AI开始自己“造材料”了：40%通过率反超GPT-5.5，这块最硬的骨头被中国团队啃下来了

【免费下载链接】Intern-S2-397B项目地址: https://ai.gitcode.com/InternLM/Intern-S2-397B

先说一个很多人不知道的冷知识：人类已知的材料有几十万种，但理论上可能存在的新材料，数量比宇宙里的星星还多。

问题在于，绝大多数都还“躺”在理论里，没人把它们真正算出来、画出来。

而“画出来”这件事，恰恰是AI过去最难啃的一块骨头。最近，上海AI实验室开源的Intern-S2-397B，第一次让开源大模型学会了这门手艺，而且一出手就交出了不错的成绩单。

一、先说清楚：让AI“画晶体”，到底难在哪？

你可以这样理解晶体结构生成这件事。

假设我给你一张纸，上面只写了一句话：“用锂、铁、磷、氧，做一个能导电的新材料。”然后请你把每一个原子在三维空间里的位置，精确到小数点后三位，全部画出来。

这不是画示意图，是画施工蓝图。差一点点，这个材料就是假的。

难在三个地方：

第一，位置要准。每个原子都有自己的x、y、z坐标，一个晶胞里可能有几十上百个原子，错一个，整个结构就崩了。这就像让你闭着眼睛在乒乓球台上摆满芝麻，还得颗颗不重叠。

第二，要守规矩。晶体是有周期性的，同一个结构要能无限“复制粘贴”拼成一大块，还要满足各种对称关系。这就像贴瓷砖，花纹必须严丝合缝地对上，歪一点整面墙就废了。

第三，要讲物理。原子不能挤在一起、键长不能离谱、电荷要平衡。否则生成的只是一张好看的图，不是能拿去做实验的材料。

过去大模型干这活，基本属于“作文写得挺漂亮，但图纸一塌糊涂”。能说会道，就是画不准。

所以业内一直有个共识：语言模型能聊材料，但很难真的“造”材料。

这次，这个门槛被推开了一条缝。

二、40%通过率，为什么值得单独拿出来说？

按照官方公布的评测口径，Intern-S2-397B 在材料晶体结构生成任务上的通过率超过40%，明显高于 GPT-5.5。

40%这个数字，乍一听好像“才四成”，不算惊艳。

但你得知道参照系：这是一项此前开源通用大模型基本交白卷的任务。从“几乎做不出来”到“四成能通过”，不是进步一点点，是从0到1的那道坎。

打个比方：这就像让一个从没下过厨的人，看一眼菜名就复刻出一道菜，评委尝完说“四道里有快两道能吃”。放在人类厨师里不算什么，放在“从来没进过厨房的AI”里，已经是破天荒。

而在另一项考“科学理解力”的MolecularIQ评测中，它拿到57.26分，超过了 Gemini-3.1-Pro。

翻译成人话：这个模型不光会“画图”，它对分子、材料这些科学对象的理解，也已经站到了第一梯队。

三、它到底是个什么来头？一句话：科学家的“全能搭子”

Intern-S2-397B 是上海AI实验室“书生”系列的新一代科学多模态基础模型，397B总参数，采用MoE混合专家结构——你可以理解成一家大医院，里面坐着512位专科医生，每来一个病人只叫其中最对口的10位会诊。

好处很直白：本事大，但不瞎烧算力。

更关键的是它的三个“超能力”。

超能力一：直接看原始文献，不用先翻译。

以前的模型读论文，得先把PDF转成纯文字，图表、公式、排版全丢了。它不一样，它能直接“看”论文的原始页面，把图和文放在一起理解。

这就像别人只能读菜谱的文字版，它是直接翻着带彩色插图的原版书在做菜。图表里的曲线、结构示意图，它都能一并吃进去。

超能力二：能画分子、能画材料，还能设计生物分子。

除了晶体结构，它还内置了专门处理蛋白质序列、SMILES分子式、核酸序列的“专业词表”。相当于给一个通才配了三本专业词典，看化学式、看基因序列不再靠猜。

超能力三：会自己动手干活，不只是聊天。

它能调用外部工具、能接进各种智能体框架，甚至能直接对接 Claude Code 这类编程助手。你给它一个科研任务，它可以自己拆步骤、查资料、调工具、再回头检查。

这就是“数字研究生”和“聊天机器人”的区别：一个帮你把活干完，一个只能陪你聊。

它还有个挺实用的小本事：能直接读时间序列数据。比如给它一段地震波信号，它能判断有没有发生地震、P波和S波分别从第几个点开始；给它一串历史用电数据加天气信息，它能预测接下来24小时每半小时的用电负荷。

对搞地质、搞电网、搞工业监测的人来说，这是能直接省下大量人力的能力。

四、这东西对普通人、对行业，到底有什么用？

先说行业，因为这块最实在。

新材料研发，本质上是“大海捞针”。

传统流程是： researcher 凭经验猜一个配方 → 做计算模拟 → 发现不行 → 再猜。一轮下来几天到几周，一年能试的配方数量有限。

现在AI的作用，是把“大海捞针”变成“先撒一张精准的网”：几分钟内生成一批结构上说得通的候选材料，科研人员再拿计算和实验去验证。

它不负责替你做实验，它负责把值得做实验的选项，从几十万个压缩到几十个。科研里最贵的从来不是算力，是人的时间。

对电池、半导体、催化剂、超导这些领域，这个提速意味着什么，不言而喻。

再说普通人。

你可能会问：这跟我有啥关系？我又不造材料。

关系在于，材料进步最终会变成你手里的产品。更耐用的电池、更快的芯片、更便宜的催化剂，背后都是一次次材料突破。而这些突破的时间表，正在被这类工具悄悄压缩。

五、普通人能玩吗？门槛到底高不高？

这里要说句实话：自己想在家里跑，门槛不低。

完整权重有188个文件、加起来约806GB，官方推荐8张H100或H200这种级别的显卡来部署。这不是普通电脑能碰的量级，个人玩家基本可以放弃“本地跑满血版”的念头。

但“用不上”和“用得起”是两回事。

它采用 Apache-2.0 协议开源，允许免费商用，这一点对中小公司和高校实验室非常友好。同时官方也提供了在线体验入口和API接口，兼容主流的调用方式，你不需要买卡，也能直接用上它的能力。

所以合适的人群其实挺清楚：

• 科研人员和高校学生：查文献、生成候选结构、跑数据初步筛选，效率提升最直接；
• 材料和生物领域的工程师：用它做前期的方案发散，把精力留给验证环节；
• AI应用开发者：拿来做科研类智能体、文档理解工具、时序预测服务；
• 纯科技爱好者：在线体验一下“让AI画个晶体”，感受一下现在的能力边界在哪。

六、写在最后

这次最值得琢磨的，不是“40%”这个数字比谁高。

而是它说明了一件事：大模型正在从“会说话”走向“会干活”，从“懂语言”走向“懂世界”。

语言是扁平的，而材料、分子、地震波、电网负荷，都是立体的、有物理规律约束的。能把这些搞定，才算真正踏进了科学研究的大门。

当然，40%的通过率也意味着还有六成会失败。它现在更像一个灵感爆棚但经验尚浅的助手，能帮你打开思路，但还不能替你做最终判断。

最后一个问题留给你：

如果几年后，新材料的发现速度真的被AI提速十倍，你觉得最先被改变的会是哪个行业？是电池、芯片，还是医药？

评论区聊聊你的判断。

【免费下载链接】Intern-S2-397B项目地址: https://ai.gitcode.com/InternLM/Intern-S2-397B