💡 站外导读:当多数厂商把聚光灯投向通用聊天模型时,Meta FAIR 在 Menlo Park 举办了“开源科学 AI 峰会”,交出一份面向基础科研的硬核开源答卷:不仅将脑科学数据集扩容至 25,000 小时、发布 DINOv3+SAM 3 辅助进食机械臂与原子模拟提速版 UMA Nitro,还开源了收录 4.5 万余条 Lean 验证结果的数学基座 ATLAS,全力打通科学发现底层设施。
脑数据扩至 2.5 万小时与自然语言辅助机械臂:开源 AI 直击医疗与残障痛点

Digital Brain Project 数据大扩容与 DINOv3 + SAM 3 具身辅助方案
在神经科学与临床医学领域,高质量且合法脱敏的开源数据集长期属于稀缺资源。峰会期间,Meta 宣布联合罗斯柴尔德医院基金会(Rothschild Hospital Foundation)与蒙特利尔大学,对此前启动的 Digital Brain Project 实施大幅扩容:资助研究团队采集并公开去标识化脑科学数据的总目标,从原本的 15,000 小时直接上调至 25,000 小时,旨在为破解人类智能机制与神经系统疾病诊疗提供更厚实的开源数据底座。
在具身智能与临床辅助落地层面,匹兹堡大学研究团队在现场展示了基于 Meta 视觉基础模型 DINOv3 与通用分割模型 SAM 3 构建的辅助机器人系统。该系统专门面向行动障碍与残障人士的日常生活自理需求设计,研发团队计划展示能够协助用户自主进食的机械臂实操原型,并正在测试如何让用户直接用自然语言口语指令驱动机器人完成精细抓取与喂食动作,降低传统辅助器械的高门槛操控负担。
计算化学跨入原子级完整酶模拟:UMA Nitro 架构特性与教育破圈
从药物分子晶型零样本预测到覆盖 4,500 万学生的 UMA Playground
在材料发现与新药研发环节,科学家需要借助高精度计算机模拟先行筛选候选分子,再进入湿实验验证。Meta FAIR 在此次峰会上正式推出通用原子模型(Universal Model for Atoms)的极速推理版本 UMA Nitro。根据官方 FAIRChem 工程文档披露,基于 `uma-s-1p2p1` 预训练预测单元,UMA Nitro 针对 CUDA 计算能力 8.x 至 12.x 架构深度优化,配合基于 GPU 加速的 `nvalchemiops` DFT-D3(BJ) 色散校正内核,可在几乎不增加额外算力开销的前提下完成大规模分子动力学(MD)仿真,并保留面向高频振动与声子计算的高精度 FP32 切换通道。
前沿科研成果也已在真实药物与生物化学难题上跑通。在联合卡内基梅隆大学(CMU)与加州大学河滨分校的研究中,UMA 模型无需额外微调训练数据,即可直接识别并预测药物分子的多种晶体形态——而药物晶型直接决定了药片在人体内的溶出速率与生物利用度。更进一步,Meta 与芝加哥大学合作证实,UMA 已经能够对完整的酶分子(entire enzymes)进行逐原子级别的动力学模拟,为医药、可持续材料与新能源催化酶设计打开了全新空间。
与此同时,Meta 还将这套科研级原子建模能力转化为面向大众教育的可视化工具 UMA Playground,学生可在交互界面中亲手搭建分子、直观观察化学键的断裂与重组过程。目前探索教育(Discovery Education)已宣布向高中化学教师开放该工具及配套教学指南(其网络覆盖超 400 万名教育工作者与 4,500 万名学生);亚利桑那州立大学与 CMU 联合打造的大学化学课程 RealChem 也计划将其嵌入学生实验环节,惠及近 100 所高等院校。下表汇总了本次峰会发布的核心科学 AI 开源项目与量化规模:
| 开源项目 / 成果 | 主导与合作机构 | 核心规模与量化指标 | 应用场景与技术栈 |
|---|---|---|---|
| Digital Brain Project | Meta FAIR / 罗斯柴尔德基金会 / 蒙特利尔大学 | 去标识化脑数据目标由 1.5 万扩至 2.5 万小时 | 人类智能机理探索与神经疾病开放数据集 |
| 辅助进食机械臂系统 | 匹兹堡大学 + Meta FAIR | 支持自然语言指令驱动日常抓取与进食 | DINOv3 视觉表征 + SAM 3 通用分割 |
| UMA Nitro & Playground | Meta FAIR / CMU / UC Riverside / 芝加哥大学 | 完整酶逐原子模拟;覆盖 400 万教师与 4500 万学生 | FAIRChem (CUDA 8.x-12.x) + DFT-D3(BJ) 色散核 |
