

> 阿里联合开源的LOGOS模型抛弃了传统复杂的3D几何坐标，用纯序列建模完成了对跨领域科学对象的统一编码，仅凭1B参数量便实现了对微软等超大参数模型的技术降维打击。

## 告别3D坐标迷宫　语言模型的降维突破

在过去几年的人工智能驱动科学（AI for Science）浪潮中，研究人员陷入了一个思维定势　如果要让机器理解蛋白质的折叠或小分子的结合，就必须喂给它极其复杂的3D空间坐标，并依赖庞大且耗时的几何神经网络来处理。这种基于几何空间的显式计算，不仅消耗了惊人的算力，更让不同模态的科学对象之间形成了“生殖隔离”。

阿里ATH-Token Foundry联合中国人民大学高瓴人工智能学院开源的LOGOS（Language Of Generative Objects in Science），给出了一种极具极客精神的解法。它完全抛弃了3D坐标输入，发明了一套共享词表的“文字描述法”。无论是蛋白质序列、抗体还是小分子材料，全部被强行“拍扁”，编码成统一的离散Token序列。这就好比将原本需要用三维全息投影才能看懂的建筑图纸，翻译成了一本盲人也能摸读的盲文书籍。大模型只需在同一个生成空间中“自回归”地阅读这些序列，就能在计算的内隐空间中重构出复杂的3D互作规律。

![12.png](https://static.downly.cn/images/872b315aa9d7925df743a77784086fa3.png) <center>图源备注 图片由AI生成</center>

## 消除学用脱节　1B参数逆袭的核心逻辑

这种架构上的重塑，直接带来了算力分配逻辑的革命。过去，模型在预训练时学习的知识，和它在下游实际应用时面对的任务存在严重的“目标偏差”。换一个研究环节，往往就需要重新微调甚至更换模型架构，导致沉没成本极高。

LOGOS的精妙之处在于实现了形式与目标的绝对对齐。预训练数据的序列形式完全等同于下游任务的输入输出，模型在预训练时预测下一个词（Next-token prediction）的动作，就是它在下游进行条件生成时的动作。这种底层知识共享机制，让科学对象之间实现了语言相通。当模型阅读氨基酸序列时，能够直接关联并生成对应的小分子结构。

技术红利直接体现在了参数效率上。参数规模仅为1B的LOGOS，在面对微软采用混合专家架构且参数量庞大得多（8x7B）的NatureLM时，不仅在六大代表性科学任务上毫不逊色，甚至在多项指标上实现了超越。这证明了在科学大模型的赛道上，寻找正确的数据表征语法，比盲目堆砌算力规模要有效得多。

![13.png](https://static.downly.cn/images/08a7f1449bae61e70386de087bdae879.png) <center>图源备注 图片由AI生成</center>

## 开源生态的涟漪效应预判

LOGOS毫无保留地开源模型权重与推理代码，将对整个AI制药与材料科学领域的下游开发者产生深远影响。过去，中小规模的实验室想要进行大分子互作研究，往往会被几何大模型高昂的推理成本劝退。如今，仅需几分之一的算力成本，就能在普通显卡上运行这一纯序列生成的科学基础模型。它不仅降低了计算生物学的入门门槛，更预示着未来所有的多模态科学难题，都可能被大语言模型这把万能钥匙统一拆解。

搜索结果: 科学大模型