书生 Intern-S2：让大模型的"记忆"与"思考"分家，专攻科学发现

传统大模型有个尴尬：知识存储和逻辑推理高度耦合。模型既没法充分利用已有知识推理，每接入一个新学科，又可能扰动已经形成的通用能力。上海人工智能实验室的 Intern-S2-Preview-397B（397B 参数）从底层动手，把这两件事拆开，组成"知识与推理分离"的双引擎。

图：知识当"可插拔记忆"，推理算子跨领域复用

其中 Memory Decoder 引入可插拔的外部记忆：不同学科的最新知识在独立模块训练，按需接入基础模型，不再靠反复改写整个模型来"硬编码"专业内容。Mobius 则专注于把模型内部的知识向量与推理算子解耦，构建全局共享的知识向量库，让数学、物理、化学、生物共同需要的分析、验证、纠错能力得以迁移复用。据称端到端推理效率提升近 4 倍。

价值在于：它把大模型专业化从"一次性整体改造"变成"可持续的能力生长"。在真实科研里已见成效——以免疫治疗靶点 IL-7Rα 的蛋白结合剂设计为例，模型把分散的 43 个关键残基精简到 30 个，让 AlphaFold3 与 Rosetta 的验证通过率从 0.47% 跃升至 1.56%（+233%）。科学的发现周期，正从"年"被压缩到"天"。

关联推荐

• AI for Science：科研发现周期从年缩短到天 — 同一主线的深度解读
• BetaDescribe：AI 把蛋白质序列翻译成自然语言 — 蛋白质语言的 AI 接口
• AI发现超导材料 — 240 万晶体结构的自动筛选
• AlphaFold 2 解开蛋白质结构 — 结构生物学的底座

---