"书生·端砚"让普通人当科学家：解读上海AI Lab科学智能体的平台化野心

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

在 WAIC 2026 上，上海人工智能实验室（浦江实验室）主任周伯文以"迎接 AI 的科学元认知时刻"为题发表主旨演讲，并正式发布了面向科学发现的 AI 平台"书生·端砚"。官方对其最直接的定位是"让普通人也能变成科学家"。与单纯发布一个模型不同，"端砚"第一次把上海 AI Lab 在科学智能体方向上的积累打包成了一个可被普通科研人员、学生甚至非专业用户直接使用的产品形态——而承载这个平台野心的基座，正是实验室同期开源的 Intern-S2-397B 科学智能体基础模型。

这篇文章将从三个层面拆解这次发布：端砚平台究竟发布了什么、它"让普通人变成科学家"的产品逻辑如何成立，以及平台化战略对 397B 开源基座生态意味着什么。所有技术论述均对应 Intern-S2-397B 仓库中的真实源码与配置，而非发布会口号。

一、端砚发布了什么：从"模型"到"科学家工作流"的跃迁

过去两年，科学大模型的发布节奏几乎等同于"上新权重文件"：更大参数、更多基准分数、更长的上下文。但端砚的发布逻辑明显不同——它不再只交付一个模型，而是交付一套"科学家工作流"：用户输入一个科学问题，系统自动完成文献理解、假设拆解、工具调用、数据计算、结果复核的完整闭环。

这套工作流的"大脑"就是 Intern-S2-397B。根据仓库 README.md 的定义，它是实验室"最强大的面向科学智能与长程智能体的多模态基础模型"，能力沿三个维度同步扩展：预训练范式、强化学习任务覆盖、交互式智能体环境。这三者分别对应了科学家工作流的三段关键环节：

• 看得懂：通过视觉预训练，模型直接学习原始科学文献页面，"在没有中间解析的情况下，在共享表示空间中联合建模符号语义与视觉关系"——这意味着它读的是论文原文的版面，而不是被抽成纯文本的"二手数据"，空间推理与图文对应能力因此更强；
• 算得对：在超过 20 个科学领域上规模化强化学习任务并联合训练，覆盖生物分子相互作用设计、材料结构生成等专业任务；
• 干得完：连接多个智能体框架到大规模沙箱环境，做黑盒智能体强化学习，把长程任务的能力天花板抬高——这是"让模型自己动手做完一整件事"而不是"回答一段话"的关键。

从 config.json 可以看到这枚"大脑"的工程底牌：512 个专家、每 token 激活 10 个专家的 MoE 结构，60 层中按 4:1 间隔混排线性注意力与全注意力（linear_attention/full_attention），原生 256K 上下文（max_position_embeddings: 262144），并内置了 1 层 MTP 推测解码模块（mtp_num_hidden_layers: 1）用于加速长程生成。配上 deployment_guide.md 中 LMDeploy、vLLM、SGLang 三套部署方案，以及 YaRN RoPE 可扩展到的 512K 乃至 1M 超长上下文，"读几十篇论文再动手"这类长程智能体任务在工程上变得可落地。

二、"让普通人变成科学家"的产品逻辑拆解

"普通人变成科学家"如果只是宣传语，没有任何意义。但把这句话拆成产品逻辑，它其实对应了三个具体的技术降门槛动作，每个动作在仓库源码里都能找到实锤。

1. 替用户"翻译"科学语言

普通人做科研的第一道坎是领域语言：SMILES 分子式、蛋白质序列、DNA/RNA 序列，每一个都是自成体系的"外语"。Intern-S2 系列的处理方式是不让用户学这些语言，而是让模型自己学会识别它们。

在 tokenization_interns1.py 中，tokenizer 内置了三个域专用 SentencePiece 模型（tokenizer_SMILES.model、tokenizer_PROT.model、tokenizer_XNA.model），并配有自动检测模块：SmilesCheckModule用正则加 RDKit 双重校验文本中的 SMILES 片段是否合法，ProtCheckModule与XnaCheckModule分别识别蛋白与核酸序列。用户只需要把论文段落、分子式甚至纯文本丢给模型，它自己就能找到科学内容并用正确的词表去编码——这就把"用户需要先成为化学家才能跟模型对话"变成了"模型替用户先当一次翻译官"。

2. 把"回答问题"升级为"执行任务"

