正向與逆向合成）整合至同一系統(tǒng)中，研究論文還登上了《Nature Machine Intelligence》9 月刊的封面。

論文地址：https://www.nature.com/articles/s42256-025-01098-4

研究團隊特別開發(fā)了一種「片段交換算法」，通過生成虛構(gòu)反應(yīng)樣本并與真實反應(yīng)進行對比學(xué)習(xí)，使模型在預(yù)訓(xùn)練過程中自主掌握化學(xué)鍵的斷裂與形成模式。這一獨特策略不僅使模型無需依賴顯式標(biāo)注即可區(qū)分不同反應(yīng)類型，還能生成具有明確化學(xué)意義的嵌入表示。

RXNGraphormer 不僅實現(xiàn)了對化學(xué)反應(yīng)活性、選擇性和單步正向 / 逆向合成的精準(zhǔn)預(yù)測，還使模型能夠自發(fā)學(xué)習(xí)化學(xué)鍵的變化規(guī)律，在多項預(yù)測任務(wù)中均達到領(lǐng)先水平。以該框架為基礎(chǔ)的燧人催化大模型已與中國科學(xué)院上海有機化學(xué)研究所合作，在實際反應(yīng)中實現(xiàn)選擇性提升 3 倍，顯著減少了項目的濕實驗次數(shù)、原料浪費和副產(chǎn)物。

在分享會現(xiàn)場提問環(huán)節(jié)，一個有趣的問題吸引了大家的注意：「AI 有沒有可能會基于成斷鍵規(guī)律等本質(zhì)物理化學(xué)現(xiàn)象，去重新定義化學(xué)反應(yīng)分類？AI for Science 能否從底層去顛覆傳統(tǒng)經(jīng)驗范式？」

徐麗成給出的答案是肯定的：「在我看來是可以的，因為我們這個實驗確實驗證了 AI 學(xué)會了鍵的變化，鍵的變化其實就是化學(xué)反應(yīng)的本質(zhì)，可以通過其來做一些分類?！?/p>

生物分子動態(tài)模擬

蛋白質(zhì)的許多關(guān)鍵功能源于其隨時間演化的構(gòu)象變化，蛋白質(zhì)的主要功能是由它的動態(tài)結(jié)構(gòu)來完成的。例如，阿爾茨海默病其中一個成因就是由神經(jīng)細胞之間生長的斑塊中 β - 淀粉樣蛋白的積累引起的。

精準(zhǔn)生成蛋白質(zhì)構(gòu)象對于深入理解蛋白質(zhì)功能機制及推進藥物發(fā)現(xiàn)（如抑制劑設(shè)計）至關(guān)重要。然而，現(xiàn)有模型主要聚焦于蛋白質(zhì)靜態(tài)結(jié)構(gòu)的預(yù)測。盡管靜態(tài)結(jié)構(gòu)為學(xué)術(shù)研究提供了重要基礎(chǔ)，但蛋白質(zhì)在生理過程中實際處于動態(tài)變化中，因此攻克蛋白質(zhì)動態(tài)變化預(yù)測這一難點，對于推動 AI 應(yīng)用于藥物設(shè)計等實際場景中具有關(guān)鍵意義。

上智院生命科學(xué)方向主任研究員楊自雄，主要從事生物大模型開發(fā)工作。在分享會上，他介紹了其負責(zé)團隊提出的基于 4D 擴散模型的生成框架。相關(guān)研究論文《4D Diffusion for Dynamic Protein Structure Prediction with Reference and Motion Guidance》已被學(xué)術(shù)頂會 AAAI 2025 接收。

論文地址：https://ojs.aaai.org/index.php/AAAI/article/view/31984

該方法能夠?qū)崿F(xiàn)蛋白質(zhì)動力學(xué)軌跡生成或長時間尺度的構(gòu)象生成，為闡釋蛋白質(zhì)功能與加速藥物設(shè)計提供了全新的計算范式。

研究團隊還進一步提出了「女媧蛋白狀態(tài)遷移大模型」，實現(xiàn)了亞微秒級蛋白質(zhì)動態(tài)過渡路徑預(yù)測，并搭建了行業(yè)最大的全原子精度構(gòu)象數(shù)據(jù)集 dynamicPDB。該數(shù)據(jù)集發(fā)布不到一年，已在開源社區(qū)獲得超過 760 顆 Star、近百名關(guān)注者和 130 余個分支，迅速成長為全球蛋白質(zhì)動力學(xué)研究的重要基礎(chǔ)設(shè)施之一。

