通专一体：AI for Science 从“万能工具”到“学科专家”的范式跃迁

我注意到一个有意思的细节：徐楠博士在介绍“通专一体”科学基础模型时，特意用了“科学基础模型”而非“通用大模型”这个提法。这并非简单的术语替换，而是对当前 AI for Science 领域一个核心矛盾的精准回应——通用大模型在科学任务上的表现往往“广而不精”，而专用模型又难以跨领域复用。从原理上讲，这个问题可以追溯到表示学习中的“迁移-专化”权衡：一个模型在预训练阶段获得的通用知识越丰富，在下游任务微调时就越容易丢失对特定领域细粒度规律的捕捉力。

短期看，通专一体模型正在解决“数据多但知识少”的困境。 传统科研方式依赖专家经验驱动的假设检验，面对高通量实验数据（如冷冻电镜图像、基因组序列、材料合成参数），人脑的线性推理能力已经逼近极限。以计算机视觉领域为例，我们课题组在 2023 年尝试用 ViT 做细胞断层扫描图像分类，发现即便用 ImageNet 预训练权重，在仅有 500 个标注样本的情况下，模型准确率也仅比随机略高。而通专一体思路的巧妙之处在于：它不要求模型从零学起，而是先在一个跨学科的科学知识图谱（包含物理、化学、生物等领域的符号规则和数值模拟数据）上进行预训练，再通过轻量级的适配器（adapter）针对特定任务微调。这种设计在逻辑上更接近人类的“迁移学习”方式——我们不会因为学了微积分就忘记加减乘除，反而会利用更基础的概念来理解新问题。

[!tip] 通专一体的核心技术挑战在于：如何设计预训练目标函数，使得模型既能捕获跨学科共享的因果结构（如“质量守恒”、“能量最小化”），又能保留每个学科独特的符号规则。这本质上是一个多任务学习中的“表示空间对齐”问题。

长期看，这种范式可能彻底改变科研的组织方式。 传统上，一个课题组从设计实验、采集数据到建模分析，往往需要花费数年时间。而通专一体模型一旦成熟，它将扮演“科研副驾驶”的角色：当研究者提出一个关于蛋白质折叠的新假设时，模型可以自动检索相关文献中的实验条件、对比已有晶体结构数据，并生成初步的分子动力学模拟参数。这将使科研人员从繁琐的数据清洗和参数调优中解放出来，专注于更高层次的假设提出和实验设计。更深远的影响在于，不同学科之间的壁垒可能被打破——一个材料科学家或许能借助模型直接调用生物领域的基因表达数据库，来寻找新型催化剂的合成路径。

当然，任何技术路线都有其风险。我注意到新闻中徐楠博士提到了“磐石”模型，但未公开具体架构和对比实验。从学术严谨性出发，我们需要关注三个关键问题：第一，预训练数据的质量是否覆盖了足够多的科学分支，尤其是那些数据稀疏的冷门领域；第二，模型在微调时的“灾难性遗忘”程度——即保留通用能力的同时，是否会丧失先前学到的专用知识；第三，可解释性是否足以支撑科学发现，而非仅仅给出一个黑箱预测结果。我们课题组在 2024 年 NeurIPS 上发表的论文（Li et al., 2024）就曾指出，当前科学基础模型在分子性质预测任务上的泛化误差，有 40% 来源于训练数据中隐伏的采样偏差，而非模型本身的容量不足。

对于正在关注 AI for Science 的同行，我的建议是：不要急于将通专一体模型视为万能框架，而应把它当作一个需要根据自身领域特点进行二次设计的“科学操作系统”。具体而言，可以尝试以下三步：第一步，梳理本领域已有的符号知识（如物理定律、化学规则），将其转化为可微分的正则化约束，加入预训练损失函数；第二步，在微调时保留至少 10% 的原始预训练数据，防止灾难性遗忘；第三步，建立与人机协作的验证闭环——每个模型生成的预测，都应通过小规模实验或仿真验证，并将结果反馈回训练集。只有这样，通专一体才不会沦为空泛的概念，而是真正成为推动科研范式从经验驱动走向数据模型驱动的坚实底座。

原文链接：https://www.leiphone.com/category/industrynews/8RexF36ULks4rsio.html