阿里达摩院开源首个统一科学大模型LOGOS

科学研究的基本范式正在被大模型悄然重塑。过去数年间，人工智能虽然在多个专业科学领域取得显著进展，却始终面临一个现实困境：绝大多数AI模型都是“专才”，每更换一个分子类型或研究环节，就必须重新训练一套专用系统。这种各自为战的分散格局，如今终于迎来了一个潜在的颠覆者。

阿里 ATH-Token Foundry 与中国人民大学高瓴人工智能学院联合开发的 LOGOS——全称 Language Of Generative Objects in Science，正是针对这一痛点应运而生。这款被定义为“基于统一科学语法”的多领域基础模型，现已正式开源。在六大代表性科学任务上，LOGOS 凭借纯序列建模范式，以一致性的表现匹配甚至超越了各领域的专用方法。

LOGOS 在六大任务中展现出令人惊讶的通才能力。这种“惊讶”主要源于其极低的参数量——仅 1B 参数的模型，就在多项任务上超越了拥有 8×7B 参数的微软 NatureLM。换言之，LOGOS 参数量仅为后者的 1/56，而性能却不相上下甚至更优。这种极高的参数效率，才是真正值得关注的硬指标。

那么，LOGOS 是如何实现这一突破的？

首先，在训练阶段，LOGOS 构建了一个庞大的多模态语料库，总计包含 44.87B token，涵盖7类模态：蛋白质（28.9B token）、抗体（3.0B token）、小分子（2.1B token）、化学反应与 MOF 材料（0.47B token）、蛋白质口袋（5.8B token）以及蛋白口袋-配体复合物（4.6B token）。这意味着模型在预训练过程中同时“阅读”了生物学、化学和材料科学三大领域的核心语言。

然而，数据量大仅是其中一个方面。最关键的设计在于，LOGOS 建立了一套共享词表——将蛋白质序列、小分子 SMILES 结构、材料晶体参数等原本互不兼容的异构对象，全部转化为统一的离散 Token 序列。这种方案的核心优势在于，所有科学对象都能在同一个生成空间中，通过大模型以自回归方式进行理解和生成。从本质上讲，它们不再使用各自领域的“行话”，而是采用同一种“科学语法”。

更精妙的是对3D空间相互作用的处理。传统方法需要模型理解蛋白质与小分子的结合方式，必须依赖显式的3D坐标和复杂的几何神经网络。而 LOGOS 独创了一种“文字描述法”——将3D空间的接触模式直接“语法化”为离散 Token，模型完全无需输入3D坐标。它仅需“阅读文字”（即进行序列预测），就能在内部构建出复杂的3D互作规律。这好比用自然语言描述一幅立体画，不需要具备立体视觉，描述本身就已隐含了空间结构。

传统科学AI存在两个难以回避的障碍：一是“专病专药”——从结构预测切换到分子生成等不同研究环节，必须更换模型和假设；二是“学用脱节”——预训练目标与实际应用之间存在巨大鸿沟，模型落地时往往需要大量微调。LOGOS 的科学语法设计恰好同时攻克了这两大难题。

在形式上，预训练数据采用的序列形式与下游任务的输入输出形式完全一致；在目标上，预训练阶段的 next-token prediction 任务与下游的条件生成任务实现了完全对齐。这种 form-objective alignment 意味着，模型在预训练过程中所学到的知识可以直接应用于下游任务，两者之间的差距几乎被消除，复杂的适配层或大量微调因此变得不再必要。

统一语法带来的另一个深层优势是知识共享。举一个直观的例子：当模型看到蛋白质的“方言”（例如某个氨基酸口袋序列）时，可以直接“翻译”出对应小分子的“方言”（即 SMILES 结构）。这证明模型并非机械地对比表面特征，而是在底层真正学会了两类科学对象之间的对应关系。它掌握了“翻译”能力，而不仅仅是死记硬背。

目前，LOGOS 的模型权重、推理代码以及技术报告已全部开源，可通过 HuggingFace、GitHub 或 arXiv 论文获取完整资料。如果你正在思考如何将大模型科学化落地，这个开源项目非常值得深入研究。