Meta 公布 Open Source AI for Science 峰会成果:匹兹堡大学拟演示辅助进食机器人,UMA 可逐原子模拟整个酶
11 月 20 日,Meta 官方账号 @AIatMeta 发帖,Meta 新闻编辑室同日发布回顾文章,公布了 Open Source AI for Science Summit 的成果:今年 10 月,Meta 基础 AI 研究团队 FAIR 在加州门洛帕克总部举行为期两天的峰会,把来自学术界、国家实验室、医疗健康和政策领域的研究者聚到一起,讨论 Muse Glimmer、SAM、DINO v3、TRIBE v2 和 UMA 这些开源模型如何进入真实的科研场景。
帖文列举了其中两项亮点。医疗研究方面,匹兹堡大学展示了一套基于 DINOv3 与 SAM 3 构建的辅助机器人系统,团队计划演示一台能帮助人进食的机器人,并正试验让用户用自己的话语向机器人下达指令。化学方面,Meta 与芝加哥大学共同展示了 UMA 逐原子模拟整个酶的能力,称这类模拟或能帮助科学家理解酶的工作机制,进而为医药、可持续性和能源领域设计更好的酶。
峰会的其他议程:脑数据目标提到 25,000 小时,用计算机验证数学
回顾文章写道,峰会围绕医疗健康、神经科学、化学、材料科学和数学五个方向展开,除报告外还安排了动手工作坊,让参会者直接与 Meta 各模型背后的科学家协作。医疗一侧的新承诺落在脑数据上:与 Rothschild Hospital Foundation 和蒙特利尔大学共同启动的 Digital Brain Project 将把开放共享的去标识化脑数据目标从 15,000 小时提高到 25,000 小时,用于研究人类智能和改善神经健康。数学一侧,FAIR 展示了开源库 ATLAS,目前收录 26 本开放获取教科书、超过 45,000 条经计算机逐条验证的定义和结果,配合能验证数学证明每一步逻辑的开源语言 Lean 使用。
帖文点名的五个模型各有分工。Muse Glimmer 是 Meta 开源的 30B 参数模型,面向自主智能体任务,可在消费级硬件上本地运行、不依赖云端;TRIBE v2 是 Meta 3 月发布的三模态(视频、音频、语言)脑活动预测基础模型,训练数据为 720 名受试者超过 1,000 小时的 fMRI(功能性磁共振成像)数据;SAM 与 DINOv3 的能力描述来自 Meta 7 月发布的技术专文:SAM 被设计用于「分割一切」,能在极少提示下识别并勾出图像或视频中的任意物体;DINOv3 则以自监督方式从无标注数据中学习视觉表征。UMA 全称 Universal Model for Atoms,是面向原子模拟的通用模型。
辅助进食机器人从哪来:ARPA-H 出资 4,150 万美元的 RAMMP 项目
匹兹堡大学的这套系统出自该校 Human Engineering Research Laboratories(HERL)牵头的 RAMMP 项目(Robotic Assistive Mobility and Manipulation Platform,为残障人士提供独立行动与操作能力的机器人平台)。Meta 7 月发布的技术专文介绍,HERL 与辅助技术公司 ATDev 在美国卫生高级研究计划局 ARPA-H 至多 4,150 万美元的资助下开发该平台;专文援引的数据是,美国估计有 550 万轮椅使用者,每年有超过 10 万例与轮椅相关的伤害在急诊室处理,多因绊倒和摔跤。
在系统设计上,DINOv3 被专文称作紧凑高效的「视觉大脑」:作为通用视觉基座,其上叠加针对开门按钮、杯子、路缘检测等任务的轻量模块,复用视觉数据以省电。专文描述的感知栈是:检测层用 DINOv2 嵌入微调的轻量模型 RF-DETR,训练数据由 SAM 自动标注,组合出实时 360 度环境感知;所有推理都在设备本地完成,因为电池供电的平台必须面对电池寿命、散热、不可靠的网络连接和严格的体积重量限制。首个原型已能通过图像传感器检测自动门按钮、杯子、路缘等物体,功能就绪、进入真实场景测试;工程师接下来攻关语音与触控输入。项目联盟还包括 Kinova Robotics、LUCI Mobility,以及卡内基梅隆、康奈尔、东北大学和普渡大学。
RAMMP 项目幕僚长 Sivashankar Sivakanthan 在专文中说:「辅助机器人的性能不是只看基准测试准确率,而是看系统能否在日常生活的不可预测性中可靠运行。让 DINOv3 和 SAM 这类模型在设备端运行,用户才能获得可信赖的实时感知——不依赖网络连接,也不牺牲安全。」ARPA-H 项目主管 Mansoor Khan 则表示,Meta 的视觉模型是让机器人平台「看见」的关键技术,帮助机器人理解场景、在世界中导航并抓起正确的物体,「显著减轻用户的认知负担,提升独立性」。
专文也记录了版本演进:7 月描述感知栈时用的是 DINOv2 与 SAM,峰会展示时系统被 Meta 描述为基于 DINOv3 与 SAM 3 构建,SAM 3.1 与 DINOv3 的进一步整合、模型输出的时间一致性以及跨真实场景的稳健性都已列入后续工作。
逐原子模拟整个酶:UMA 基座模型跑通 5.4 万原子、约 1,000 倍加速