普通人和科学家的差距，很大程度在于"会不会用工具"：查数据库、跑模拟、写脚本、分析数据。端砚要抹平的正是这个差距。

README.md 给出了完整的工具调用范式：通过 OpenAI 兼容 API 声明函数（示例中是查询天气的函数），模型自主决定调用哪个函数、传什么参数，再把工具返回的结果拼回对话继续推理。仓库还支持思考/非思考模式动态切换（enable_thinking=False）——高难度任务默认开启深度思考，简单任务可以关闭以节省延迟。更有价值的是时间序列能力：模型可以直接读取.npy、.csv、.wav等时间序列数据文件，完成地震事件检测（识别 P 波与 S 波的起震时刻）和电力负荷预测（输出逐点预测与分位数区间）这类专业任务。这正是"科学家工作流"中数据计算环节的产品化雏形。

3. 让输出"可复核"

科研最忌讳"黑箱结论"。社区对 Intern-S2 系列的评测共识也强调：判断效果的标准是任务完成率而非文本流畅度，要看模型是否具备任务规划、工具调用正确性、自我修正与输出可复核性四项能力。Intern-S2-397B 在材料领域的表现支撑了这一判断——官方数据显示其在 MolecularIQ 评测取得 57.26 分，超过 Gemini-3.1-Pro；材料晶体结构生成通过率超过 40%，显著优于 GPT-5.5，并且是首个在开源通用大模型中实现材料晶体结构生成（含高精度坐标回归）的模型。结构生成结果可以被专业工具直接校验"合不合法"，这给了普通用户"相信它"的底气。

三、平台化对 397B 基座开源生态的拉动

端砚的平台化战略，本质上是在做开源基座之上的"应用层"，而这反过来会成倍放大 397B 基座的生态价值。

从"模型开源"到"生态开源"

模型的 Apache-2.0 许可是生态的起点，但真正让生态长出来的是"低门槛接入"。仓库的 Agent 集成章节展示了双路径接入：自托管部署（LMDeploy 起服务后，OpenClaw、Hermes 等框架只需把OPENAI_BASE_URL指过去，--tool-call-parser interns2-preview保证工具调用被正确解析），或者直接调用官方 Intern API（chat.intern-ai.org.cn/api/v1，模型名intern-s2-397b）。连 Claude Code 这类主流编程智能体也可以通过 Anthropic 兼容网关ANTHROPIC_BASE_URL路由到 Intern-S2-397B 上。当一个 397B 级科学基座可以被普通开发者用三行环境变量接入自己熟悉的框架时，平台化的网络效应就启动了。

社区已经在"帮平台打工"

情报显示，围绕 S2 系列的开源社区正在快速形成基础设施：有开发者实测在 8×H200 上用 SGLang 部署并开启 MTP 推测解码，输出长度达 16000 时吞吐提升接近翻倍、延迟降低 61%；有团队通过 oMLX 完成 4bit 量化并在 Apple Silicon 上跑通推理；也有人整理了 FP8 部署的完整安全实践（工具调用白名单、API 速率限制、审计日志）。这些来自第三方的手工实践，恰恰是平台生态健康度的最佳证明——当社区开始自发地做评测框架、写避坑指南、做量化与安全加固时，说明平台已经"长"出了自己的开发者网络。

国产算力闭环

情报还提及 Intern-S2 系列依托昇腾生态实现训推协同优化。在国产芯片适配仍是大模型落地的现实瓶颈时，"科学基座 + 国产算力"的组合让端砚平台在科研机构、高校这类对数据敏感、对自主可控要求高的场景中具备了差异化竞争力，也让 397B 这样的大参数基座真正"跑得起来、用得下去"。

结语：从"模型能力"到"元认知时刻"

周伯文提出的"科学元认知时刻"，指向的不只是模型能答对多少题，而是 AI 开始具备"知道自己该怎么研究"的能力——规划实验、挑选工具、校验结果、迭代假设。端砚平台把这个能力从论文里的 benchmark 数字，变成了普通人可以对话、可以调用、可以复核的科学家工作流。

而这一切的底座，是 Intern-S2-397B 在仓库里呈现的完整工程体系：多模态科学预训练范式、20+ 领域的科学 RL 扩展、原生科学模态分词、时间序列原生理解、256K 上下文与 MTP 加速、三框架开箱即用的部署方案。平台负责把科学家的工作流产品化，基座负责把科学家的能力平民化——当这两件事同时发生，"普通人变成科学家"就不再是一句口号，而是一个正在被工程实现的产品路径。

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