Meta FAIR 举办开源科学 AI 峰会:Digital Brain 数据目标提至 25000 小时,发布 UMA Nitro 与 ATLAS 数学库
来源Meta AI News查看原文
速览
- Meta FAIR 用一场峰会集中展示开源 AI 在多个基础科学领域的落地
- Digital Brain Project 数据目标从 15000 小时增至 25000 小时
- UMA Nitro 是原子通用模型的加速版本,面向分子与材料模拟
- UMA 已在药物晶型识别、整酶模拟两类任务上产出论文级结果
- UMA Playground 进入高中课堂,触达 4500 万学生规模的渠道
- ATLAS 把 26 本教材、45000 余条结论变成机器可校验的形式
- 数学方向押注 Lean 语言,让 AI 产出的证明可被逐步验证
- 辅助机器人方向基于 DINOv3 与 SAM 3,探索用自然语言下指令
Meta 的 Fundamental AI Research(FAIR)团队在加州 Menlo Park 总部举办了为期两天的 Open Source AI for Science Summit,把高校、医院和产业界的研究者聚在一起,讨论开放共享的模型、工具与数据如何推进医疗、神经科学、化学、材料科学和数学。会上公布的主要进展包括:与 Rothschild Hospital Foundation、蒙特利尔大学合作的 Digital Brain Project 把去标识化脑数据的目标从 15000 小时提高到 25000 小时;发布 Meta 原子通用模型 UMA 的更快版本 UMA Nitro;UMA Playground 通过 Discovery Education 向高中化学教师开放,覆盖超过 400 万名教育工作者和 4500 万名学生;FAIR 还公开了 ATLAS 数学库,形式化了 26 本开放获取教材、超过 45000 条经计算机校验的定义与结果。
关键事实
- Open Source AI for Science Summit 在 Meta 加州 Menlo Park 总部举办,为期两天
- Digital Brain Project 由 Meta 与 Rothschild Hospital Foundation、蒙特利尔大学共同发起,脑数据目标从 15000 小时提升至 25000 小时
- Meta 发布 UMA Nitro,为 Universal Model for Atoms 的更快版本
- 与 Carnegie Mellon、UC Riverside 的合作中,UMA 模型在无额外训练数据的情况下识别出药物分子的多种晶型
- 与芝加哥大学合作展示了 UMA 逐原子模拟完整酶的能力
- UMA Playground 通过 Discovery Education 向高中化学教师开放,后者覆盖超过 400 万名教育工作者和 4500 万名学生
本站视角
对做科学计算和 AI for Science 的中文团队来说,这份清单里真正有直接价值的是 UMA Nitro 和 ATLAS。UMA 系列一直以开放权重形式发布,国内做分子模拟、材料筛选、药物晶型预测的团队可以直接拿来做基线和微调,成本远低于自研势能模型;UMA Nitro 主打更快,意味着高通量筛选场景的算力门槛进一步下降。ATLAS 则值得做数学推理和形式化验证的团队关注——45000 余条机器可校验结论是一个现成的训练与评测语料,而 Lean 生态正是当前 AI 数学能力最硬的试金石。 我们的判断是:这场峰会的实质内容偏向生态运营而非技术突破。Digital Brain 从 15000 小时提到 25000 小时是数据量的线性扩张,不是方法上的跃迁;UMA Nitro 原文只给了「更快」这一句描述,没有任何加速比、精度对比或 benchmark 数字,这类发布需要等论文或技术报告出来才能判断成色。UMA 识别药物晶型、模拟整酶的两项工作都指向 arXiv 论文,是相对扎实的部分。 需要指出的是,这篇是 Meta 自家新闻室的公关稿,通篇没有失败案例、没有对比基线、也没有说明这些模型在真实科研流程中替代了多少实验工作量。Discovery Education 覆盖 4500 万学生这类数字衡量的是渠道规模,不等于工具的实际使用率。对读者而言,把 UMA Nitro 和 ATLAS 当作可评估的开源资源去试用,比把这场峰会当作行业风向标更有意义。
背景与影响
Meta 近年在科学 AI 上的路线与 OpenAI、Google DeepMind 有明显差异:后两者更常以闭源模型加合作项目的形式进入科研,Meta 则把模型权重、代码和数据集尽量公开,靠学术社区扩大使用面。UMA(Universal Model for Atoms)是这条路线上的代表,定位是原子级别的通用势能模型,可用于分子、晶体、酶的模拟,替代部分昂贵的量子化学计算。Digital Brain Project 则属于数据侧投入——神经科学长期受困于高质量公开脑数据稀缺,靠资助研究者采集并开放去标识化数据来补短板。数学方向选择 Lean 生态,是因为形式化验证能把「AI 生成的证明」变成可机器检查的对象,这是当前 AI 参与数学研究最大的可信度瓶颈。
本文由 AI 辅助整理自公开信源,事实部分以原文为准;「本站视角」一节为编辑部判断,欢迎指正。版权归原作者所有,如有异议请联系我们。