SciReasoner 以结构为推理核心，预测蛋白质与材料性质
SciReasoner 让 AI 从结构出发推理科学性质，而非依赖语言模式，打开了更可解释的科学智能路径。
传统AI依赖语言关联，而SciReasoner将蛋白质三维折叠、晶体晶格等结构信息作为推理核心，而非额外输入。在蛋白功能注释、逆合成规划、药物筛选和材料预测上表现提升，尤其擅长处理低同源蛋白和孤儿蛋白。
正文摘录
SciReasoner：将结构作为AI的语言，像科学家那样推理出蛋白质、小分子和材料的性质 - 来源：机器之心 .jpg) 编辑丨% 给定一段蛋白质序列，为什么经验丰富的生物学家往往能够比 AI 看出更多信息？原因在于科学家关注的是由氨基酸组成的字母折叠之后形成的三维结构，这些结构内蕴含了蛋白质功能表达的关键信息。 对于材料科学、小分子设计等领域而言，同样如此。晶体性能来自晶格结构，分子活性取决于拓扑关系，而不是文字描述本身。 2026 年 7 月 8 日，上海人工智能实验室联合香港中文大学、中科院上海药物研究所、斯坦福大学、牛津大学、上海交通大学、复旦大学、中国科学技术大学、南京大学等团队共同发表了「Accurate, Interdisciplinary and Transparent Structure-property Understanding with Deep Native Structural Reasoning」。 在这篇文章中，团队提出了新一代科学推理模型 SciReasoner ，并首次提出 Native Structural Reasoning（原生结构推理）这一概念。不同于传统科学大模型将结构信息作为额外输入，SciReasoner 让蛋白质结构、晶体结构以及分子拓扑成为整个推理过程的核心依据，使 AI 能够围绕真实科学证据组织分析，而不是依赖语言模式生成答案。