持续攀登科学高峰，上海AI实验室发布“与书生共创”联合创新成果 | WAIC 2026

1900年，开尔文勋爵的一句名言流传至今：彼时物理学的大厦已经盖完了，但是我们还有两朵“乌云”。

对标当下，缩放定律（Scaling Law）已构筑起AI行业的大厦，也依然存在很多“乌云”：AI怎么从失败中学习，怎么从长程推理中、不确定性中学习？

基于洞察，上海人工智能实验室判断：科学研究是下一个Coding，也是突破AI智能上限的终极考题。为此，实验室打造了『书生・端砚』科学发现平台，不仅帮助科学家获得知识，还读懂、辨别、定义真正的问题。由此实现的，不是一次任务的闭环，而是研究认知在真实反馈中沉淀失败、持续迭代。

目前，『书生・端砚』已在多个关键领域落地应用。2026 WAIC科学前沿论坛上，上海AI实验室携手顶尖高校、科研机构与产业伙伴，发布十项“与书生共创” 科学智能联合创新成果，覆盖生命科学、材料科学、深空天文等领域。

新一代蛋白质大模型书生AMix：让AI从“读懂蛋白质”走向“按需设计蛋白质”

上海AI实验室联合清华大学智能产业研究院、复旦大学发布新一代蛋白质大模型书生AMix。

传统蛋白质模型往往分工明确：一个负责理解功能，另一个负责生成序列，任务变化后还要重新训练。书生AMix以扩散大语言模型为核心架构，将自然语言、蛋白质序列、功能理解与序列设计统一建模。研究人员既可以用自然语言询问蛋白质的功能与性质，也可以直接提出功能要求，由模型生成候选蛋白质序列。

这意味着，大模型与蛋白质的关系正从“调用专业工具”向“形成原生理解和设计能力”迈进，为药物设计、酶工程和合成生物学提供新的智能基座。

书生AMix采用分块扩散语言模型架构，统一建模蛋白质和文本

端到端大气世界模型Earth-o1：不只计算天气，更尝试理解大气世界

上海AI实验室联合复旦大学、上海交通大学、中国科学技术大学、中国科学院大气物理研究所、中国气象科学研究院、南京大学及哥伦比亚大学等机构，发布端到端大气世界模型Earth-o1。

Earth-o1融合超过10PB的卫星、雷达、地面站和再分析资料，首次以真实地球观测为核心驱动的端到端大气世界模型。它突破传统数值模式依赖人工方程和规则网格的计算范式，在36小时预测窗口内，观测预报技巧超越传统数值模式15%，并支持任意时刻、任意位置的大气状态推演。

从“模式计算”走向“世界理解”，Earth-o1探索的是一种更具前瞻性的天气预报范式：让海量观测数据不再只是被存储和检索，而是转化为可持续调用的智能能力。

Earth-o1通过多模态掩码自编码器在潜在观测空间中理解大气状态变化

脑电磁基础模型BrainOmni：给不同设备采集的脑信号一种“通用语言”

上海AI实验室联合清华大学、英国剑桥大学和伦敦大学学院发布脑电磁基础模型 BrainOmni。针对不同脑电（EEG）与脑磁（MEG）设备传感器差异大、模型难以通用的问题，团队提出首个统一建模两类信号的基础模型，并研发多通道脑信号离散化方法 BrainTokenizer，将传感器位置、方向和类型编码为统一表示，首次实现对训练中未见 EEG和MEG设备的泛化。

BrainOmni基于约2000小时脑电和650小时脑磁数据训练，在阿尔茨海默病、抑郁症、帕金森病、孤独症、运动想象和情绪识别等任务中取得领先表现，并获得多家欧美高校和领先脑磁设备企业合作关注。最新BrainOmni 1.5将训练数据扩展至约3.5万小时，并新增对侵入式脑电和语言解码任务的支持，为脑机接口、神经疾病辅助诊断和脑科学研究提供通用智能基础。

神经科学中源电流估计启发的BrainTokenizer结构设计

双模态AI预测模型ViraHInter：从追逐单个病毒，走向寻找多类病毒的共同“弱点”

