科学基础模型前沿：从科学语言模型到 AI4S 大模型
本章视角：14 章此前四篇（生物、气象、流体、材料）讲"科学问题 × AI 方法"；本文往前再走一步——当"科学问题"本身被训练成"基础模型"，AI4S 进入大模型时代。这与 13 章 · 科学智能体 互为表里：基础模型提供"通用科学能力"，智能体把它编排成科研工作流。
1. 从"专用模型"到"基础模型"
传统 AI4S：每个科学问题训一个专用模型（代理模型、PINN……），数据与算力成本随问题数量线性增长。
科学基础模型（Scientific Foundation Models）的思路转变：
专用模型时代：问题 A → 模型 A，问题 B → 模型 B（N 个问题 = N 个模型）
基础模型时代：大量科学数据预训练 → 一个通用模型 → 微调/提示适配到 N 个问题核心价值：跨任务复用学到的科学规律（物理/化学/生物先验），小数据任务也能受益。
2. 三大路线与代表性方向
2.1 科学语言模型（科学文本与知识）
| 方向 | 代表 | 能力 |
|---|---|---|
| 科学文献理解 | SciBERT、Galactica 类 | 论文/文献检索问答、知识提取 |
| 科学推理大模型 | 通用 LLM 科学增强 | 实验方案生成、假设提出 |
| 化学/生物语言 | 分子 SMILES、蛋白质序列建模 | 分子性质预测、逆合成设计 |
要点：科学语言模型把"人类科学知识"变成模型可检索可推理的形态——是 Scientific Agent 的"知识大脑"。
2.2 领域科学基础模型（序列/结构）
| 领域 | 代表方向 | 输入→输出 |
|---|---|---|
| 蛋白质 | ESM 类蛋白质语言模型 | 氨基酸序列 → 结构/功能 |
| 材料 | M3GNet/CHGNet 类 | 晶体结构 → 能量/性质 |
| 气象 | GraphCast/盘古类 | 历史场 → 未来场 |
要点：这些模型在本章 生物、气象、材料 篇里已有方法论铺垫——基础模型是"用预训练把领域规律学进参数"的升级形态。
2.3 科学基础模型与代理模型的协同
| 科学基础模型 | 代理模型（13 章） | |
|---|---|---|
| 定位 | 通用能力底座 | 任务专用加速 |
| 训练数据 | 海量领域数据 | 特定仿真采样 |
| 应用 | 迁移到多个下游问题 | 单个仿真加速闭环 |
| 关系 | 可微调出代理模型 | 可视为基础模型的任务化 |
工程含义：预算充足 → 预训练/微调基础模型；预算有限 → 任务专用代理模型。二者不是替代关系，而是通用层与专用层。
3. 三大挑战
科学数据稀缺与异构：科学数据不像网页文本那样海量；实验数据贵、仿真数据偏、格式不一。数据治理比模型架构更决定成败。
物理一致性：大模型预测可能违反物理定律（能量不守恒、量纲错乱）。对策：物理约束注入（Loss 项/后处理）、与求解器校验（回验闭环，见 代理模型）——科学模型的可靠性必须外部验证，不能只靠模型自信。
评测体系缺失：通用 LLM 有 benchmark 丛林，科学领域缺少统一基准。建"科学任务集"（成功率/误差/物理合理性多维评分）是领域成熟的关键，也是 13 章智能体 评测的同一思路。
4. 探索路径建议（结合本平台定位）
按"智算×超算互相促进"的定位，科学基础模型可走的工程路径：
① 数据层：HPC 仿真批量生成领域数据（超算造数据，见 13 章全链路）
② 模型层：预训练/微调科学基础模型（智算训模型）
③ 验证层：与仿真/实验回验（HPC 验证）
④ 应用层：微调出代理模型 / 接入科学智能体（软件交付）这条路径与 Software Factory 的"一题一软件"完全同构——只是把"软件模板"升级为"基础模型 + 微调模板"。