文章核心观点 - 超对称公司发布的新版基座模型 BigBang-Proton 挑战了以 OpenAI 为代表的主流 AGI 技术路线，其成果表明大语言模型（LLM）可以通过统一预训练和推理直接执行如 Alphafold 等横跨微观到宏观的专业科学任务 [1] - 公司提出物质结构学习是实现 AGI 的必备要素，并基于 BigBang-Proton 的实验结果，提出了“宇宙尺度压缩”的构想，认为 LLM 的预训练边界将扩展至全宇宙 [4][5][80] 技术路线与行业观点 - 当前主流 AGI 技术路线（如 GPT-5 和 DeepSeek R1 的长程思维链）在理解真实物质结构上遭遇完全失败，说明仅依赖长程思维链不可能实现 AGI [2] - 与主流通用 LLM 依赖互联网自然语言数据或世界模型从图像入手的路线不同，超对称公司提出了第三种路线：从物质结构学习入手，让 LLM 的预训练进入物质世界，构建超长上下文的世界模型 [4] - 公司认为 LLM 预训练会一直扩展到全宇宙，其终极目标是将全宇宙的信息转为超长序列压缩到一个单一基座上，成为所有 AI 分支任务的基座 [5] BigBang-Proton 的根本性创新 - **创新一：二进制块编码**：彻底抛弃传统的分词器（如 BPE），将所有输入（文本、代码、科学数据）统一视为最原始的二进制序列进行处理，解决了主流 LLM 因 BPE 导致的数值分析缺陷 [7][9][11] - **创新二：理论-实验学习范式**：建立混合表示，将数值型实验数据直接与文本描述对齐，类似于为科学实验数据配“理论描述标题”，覆盖90%以上的实验科研任务 [12][15][17] - **创新三：蒙特卡罗注意力机制**：替代传统 Transformer 注意力机制，通过分块代表交流机制，使模型的有效上下文长度随注意力层数指数级增长，20层即可实现 10^30 字节的上下文容量 [16][19][20] 模型性能表现 - **算术运算**：在50位数加法、减法和乘法上，BigBang-Proton 准确率分别为100%、98%和90%，远高于 DeepSeek-R1（19.23%、11.63%、9.68%）和 ChatGPT-o1（3.85%、6.98%、3.23%）[31][35] - **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（Particle Transformer 的56.69%）差距仅4-5%，而主流通用LLMs（如GPT-5为16.4%）表现接近随机猜测水平 [40][42][44] - **材料原子间势能模拟**：在形成能预测任务中平均绝对误差为0.043 eV/atom，在Matbench榜单排名第11位，优于部分专用机器学习方法，而主流LLMs（如GPT-5 MAE为29.279 eV）误差巨大不可用 [46][52][55] - **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 [56][57][59] - **DNA/RNA/蛋白质联合建模**：以1.5B参数和Evo模型三分之一的训练数据量，在基因序列预测困惑度（PPL=2.8）和多个下游任务（如预测突变对蛋白质功能影响，斯皮尔曼相关系数0.785）上全面超过SOTA生物基座模型Evo [61][67][72] 行业影响与应用前景 - 公司正与中国高能物理所、合肥科学岛强磁场中心、南京大学、上海交大等机构合作，将BigBang-Proton应用于粒子对撞、核聚变装置诊断、高温超导原理攻关、高熵材料开发等前沿科学领域 [84] - 模型在虚拟细胞建模、地球系统压缩以及复现飞机、汽车等复杂人造物质结构方面展现出潜力，为具身智能和生产制造快速迭代提供了全新的技术基础 [85]