上海AI实验室联合复旦大学、上海交通大学医学院附属瑞金医院、上海市病毒研究院发布融合蛋白序列与结构的双模态AI预测模型ViraHInter。

面对新发病毒，已知互作信息少、病毒序列差异大，传统方法很难快速找到可干预的宿主靶点。ViraHInter融合蛋白序列与结构信息，在病毒蛋白与训练集序列相似度不高于60%的严格“陌生病毒”测试中实现AUPR 0.50，较AlphaFold 3提升4.5倍。

基于该模型，研究团队锁定了33个H1N1、H3N2和H9N2共享的宿主因子，部分因子正在开展湿实验验证。研究由逐个病毒寻找靶点，推进到系统发现跨亚型共性宿主因子，为广谱抗流感药物研发提供候选靶点。

ViraHInter识别出33个核心共享宿主因子，助力新型广谱抗流感药物研发

首个心脏虚拟细胞模型：先在“可计算的病灶”中预测，再回到实验中验证

上海AI实验室联合复旦大学发布首个心脏虚拟细胞模型，探索AI驱动心血管疾病研究的新范式。

模型聚焦心脏缺血再灌注损伤，融合单细胞测序与空间转录组数据，把复杂的心脏病灶微环境转化为可计算、可模拟、可预测的虚拟系统。它不仅能够识别心肌损伤后的病灶区域和细胞状态变化，还可模拟关键基因受到扰动后，炎症反应、免疫细胞募集和组织修复将如何变化。

研究团队据此发现了调控心脏损伤微环境的关键基因，并通过基因敲除和缺氧类器官等实验体系完成验证，形成“模型预测—机制发现—实验验证”的科学闭环，推动心脏疾病研究从“观察细胞变化”迈向“预测细胞响应”。

干预模型预测靶点，促进心衰恢复

脑机理科学发现系统ΣBrains-Lab：让一条斑马鱼在数字世界中“看见”并“游动”

上海AI实验室联合中国科学院脑科学与智能技术卓越创新中心、广东省智能科学与技术研究院发布脑机理科学发现系统ΣBrains-Lab阶段性成果，包括数字斑马鱼与智算脑两大系统。

联合团队在国际上首次构建具有介观图谱约束的脊椎模式动物数字脑，打通视觉刺激输入、全脑神经元动态响应与运动指令输出。数字脑与高保真斑马鱼具身模型、流体仿真引擎进一步连接，形成“脑—躯体—环境”闭环，使数字斑马鱼能够在虚拟水世界中完成捕食、逃跑、溯流和视动反应等行为。

与此同时，面向神经科学发现的AI智能体框架“智算脑”能够自主处理多模态数据、规划执行分析并生成报告。在BrainArena评测中，其结论与人类专家平均结论一致性超过75%；在公开小鼠数据中，系统还识别出跨任务保持通用性的神经活动主轴，为AI参与脑机理发现提供了可验证的新路径。

“生物脑-智算脑-数字脑”三脑联动的神经科学发现新范式原型系统

首个基因组世界模型CENO：读懂、预测、设计生命代码 

上海AI实验室联合中国科学院脑科学与智能技术卓越创新中心、复旦大学、西湖大学、南京师范大学发布首个大模型CENO。CENO采用“预训练—后训练—强化学习优化”三阶段训练范式，把DNA碱基排列、染色体三维结构、基因突变影响和功能序列设计纳入统一学习框架。

CENO能够稳定捕捉超长序列中的远距离功能片段，并且在没有额外监督学习的情况下，首次涌现出识别以基因组拓扑边界为代表的3D基因组长程结构信号，跳出传统一维线性DNA读取的局限，从碱基序列中挖掘基因组三维折叠与空间互作的底层规律。模型不仅能够理解突变效应，还具备跨物种长序列续写和功能片段设计能力，覆盖人类、动植物、细菌、真菌和古菌等生物。

