上海AI Lab發布397B科學大模型，以「記憶與推理分離」架構比肩萬億參數表現

參數規模不再是唯一尺標，這是這次發布最值得盯緊的一句話。

2026世界人工智能大會（WAIC）期間，上海人工智能實驗室發布書生系列新模型 Intern-S2-Preview-397B。核心主張是：397B 的參數規模，在分子設計、材料結構生成等科學任務上追平了實驗室此前的萬億參數模型。如果這個 benchmark 成立，代表的不只是一個數字的進步，而是「把模型做大」這條路，正在被「把架構做對」這條路追上來。

架構上的關鍵動作是把「記憶」和「推理」拆開。傳統大模型的知識存儲與邏輯推理高度耦合，每接入一個新學科就可能擾動既有通用能力，代價很高。Intern-S2-Preview-397B 用兩套機制解這個題：Memory Decoder 讓不同學科的知識在獨立模組裡訓練、按需接入，不必整體重寫模型參數；Mobius 架構則在基座層解耦知識向量與推理算子，構建全局共享知識向量庫，讓數學、物理、化學、生物共用的分析與驗證能力可以跨領域復用。官方給出的數據是：端到端推理效率提升接近 4 倍。訓練端同步推出 InternBootcamp 互動驗證環境，把電路設計、金融建模等真實任務轉成標準化交互場景，讓模型在「行動—反饋」的高密度循環裡學決策，而不是只擬合文字概率。

實際場景的數字比 benchmark 更有說服力。在蛋白質結合劑設計上，傳統流程靠 AlphaFold3 與 Rosetta 層層篩選，通過率只有 0.47%、單輪閉環耗時數日。接入 Intern-S2-Preview-397B 作為決策中樞後，模型把 43 個關鍵殘基精簡至 30 個、聚焦核心表位，通過率跳到 1.56%，增幅 233%，可交付候選分子提升逾 3 倍，時間從「天」壓縮到「分鐘」。材料科學端，模型能直接從化學式推算五元氧化物的空間群、晶格參數與原子坐標，把「結構探索」變成「精準構建」。這兩個案例共同指向同一件事：AI 在科研流程裡能幹的，已經不只是查文獻，而是介入「參數調優」這個最耗時、最易錯的環節。

另一個值得注意的細節是多模態預訓練的方向。模型直接「閱讀」原始文獻頁面而不先解析成純文字，視覺編碼後的 Token 量只有文字解析的四分之一——同樣的算力預算能學到更多，尤其是圖表與公式裡那些文字描述不了的隱性結構信息。這個設計對科學場景特別重要，因為晶體坐標、實驗譜線這類信息，翻成文字就是殘缺的。

這次發布還配套推出了「書生·端砚」科學發現平台，對接 AlphaFold、Materials Project、第一性原理計算等工具，在生命科學、關鍵材料、半導體、核聚變、量子、地球氣象六個領域落地，聲稱已完成蛋白質與材料方向的乾濕實驗閉環。平台走的不是通用問答路線，而是深度整合各學科工具接口——這個定位意味著它的競爭對手不是 ChatGPT，而是科研機構現有的計算工作流。

值得盯的問題是：397B 比肩萬億的性能聲索，目前只有實驗室自有評測支撐，第三方可重現的數據還不夠充分；同時模型與昇腾生態深度協同，在美國出口管制的背景下，這既是刻意的自主化布局，也意味著對 NVIDIA 算力生態的兼容性有多少，目前不透明。科學 AI 這條賽道的門票，靠的不是 benchmark 分數，而是能不能在真實實驗室跑出可發表的結果——「端砚」平台能不能把這個閉環做實，才是下一個檢驗節點。