Le modèle scientifique de 11 milliards de paramètres de Shenzhen fait ses débuts à Shanghai, intégrant six types de données pour relier des domaines allant de l'ADN à la météo

Le 19 juillet, lors du Forum ouvert sur l'intelligence scientifique au sein de la Conférence mondiale sur l'intelligence artificielle 2026, l'Institut de Shanghai pour l'intelligence scientifique a présenté un super-cerveau fondamental : le Modèle fondation multimodal scientifique de Shenzhen. Conçu pour soutenir la recherche scientifique multidisciplinaire, le modèle tire son nom du « Perle divine de fer » du Voyage vers l'Ouest. L'équipe de développement vise à ce que ce modèle ouvert puisse traiter efficacement diverses tâches scientifiques, permettant une participation plus large des chercheurs aux tests, à l'utilisation et au développement collaboratif. Il sert d'agent de recherche intelligent de niveau système « Grand Sage », lancé au début du mois de mars aux côtés de son super-cerveau.

Sur le plan technique, Shenzhen intègre des disciplines telles que la science des matériaux, les sciences de la vie et les sciences de la Terre, atteignant une représentation unifiée par étapes des connaissances scientifiques interdomaines et une compréhension multimodale. Avec environ 11 milliards de paramètres, le modèle prend en charge la compréhension scientifique et la génération de résultats de plusieurs types pour six catégories de données distinctes : ADN, ARN, protéines, petites molécules, systèmes terrestres et images médicales, le tout dans un cadre unique. Utilisant Qwen3-VL-8B comme colonne vertébrale partagée, le modèle emploie des chemins de traitement de données dédiés pour chacun des six types de données scientifiques. Avant la connexion au modèle partagé, il préserve l'ordre des séquences, les structures de liaison moléculaire, la distribution spatiale des champs météorologiques et les détails locaux des images médicales. En pratique, Shenzhen peut générer directement des séquences d'ARN, des représentations moléculaires lisibles par ordinateur (SMILES), des champs météorologiques globaux et des résultats de segmentation d'images médicales, intégrant efficacement les capacités de compréhension et de génération en un cadre cohérent.

L'open source et l'accessibilité sont au cœur de ce modèle. L'Institut de Shanghai pour l'intelligence scientifique a publié les poids du modèle, le code d'inférence, des scripts d'exemple et la documentation d'utilisation. Les chercheurs peuvent télécharger le modèle ou accéder aux API via la Plateforme ouverte d'intelligence scientifique Xinghe Qizhi, en l'utilisant aux côtés de plus de 1 500 modèles et outils scientifiques disponibles sur la plateforme. De plus, les poids sont disponibles sur Hugging Face, avec le code hébergé sur GitHub, favorisant une communauté collaborative d'intelligence scientifique ouverte.

Cette publication a eu lieu lors du Forum ouvert sur l'intelligence scientifique de WAIC2026. Guidé par le Bureau du comité d'organisation de la Conférence mondiale sur l'intelligence artificielle et co-organisé par l'Université Fudan et l'Institut de Shanghai pour l'intelligence scientifique, le forum s'est concentré sur la découverte en boucle fermée dans l'ère native de l'IA. Il a réuni des scientifiques renommés et des jeunes représentants de l'industrie, du monde universitaire et de la recherche pour discuter de la manière dont l'intelligence artificielle pourrait restructurer l'ensemble du processus de découverte scientifique au niveau méthodologique, dans le but de créer un écosystème d'intelligence scientifique ouvert et collaboratif. Quatre scientifiques éminents ont prononcé des discours clés, offrant des perspectives diverses sur l'intelligence scientifique.

Le professeur Arie Y. K. Wachter, lauréat du prix Nobel de chimie et professeur à l'Université chinoise de Hong Kong, Shenzhen, a souligné que l'IA doit être ancrée dans des mécanismes physiques fiables. Le professeur Gilles Brassard, lauréat du prix Turing et professeur à l'Université de Montréal, a exprimé de grandes attentes concernant le potentiel de l'informatique quantique dans des domaines tels que la découverte de nouveaux matériaux, conseillant aux jeunes chercheurs de poursuivre leurs intérêts plutôt que les tendances industrielles, car les résultats de la recherche actuelle ne se concrétiseront peut-être pleinement qu'après une décennie.

Wang Jian, directeur du Zhejiang Lab et académicien de l'Académie des ingénieurs de Chine, a partagé ses points de vue sur les modèles fondamentaux scientifiques et la science dans son ensemble. Il a noté que l'intelligence scientifique réside dans les données plutôt que dans les textes des articles, mais que les modèles fondamentaux actuels restent basés sur le texte. Il a fait valoir que les données scientifiques devraient devenir les habitants natifs de l'intelligence scientifique, ce qui signifie que les données de diverses disciplines devraient être tokenisées et intégrées dans un espace de représentation commun. Il estime que l'IA devient aussi fondamentale que les mathématiques, faisant passer le paradigme de la recherche du STEM au STE+MAP — l'intégration des mathématiques, de l'IA et des infrastructures publiques — unifiant ainsi la science.

Le professeur Jianqing Fan, membre de l'Académie nationale des sciences des États-Unis et professeur à l'Université de Princeton, a discuté de la science intelligente et de la société, définissant l'IA comme un cycle dynamique d'apprentissage statistique et de prise de décision par optimisation. Il a expliqué comment l'IA transforme les données en insights sociaux, citant des exemples tels que la mesure socio-économique, le contrôle des risques financiers et les applications des grands modèles. Il a souligné que, bien que l'IA serve le développement socio-économique et favorise les agents intelligents et l'innovation scientifique, elle doit continuellement relever des défis tels que les changements dans la structure de l'emploi, la transformation éducative, la sécurité éthique et le maintien d'un contrôle humain efficace.

Lors du dialogue du sommet, les participants sont parvenus à un consensus : un facteur clé de l'innovation originale dans l'ère native de l'IA est de savoir si les personnes, les données, les modèles, les expériences et le jugement académique peuvent former un nouveau mécanisme de découverte collaborative. Cela nécessite non seulement des améliorations systématiques des infrastructures de recherche, mais aussi une transformation fondamentale des schémas de pensée et des structures de compétences d'une nouvelle génération de chercheurs.

Qi Yuan, professeur spécialement nommé à l'Université Fudan et directeur de l'Institut de Shanghai pour l'intelligence scientifique, a exposé la vision ultime de cette transformation. Il a déclaré que l'IA devrait évoluer de la prédiction du prochain token à la découverte de lois inconnues, la découverte de ces lois marquant le début de l'intelligence supérieure. Le cœur de ce processus implique la compression d'un espace de haute dimension pour découvrir des principes concis et réaliser une boucle de vérification scientifique efficace, favorisant l'intégration des mondes numérique et physique et l'émergence de nouvelles architectures de modèles. Il a rappelé aux participants que la recherche réelle implique un long processus incluant la littérature, les hypothèses, les données, les modèles, les simulations, les expériences et les retours, et que le domaine de l'intelligence scientifique se concentre actuellement sur le développement de capacités systémiques pour organiser des processus de recherche complexes.

Alors que Shenzhen, avec ses 11 milliards de paramètres, consolide six types de données scientifiques en un seul esprit, la forme de la découverte scientifique pourrait être discrètement réécrite.