更重要的是，CENO已经走出评测场。在抗菌基因簇筛选中，模型辅助团队将阳性率从约0.5%提升至46.47%，达到人类专家经验筛选效率的约90倍；在增强子设计研究中，模型生成序列也通过湿实验显示出真实的生物学调控功能。AI由此不再只是解读生命代码，也开始参与设计具有功能的生命元件。

基因组学世界模型CENO，助力生命理解与设计

空天飞行器气动智能联合创新平台书生·扶摇：把概念方案迭代推进至小时级

上海AI实验室联合中国航天科技集团有限公司空气动力技术研究院、体系与创新研究院、商业火箭有限公司发布空天飞行器气动智能联合创新平台书生·扶摇。

飞行器概念设计需要同时权衡升力、阻力、稳定性、操纵性与多工况性能，传统流程高度依赖专家经验，周期长、成本高。书生·扶摇以通专融合大模型为核心决策引擎，建立“双重融合计算”：一重融合AI代理模型的快速预测与CFD高保真仿真，另一重再把仿真结果与风洞实测数据联合校验。

平台可自动解析任务、生成构型、组织计算、比较指标并迭代方案，已围绕可回收火箭气动概念设计优化和小型无人机智能概念设计开展阶段性验证，具备小时级概念方案迭代能力，为空天飞行器研制探索从串行试算走向智能协同的新路径。

空天飞行器气动智能联合创新平台书生·扶摇

电镀材料研发成果：让关键材料研发从“经验试错”走向“智能闭环”

上海AI实验室联合厦门大学，发布电镀材料研发成果。

本项目面向先进封装电子电镀配方长期依赖经验试错、研发周期长和关键材料受制于人的难题，构建覆盖分子吸附、界面扩散、分子设计和CVS响应预测的电镀垂域模型体系。在保持高预测精度的同时，将原本耗时数小时的高精度计算和实验表征压缩至毫秒级，使大规模候选分子筛选、多目标配方优化和快速迭代成为可能。在此基础上，项目进一步融合通用大模型的任务理解与推理能力，形成可部署的电镀配方研发智能体，推动研发模式由“少量实验、经验试错”转向“AI高通量预测、实验验证与迭代优化”。

目前，联合团队已积累高质量专有数据和系列自主模型，预测效率较传统计算与实验表征提升数个数量级，并具备电镀液材料商、设备制造商等上下游合作基础，技术稀缺性、产业价值突出。

推动研发模式由“少量实验、经验试错”转向“AI高通量预测、实验验证与迭代优化”

芯片设计智能体成果组：让AI从自动化执行走向跨层级优化

上海AI实验室联合上海交通大学发布芯片设计智能体ChipDesign Agent与DTCO专用智能体AgenticDTCO。芯片设计长期面临周期长、EDA工具碎片化和专业人才稀缺等难题，尺寸调优、版图规划及设计与工艺协同高度依赖资深工程师反复试算，经验难以复用。

ChipDesign Agent能够自主调用EDA工具，形成“设计—校验—改进”的自进化闭环，同时支持工程师全程审核。目前，智能体已将尺寸调优效率提升5至10倍，并将原本以月计的版图规划任务周期缩短50%以上。

AgenticDTCO进一步打通器件与电路层级开展协同优化。在上海交通大学组织的人机对比测试中，其综合表现超过低年级博士生，实现芯片核心计算单元MAC能效提升90%、器件性能提升5%至20%。其中，90%的能效提升意味着单位能耗能够完成的计算量接近翻倍。相关成果正与多家芯片及EDA企业推进落地，为“AI设计芯片”提供可验证的技术路径。

芯片设计智能体加速芯片迭代周期

科学智能的价值，不只在于把已有任务做得更快，更在于提出新的假设、打开新的搜索空间，并让每一个设想都能够走进实验、经受验证，让偶然出现的“神之一手”逐步转化为可验证、可迭代、可复现的科学发现能力。

面向未来，上海AI实验室将继续围绕AGI4S，推进书生大模型与『书生·端砚』科学发现平台建设，进一步连接科学数据、专业智能体、实验设施与真实科研问题，汇聚各方创新力量，围绕关键科学与工程问题开展协同攻关，助力全球科学家攀登科学“珠穆朗玛峰”。