在產(chǎn)業(yè)合作方面，楊自雄介紹了研究團隊正在進行的兩項產(chǎn)業(yè)試點：

• 針對不同的蛋白質(zhì)構(gòu)象設(shè)計對應(yīng)的抗體，實現(xiàn)針對變異構(gòu)象的抗體誘導(dǎo)的自體免疫療法；
• 以端到端構(gòu)象生成模型預(yù)測 RSV 兩種實驗結(jié)構(gòu)的轉(zhuǎn)變構(gòu)型，并設(shè)計蛋白質(zhì)抑制劑。

單細胞圖譜

隨著單細胞測序技術(shù)的發(fā)展，我們對于疾病的發(fā)病機制有了更深刻的理解。在單細胞尺度下解析遠距離的基因調(diào)控關(guān)系，對于理解細胞中的轉(zhuǎn)錄調(diào)控機制，進而闡明疾病相關(guān)的非編碼變異的致病機制有重要意義。

上智院生命科學(xué)方向研究員張雨主要關(guān)注生命科學(xué)多組學(xué)領(lǐng)域的算法研究，及其在精準(zhǔn)醫(yī)療、疾病機制解釋和藥物靶點發(fā)現(xiàn)等生物醫(yī)學(xué)領(lǐng)域的應(yīng)用。在分享會上，張雨介紹了一項關(guān)于「單細胞順式調(diào)控關(guān)系」的工作。

論文地址：https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.202505021

順式調(diào)控關(guān)系在基因組上廣泛存在，人體發(fā)育過程實際上就是胚胎干細胞不斷分化的過程，而順式調(diào)控關(guān)系是細胞分化的主要驅(qū)動因素之一，順式調(diào)控關(guān)系的不同塑造了人體多種多樣的細胞類型。

現(xiàn)有工具還不能對順式調(diào)控關(guān)系進行非常精確的預(yù)測，一是因為沒有把生物學(xué)原理建模進去，還只是通過數(shù)據(jù)的相關(guān)性做出預(yù)測，二是因為沒有充分利用公開數(shù)據(jù)庫中大量的單細胞測序數(shù)據(jù)提高模型的預(yù)測性能。

為了解決現(xiàn)有計算方法預(yù)測能力不足的問題，研究團隊開發(fā)了一種新的計算框架 ——SCRIPT，核心思路是將生物學(xué)的基因調(diào)控知識融合到模型中，精準(zhǔn)預(yù)測單細胞分辨率的順式調(diào)控關(guān)系。

研究團隊認(rèn)為：一維基因組上的調(diào)控元件可以通過在三維空間的折疊影響目標(biāo)基因的表達，這種生物學(xué)原理很適合用圖神經(jīng)網(wǎng)絡(luò)的方式進行建模，因而選擇圖神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)模型架構(gòu)。整個算法的設(shè)計旨在使用配對的 Single-cell ATAC-seq 和 Single-cell RNA-seq 數(shù)據(jù)模擬細胞內(nèi)轉(zhuǎn)錄調(diào)控的過程，進而利用這個 Simulation Model 預(yù)測每個細胞內(nèi)的順式調(diào)控關(guān)系。

SCRIPT 在長程調(diào)控預(yù)測上取得了突破性進展，性能較當(dāng)前最優(yōu)方法提升逾兩倍。利用其優(yōu)異的預(yù)測性能，SCRIPT 在阿爾茲海默癥和精神分裂癥中發(fā)現(xiàn)了當(dāng)前最優(yōu)計算工具未發(fā)現(xiàn)的分子遺傳學(xué)機制，有望在復(fù)雜疾病的遺傳診斷和藥物靶點發(fā)現(xiàn)上發(fā)揮重要作用。

由于圖預(yù)訓(xùn)練模型存在模型結(jié)構(gòu)和參數(shù)量的限制，其性能有明顯的上限，因此研究團隊提出了一個更先進的基礎(chǔ)模型 ChromFound—— 基于 Mamba-Transformer 混合架構(gòu)和基因組感知編碼，擁有更大的參數(shù)量和更強的擴展性，在六種下游任務(wù)上達到最優(yōu)性能。

全球天氣預(yù)測

傳統(tǒng)的數(shù)值天氣預(yù)報系統(tǒng)通常由基于物理的預(yù)報模式和資料同化模塊構(gòu)成。其中，數(shù)值預(yù)報模式主要從當(dāng)前的大氣狀態(tài)出發(fā)，通過求解偏微分方程來獲取未來的大氣狀態(tài)；資料同化系統(tǒng)則負責(zé)吸收描述當(dāng)前大氣狀態(tài)的大量觀測，來估計當(dāng)前的大氣狀態(tài)。預(yù)報模型和同化系統(tǒng)是缺一不可的，同化系統(tǒng)提供初始氣象場，預(yù)報模型從初始氣象場出發(fā)，預(yù)報未來的天氣。

