核心观点 - 超对称公司发布的BigBang-Proton基座模型挑战了以OpenAI为代表的主流AGI技术路线，提出并验证了通过“物质结构学习”实现AGI的第三条路径 [1][2][4] - 该模型通过三项根本性创新，实现了跨微观粒子到宏观地球系统的多学科科学问题在单一自回归LLM上的统一预训练和推理，展示了语言引导科学计算的能力 [2][26][80] - 实验结果表明，主流LLM（如GPT-5、DeepSeek-R1）在理解真实物质结构和执行专业科学任务上遭遇失败，而BigBang-Proton在多个科学任务上达到或接近专用SOTA模型水平 [2][36][44][54][59][66][71][72][74] 技术创新 - **二进制块编码**：彻底抛弃传统的BPE等分词器，将所有输入数据（文本、代码、科学数值）统一视为原始二进制序列进行处理，解决了数值保真和跨模态统一表征的难题 [9][11][14][37] - **理论-实验学习范式**：建立数值型实验数据与文本理论描述的混合表示和直接对齐，使模型能整合符号推理与数据驱动学习，覆盖90%以上的实验科研任务 [13][18][19][48] - **蒙特卡罗注意力机制**：替代传统Transformer注意力，通过分块代表交流机制，使模型有效上下文长度随层数指数级增长，20层即可实现10³⁰字节的上下文容量，为模拟复杂物质结构奠定基础 [19][22][23] 模型性能表现 - **算术运算**：在50位数加法、减法和12位数乘法任务中，准确率分别达到100%、98%和90%，显著高于DeepSeek-R1（19.23%、11.63%、9.68%）和ChatGPT-o1（3.85%、6.98%、3.23%）[36][37] - **粒子喷注分类**：在11类分类任务中达到51.29%的准确率，与专用SOTA模型（ParT的56.69%）差距仅4-5个百分点，而主流LLM准确率接近随机猜测水平（10%）[44][46][47] - **材料形成能预测**：实现0.043 eV/atom的平均绝对误差，在Matbench榜单排名第11位，优于部分专用机器学习方法，而主流LLM的预测误差与之相差四到五个数量级 [54][56] - **湖泊水质预测**：在叶绿素-a浓度预测中实现0.58 μg/L的MAE和0.098的MAPE，达到与行业领先机器学习时序预测模型竞争的水平 [59] - **基因组建模**：以1.5B参数和Evo模型三分之一的训练数据量，在评估困惑度（2.8 vs 3.1）及预测突变对蛋白质功能影响（斯皮尔曼相关系数0.78546 vs 0.67）等多项任务上超越SOTA生物基座模型Evo [66][71][72][74] 行业影响与未来规划 - **挑战主流AGI路线**：指出仅依赖长程思维链和互联网自然语言数据无法实现AGI，提出LLM预训练应进入物质世界，其边界将扩展到全宇宙 [2][4][5][80] - **提出宇宙尺度压缩构想**：目标是在一个二进制序列中重建物理世界，将全宇宙的信息转为超长序列压缩到单一基座上，为所有AI分支任务提供基座 [5][81][82] - **广泛产业合作与应用**：模型正与中国高能物理所、强磁场中心、南京大学、上海交大等机构合作，应用于粒子对撞、核聚变、高温超导、虚拟细胞、地球系统建模及飞行器设计等前沿领域 [82][83]