化学一侧的展示有论文可查。回顾链接的 arXiv 论文于 9 月 8 日发布,作者来自 FAIR 与芝加哥大学 Pritzker 分子工程学院及化学系,用机器学习原子间势(MLIP)对酶催化做量子精度的原子级建模。论文使用的 eSEN-omol 被明确表述为「UMA 的基座模型」,在 OMol25 数据集上以 ωB97M-V/def2-TZVPD 理论水平训练。
论文先交代了传统路线的困境:化学键的形成与断裂需要量子力学处理,主流的混合 QM/MM 方法却要为每个体系手工划定量子区、挑选泛函、处理边界——量子区选小了结果不可靠,选大了算不动,模拟通常只能跑几十皮秒。eSEN-omol 的做法是让同一个预训练势函数统一处理所有原子:输入只需原子坐标和原子序数,不需要成键拓扑,也不用划定量子区。论文报告的规模为:显式溶剂中的完整酶体系达 3.2 万~5.4 万个原子,累计模拟时长约 1 微秒,8 块 GPU 即可运行,加到 32 块 GPU 时每天可完成数百万模拟步;相比典型 QM/MM 计算加速约 1,000 倍,且无需针对具体体系调参。三个酶各验了一类机制:分支酸变位酶催化的 Claisen 重排在 4.6 万原子模拟中给出 3.2×10⁷ 倍的反应加速,落在实验测得的 10⁶~10⁷ 倍区间;源自细菌 Ideonella sakaiensis 的 PETase 在 5.4 万原子模拟中确定酰化是限速步骤,并解析出四面体中间体;核苷二磷酸激酶(NDPK)的模拟则支持先质子转移、再磷酰基转移的两步机理,而非此前假设的一步协同转移。
峰会现场可直接拿走的东西:UMA Nitro、药物晶型研究与化学课堂
回顾还列出峰会期间即可使用的产出。Meta 在会上发布了 UMA Nitro,UMA 的更快版本。FAIR Chemistry 文档显示,Nitro 现在是 UMA 的 uma-s-1p2p1 检查点在 Ampere、Hopper、Blackwell 架构 GPU 上的默认推理模式,用融合的 Triton 和 CuTe 内核完成单体系的能量、力与应力计算,单 GPU 分子动力学速度明显快于此前的 turbo 模式。
药物晶型方面,Meta 的回顾将其表述为「与卡内基梅隆大学和加州大学河滨分校的合作研究」,链接指向 arXiv 上的 FastCSP 论文(2025 年 8 月发布):一个完全由 UMA 驱动的分子晶体结构预测工作流,摘要称在 28 个分子上能把已知实验结构排进全局最小值 5 kJ/mol 以内,无需体系专属调参。Meta 的说法是,知道药物的晶型有助于理解药片如何溶解。
同一批能力也被推向课堂。UMA Playground 让用户搭建分子、观察化学键断裂与形成、探索化学反应;Discovery Education 宣布该工具已向高中化学教师开放并附课堂指南,Meta 称其覆盖 400 万余名教育者和 4,500 万名学生;亚利桑那州立大学与卡内基梅隆合办的大学化学课程 RealChem 计划把 Playground 接入学生活动,该课程目前被近 100 所院校使用。
尚未发生的演示,与论文自己写明的误差
截至发帖,「帮助人进食」的演示在 Meta 的回顾里仍写作「计划」,没有给出这台机器人何时真正亮相;已进入真实场景测试的是检测门按钮、杯子、路缘这类感知功能。酶一侧,论文自己的数字也留有余地:分支酸变位酶的模拟能垒 75.21±2.72 kJ/mol 比实验值 64.43 kJ/mol 高出约 10 kJ/mol,作者称该偏差与 eSEN-omol 训练所用 DFT 能量的误差量级相当,并提醒能垒高度依赖所选反应坐标、不应过度解读具体反应路径。至于「设计更好的酶」,回顾给出的仍是「潜在帮助」的措辞,没有列出已经靠 UMA 设计出来的新酶。
参考链接
- @AIatMeta 峰会帖文(X,2026-11-20)
- Meta 新闻编辑室:Advancing Science Together: Highlights From the Open Source AI For Science Summit(2026-11-20)
- Meta 研究页:Muse Glimmer 30B: An On-Device Agentic Model(2026-10-19)
- Meta 研究页:A foundation model of vision, audition, and language for in-silico neuroscience(TRIBE v2,2026-03-26)
- Meta AI 博客:Reimagining Independence: University of Pittsburgh 辅助机器人专文(2026-07-27)
- arXiv:2609.09293 Quantum-accurate atomistic modeling of enzyme catalysis using a machine learned potential(2026-09-08)
- FAIR Chemistry 文档:UMA Nitro 推理模式
- arXiv:2508.02641 FastCSP: Accelerated Molecular Crystal Structure Prediction with Universal Model for Atoms(2025-08-04)
- UMA Playground(aidemos.atmeta.com)