Meta FAIR 举办开源 AI 科学峰会,宣布数字大脑项目数据目标从 1.5 万小时提升至 2.5 万小时,并发布更快的原子通用模型 UMA Nitro、化学可视化工具 UMA Playground 与数学形式化库 ATLAS。

从研究大脑到发现新材料,开源 AI 正在给科学家提供攻克难题的新工具。上个月,Meta 基础人工智能研究团队(FAIR)在加州门洛帕克总部举办了「开源 AI 科学峰会」,把来自高校、医院和产业界的研究者聚到一起。
两天会期里,与会者探讨了公开共享的模型、工具和数据如何推动医疗、神经科学、化学、材料科学与数学研究。现场的工作坊也让参会者有机会直接与 Meta 模型背后的科学家协作。
Meta 宣布扩大与罗斯柴尔德医院基金会、蒙特利尔大学共同发起的数字大脑项目。该项目资助研究者收集去标识化的脑数据并公开共享。数据目标从 15000 小时提升到 25000 小时,用于帮助研究者理解人类智能、探索改善神经健康的方法。
研究者也在尝试用 AI 帮助残障人士获得更强的独立性。匹兹堡大学展示了一套基于 DINOv3 和 SAM 3 的辅助机器人系统,团队计划演示一台能协助进食的机器人,并正在试验让用户用自己的话下达指令。
科学家通常先用计算机模拟筛选候选材料和药物,再进入实验室验证。峰会上,Meta 发布了 UMA Nitro,这是「原子通用模型」(Universal Model for Atoms)的更快版本。
在与卡内基梅隆大学、加州大学河滨分校的合作研究中,UMA 模型无需额外训练数据,就识别出药物分子的多种晶型。了解晶型有助于研究者判断药片在体内的溶解方式。Meta 还与芝加哥大学合作,展示了 UMA 如何逐原子模拟完整酶分子,这可能帮助科学家理解酶的工作机制,并为医药、可持续发展和能源领域设计更好的酶。
同一套技术也能降低化学的学习门槛。UMA Playground改变了化学的可视化方式,用户可以搭建分子、观察化学键的断裂与形成、探索化学反应。Discovery Education宣布该工具已面向高中化学教师开放,并配有课堂指南。亚利桑那州立大学与卡内基梅隆大学合办的大学化学课程 RealChem 也计划把它纳入学生活动。Discovery Education 覆盖超过 400 万名教育工作者和 4500 万名学生,RealChem 则被近 100 所院校使用。
验证一个新数学证明,专家往往要花几个月甚至几年。开源数学语言 Lean 让计算机逐条检查逻辑步骤,数学家因此可以更方便地在他人的成果上继续推进——无论结果来自同事、学生还是 AI 助手,都不必重复验证同一个证明。
这种方式有望支撑更大规模、更开放的协作,类似物理学和基因组学中推动发现的合作模式。Meta 表示,整个过程中始终与数学界携手,把他们的研究问题和优先事项放在中心。数学家主导这项工作:他们选择问题,并确保用 Lean 写下的陈述符合本意。
峰会上,FAIR 研究者分享了支持这类工作的开源项目,其中包括 ATLAS。这个开放库形式化了 26 本开放获取教材,以及超过 45000 条经计算机校验的定义与结论,为研究者提供了共同的基础。
免费获取企业 AI 成熟度诊断报告,发现转型机会
关注公众号

扫码关注,获取最新 AI 资讯
3 步完成企业诊断,获取专属转型建议
已有 200+ 企业完成诊断