中科院造了个“全科科学家”AI，60项基准碾压GPT-5.5

AI搞科研，路子变了。

过去几年，AI在科学领域走的是”专科路线”——AlphaFold专门看蛋白质折叠，专门的分子生成模型管药物分子，医学影像又有自己一套。好用吗？好用。但有个要命的问题：它们互相不认识。

你是一名药物研发科学家，想搞清楚一个新化合物有没有戏。你得先预测它的物理化学性质，再判断它在人体里的代谢方式，还要看它跟靶蛋白结合得怎么样。在现有格局下，你得分别调用四五个模型，把结果人工拼接，中间自己判断可信度。这些模型各说各话，没有一个统一的科学知识底座。

中国科学院最近做了一件事：把材料、化学、蛋白质、光谱、医学影像塞进同一个AI大脑里。

这个模型叫S1-Omni，7月底以预印本形式发布在arXiv上。它在60多个科学基准上超越了GPT-5.5和Gemini-3.1-Pro，在药物ADMET预测、蛋白质功能位点标注、光谱到分子结构反推等多个任务上甚至超过了专业领域模型。

S1-Omni的设计思路很清晰：一个大脑负责理解，多个专业”手”负责输出。核心是一个32亿参数的视觉语言模型，处理完输入后形成统一的”科学理解”，然后根据任务类型激活对应的解码器——预测属性、标注蛋白质位点、生成分子结构、折叠蛋白质、编辑医学图像。

关键是它不是在拼积木。研究团队发现，不同科学任务所需的信息，在模型”读完题目”之后就已经编码完毕，不需要等答案生成完再提取。这意味着它真正做到了用一个框架去理解科学，而不是把各个领域的模型焊在一起。

更值得琢磨的是训练方法。研究团队发现，加了推理文本不一定就好——乱写一通的推理比完全不加还差。只有结构化的、证据驱动的推理才能真正提升模型性能。这个发现对所有做科学AI的人都有启发：不是”会思考”就行，得”会正确地思考”。

科学AI的终局不是造一堆更厉害的单科状元，而是造一个真正能跨学科思考的大脑。S1-Omni可能还远不完美——蛋白质折叠不如AlphaFold，材料预测不如专业模型——但方向对了。