近年來，基于機器學(xué)習(xí)的天氣預(yù)報模型已在預(yù)報性能上展現(xiàn)出與傳統(tǒng)模式相當(dāng)?shù)哪芰?，但其運行仍依賴于傳統(tǒng)資料同化系統(tǒng)生成的初始場。但傳統(tǒng)資料同化系統(tǒng)中衛(wèi)星觀測資料預(yù)處理過程特別復(fù)雜，計算資源消耗大、觀測利用率低。

上智院地球科學(xué)方向研究員徐孝澤長期關(guān)注人工智能在數(shù)值天氣預(yù)報與資料同化中的應(yīng)用，實習(xí)期間就在上智院研發(fā)了首個可直接同化真實衛(wèi)星觀測的人工智能同化框架 FuXi-DA。這次分享會上，他介紹了伏羲氣象大模型團隊基于 FuXi-DA 的最新成果 —— 完全基于機器學(xué)習(xí)的全球天氣預(yù)報系統(tǒng) FuXi Weather。

首先，基于傳統(tǒng)資料同化方法計算量大，觀測利用率低等問題，研究團隊提出了同化框架 FuXi-DA。FuXi-DA 簡化了流程，提高了資料利用率，降低了計算成本，并通過引入預(yù)報損失聯(lián)合優(yōu)化，提高了長期預(yù)報精度。

在同化框架 FuXi-DA 的基礎(chǔ)上，研究團隊構(gòu)建了全球天氣預(yù)報系統(tǒng) FuXi Weather。FuXi Weather 采用在線學(xué)習(xí)策略，動態(tài)更新同化系統(tǒng)，具備對多源衛(wèi)星觀測資料進行同化的能力，實現(xiàn)了循環(huán)資料同化與一體化預(yù)報。

在使用觀測資料遠少于傳統(tǒng)數(shù)值預(yù)報系統(tǒng)的條件下，F(xiàn)uXi Weather 能夠生成未來 10 天的高精度天氣預(yù)報，并在觀測稀疏區(qū)域的預(yù)報表現(xiàn)上優(yōu)于歐洲中期天氣預(yù)報中心（ECMWF）運行的 HRES 系統(tǒng)。

值得一提的是，F(xiàn)uXi Weather 采用的伏羲氣象大模型不僅成功當(dāng)選中國氣象局官方認(rèn)定的三大核心大模型之一，還在中國氣象局開展的人工智能天氣預(yù)報大模型示范計劃中，三項綜合指標(biāo)均排名第一。其實戰(zhàn)價值也在 2024 年的超級臺風(fēng)「貝碧嘉」等極端天氣預(yù)測中得到了驗證。

目前，F(xiàn)uXi Weather 的研究論文已被《Nature Communications》收錄，徐孝澤表示研究團隊正在積極推進 FuXi Weather V2 的研發(fā)工作。

論文地址：https://www.nature.com/articles/s41467-025-62024-1

匯聚青年智慧

科學(xué)智能的發(fā)展需要既懂 AI 又懂領(lǐng)域科學(xué)的復(fù)合型人才推動。2025 全球開發(fā)者大會期間，上智院院長漆遠在接受媒體采訪時就表示：「人工智能的發(fā)展，以前缺的是算力，現(xiàn)在比算力更缺的是人才。尤其是當(dāng)人工智能走向了千行百業(yè)，和垂直領(lǐng)域結(jié)合，那你就需要懂這個領(lǐng)域。否則就像做了一個引擎，但它不是個車，不能把你從 A 點運到 B 點，所以你既要懂得領(lǐng)域也要知道怎么使用人工智能?！?/p>

為了匯聚青年創(chuàng)新力量，上智院已連續(xù)三年主導(dǎo)舉辦世界科學(xué)智能大賽，挖掘出不少創(chuàng)新團隊。這次 SAIS Talk「上智院星辰之夜」的活動命名就源于世界科學(xué)智能大賽中備受矚目的青年聚會傳統(tǒng)，寓意著年輕智慧如星辰般匯聚閃耀，照亮科學(xué)智能的無限未來。

經(jīng)過兩年的探索，上智院已牽頭研發(fā)伏羲氣象大模型、燧人物質(zhì)大模型、女媧生命大模型、早期中華文明多模態(tài)大模型、星河啟智科學(xué)智能開放平臺等一系列關(guān)鍵成果。在 SAIS Talk「上智院星辰之夜」上我們看到，這些成果內(nèi)在的創(chuàng)新驅(qū)動力正是來源于眾多優(yōu)秀的交叉型青年科研人才。

如今的科學(xué)智能，正同步推動著基礎(chǔ)技術(shù)突破、產(chǎn)業(yè)新興應(yīng)用以及全球創(chuàng)新生態(tài)發(fā)展。作為創(chuàng)新生力軍，青年人才必將憑借其敢于挑戰(zhàn)的科研精神，驅(qū)動科學(xué)智能走向新紀(jì)元。