| ATLAS V2 形式化数学库 | Meta FAIR + 数学社区 | 26 本开源教材、45,000+ 计算机验证结果、1.4 万+ Commits | Lean 定理证明、MathlibExt / PhyslibExt / CSLibExt |
把数学变成软件工程级的开放协作:ATLAS V2 沉淀 4.5 万条 Lean 验证定理
与实验科学依赖仪器不同,现代前沿数学证明的审校往往需要资深学者耗费数月乃至数年时间逐行核验,且人类与 AI 生成的长证明极易隐藏细微逻辑漏洞。Meta FAIR 在峰会上重点阐述了基于开源形式化定理证明语言 Lean 构建社区级协作网络的路线:只要将命题与证明步骤写入 Lean,计算机编译器就能确定性地校验每一步逻辑推导是否严格成立,从而让后继学者能够放心复用前人、学生甚至 AI 助手产出的中间结论,而无需重复“手工重算验真”。
为彻底夯实这一共享底座,FAIR 团队在开源仓库 `facebookresearch/atlas-lean` 分享了大规模形式化数学库 ATLAS(目前已演进至 ATLAS V2 架构,累计提交超 14,261 次 Commit)。该项目现已形式化收录了 26 本开源数学教材以及超过 45,000 条经过计算机严格检验的定义与定理结果,内部不仅覆盖通用数学扩展 `MathlibExt`,还系统构建了面向理论计算机科学的 `CSLibExt` 与面向物理领域的 `PhyslibExt` 等模块化积木。Meta 明确强调,全流程坚持由人类数学家主导研究问题选取与形式化语义对齐,确保机器验证严格贴合数学本意。
开源科学基础设施的长期主义:从单点模型竞争转向跨学科共享底座
纵观此次 Meta FAIR 开源科学 AI 峰会释放的信号,其底层打法与消费级 AI 赛道的“参数军备竞赛”截然不同:FAIR 选择用开放数据集、通用科学基础模型与形式化验证基础设施三管齐下,去攻克单靠一家实验室永远无法闭环的基础科学瓶颈。
无论是 25,000 小时神经科学公开数据、零额外训练数据的药物晶型预测,还是把 45,000 条数学定理转化为可被全球科研人员与 AI 智能体直接调用的 Lean 积木,本质上都是在降低跨学科复现与接力研究的交易成本。当科学发现的底层数据、模拟内核与逻辑校验全部实现标准化开源,AI 才真正从“写文案的副驾驶”进化为加速基础科研范式跃迁的通用引擎。
📝 站长洞察 (Editor’s Insight)
比起刷屏的通用大模型跑分战,Meta FAIR 这场科学 AI 峰会才真正展现出开源技术栈的长期护城河。尤其是 UMA Nitro 与 ATLAS 两条线颇具启示:一方面,UMA Nitro 借助 GPU 加速内核把原子级完整酶模拟和药物晶型筛选压进通用工作流,并通过 UMA Playground 下沉至 4,500 万中小学生课堂;另一方面,当业界还在争论“AI 数学证明靠不靠谱”时,FAIR 已将 26 本教材和 4.5 万条定理搬进 Lean 仓库 ATLAS V2,用确定性编译器担当科研守门员。把数据、仿真核与形式化验证全部做成开源公共基建,远比单发对话权重更具穿越周期的产业价值。
Meta FAIR这次峰会最重要的开源成果是什么?
核心是三类基础科研设施:脑科学数据集扩容到2.5万小时、UMA Nitro用于原子级化学模拟、ATLAS V2沉淀4.5万余条Lean验证结果,分别对应神经科学、计算化学和形式化数学。
UMA Nitro能解决什么科研问题?
它面向材料与药物研发中的高精度原子模拟,支持分子动力学、晶型预测和完整酶逐原子级模拟,并针对CUDA 8.x到12.x做了推理优化,降低大规模计算开销。
ATLAS V2对数学研究有什么价值?
ATLAS V2把数学证明结果做成可复用的开源基础设施,包含26本教材、4.5万+计算机验证结果和1.4万+ commits,便于Lean定理证明与跨领域协作复用。
UMA Nitro适合替代传统分子模拟吗?
更适合做高通量筛选和候选缩小,而不是完全替代传统模拟。实战上应把它放在前置加速层,先粗筛再用高精度方法复核,才能兼顾速度、稳定性和可信度。
ATLAS这类形式化数学库怎么真正用起来?
最有效的方式是把它接入定理搜索、自动证明和教学反馈链路,而不是只当数据集。优先选高频定理、错误模式和可复用证明模板,才能把形式化成果转成可持续的开发效率。
