日前，上海人工智能实验室宣布，开源基于“通专融合”技术架构SAGE打造的万亿参数科学多模态大模型Intern（书生）-S1-Pro，为AI for Science（科学智能）从“工具革命”的1.0阶段迈向以“革命的工具”驱动科学发现的2.0时代，提供了系统性开源基座。

　　上海人工智能实验室主任、首席科学家周伯文提出，可深度专业化通用模型是实现通用人工智能（AGI）的可行路径，其关键挑战在于：专家化模型在训练过程中需要低成本、能规模化的密集反馈；能够持续不断地学习与主动探索，并具备为同一个问题提供多视角、多种解决方案的能力；并能引入对物理世界规律的考量，兼顾多项差异化能力的学习效率与性能。

　　作为全球开源社区中参数规模最大的科学多模态模型之一，Intern-S1-Pro的性能表现稳居全球第一梯队。其通过多项SAGE基础模型层的技术创新，拓宽了模型应用边界、提升了超大规模训练可行性，推进了可深度专业化通用模型的探索。

　　为构建能更深层次理解物理世界规律的科学大模型，研究团队引入了傅里叶位置编码（FoPE）并重构了时序编码器。FoPE为AI赋予了双重视角：既能像看“粒子”一样捕捉文字之间的相对距离，又能像分析“波”一样把握科学信号的整体规律与频率。科学数据与语言的差异还体现在多尺度上，基于能自动适应数据密度的时序编码器，模型首次能统一处理从寥寥数个到百万级采样的各类信号，支持的分析对象从天文、地理直接拓展至生理信号、生物声学等领域，从而实现感知能力的重大跃迁。

　　为了高效训练承载这些能力的万亿参数超大规模模型，研究团队革新了其内部的“路由机制”。传统方法存在训练低效和算力浪费两大痛点。新技术通过“路由稠密估计”，让模型在高效运行的同时能进行更充分的学习，提升了稳定性；进而通过“分组路由”策略，像智能交通系统一样使海量计算芯片实现负载均衡，避免了资源闲置。

　　通过算法与系统的协同创新，Intern-S1-Pro同时攻克了超大规模模型训练在“学习效率”和“资源调度”上的核心瓶颈，为高效、稳健地训练下一代万亿参数模型提供了关键基础。通过上述底层架构的创新，Intern-S1-Pro不仅在规模上刷新了科学多模态模型的参数规模上限，也为SAGE架构所提出的“通用能力与专业能力协同演进”提供了可落地的实现路径。

　　值得一提的是，Intern-S1-Pro验证了从原创模型架构到国产算力基座自主技术的完整链路。模型从架构设计之初，就与昇腾计算生态确立了联合研发路线，实现了从最底层的算子、编译优化到上层的训练、推理框架的深度全栈适配。此外，Intern-S1-Pro还与沐曦联合研发利用模型加速算子适配，为开放共享、面向未来的科学智能基础设施奠定了坚实基础。