ADiT：从原子统一到科学加速，通用型化学基础模型预示新范式

TL;DR：

Meta、剑桥与麻省理工学院联合提出的ADiT框架，首次实现了分子与晶体等周期性与非周期性原子系统的统一生成，突破了传统建模壁垒。这一技术不仅极大提升了研发效率，更预示着“通用型生成化学基础模型”时代的到来，将颠覆药物研发和新材料发现的范式。

长期以来，原子系统三维结构的生成建模是科学研究与工业应用中的核心难题，却也长期受限于“分而治之”的建模范式。无论是小分子、生物分子，还是晶体及复合体系，尽管其底层物理原理共通，但由于结构特性（如周期性、原子类型与三维坐标的交织）的巨大差异，现有扩散模型往往高度依赖特定系统，缺乏通用性。这不仅增加了研发复杂度，也限制了生成模型的规模化应用和跨领域创新。

在此背景下，Meta基础人工智能研究（FAIR）、剑桥大学与麻省理工学院的联合科研团队提出的全原子扩散Transformer（ADiT），标志着原子系统建模领域的一项里程碑式突破。这项入选ICML 2025的研究，首次实现了周期性材料与非周期性分子的统一生成，为构建真正的“通用型生成化学基础模型”奠定了基石¹。

技术原理与创新点解析

ADiT的核心创新在于其双核驱动的潜在扩散框架，旨在打破原子系统建模的固有壁垒：

1. 全原子统一潜在表示：传统方法需针对不同原子系统（如分子或晶体）设计各自的建模范式。ADiT则将所有原子系统抽象为三维空间中的原子集合，通过训练变分自编码器（VAE），将原子类型（分类属性）和三维坐标（连续属性）整合为统一的潜在表示。这意味着，无论是复杂有机分子还是规整的晶体结构，都能被编码到同一个共享的潜在空间中，为后续的统一处理奠定基础²。这种方法极大地简化了多模态数据处理的复杂性，将原子建模的“共性”提炼至一个抽象且统一的层面。

2. Transformer潜在扩散：在VAE构建的统一潜在空间中，ADiT引入了**扩散Transformer（DiT）**来执行生成建模任务。通过在潜在空间中进行去噪，DiT能够高效地采样新的潜在变量，再经VAE解码器重建为有效的分子或晶体。相比于直接在原始数据空间进行扩散，这种潜在扩散设计将分类与连续属性的复杂性内化至自编码器，使得生成过程更为简化、可扩展。更值得注意的是，ADiT的设计几乎不引入归纳偏差，这使其在处理不同系统时表现出卓越的泛化能力¹。

ADiT在效率和可扩展性上展现出压倒性优势。数据显示，在相同硬件条件下，生成10,000个样本的时间从传统等变扩散模型的2.5小时缩短至ADiT的20分钟以内，提升了近8倍。即使模型参数扩展至5亿规模（ADiT-L），其性能依然呈现可预测的线性提升，训练损失持续降低，有效性比率稳步提高。这种规模效应印证了Transformer架构在化学领域的强大潜力，也表明通过扩大模型和数据，性能仍有巨大提升空间¹。此外，联合训练（如同时在QM9分子数据集和MP20晶体数据集上训练）的ADiT版本，在材料和分子生成任务中全面优于仅在单一数据集上训练的版本，进一步凸显了统一建模的优势。

产业生态影响评估

ADiT的突破性在于将曾经碎片化的原子系统建模推向了统一和通用化，其对产业生态的影响将是深远且变革性的。

首先，在药物研发领域，ADiT有望大幅缩短新药发现周期。传统的药物分子设计耗时耗力，往往依赖于高通量筛选和经验试错。ADiT能够高效、精准地生成具有特定性质的分子结构，尤其是通过逆向设计，根据目标靶点直接生成具有活性和稳定性的候选药物分子。这将显著加速从靶点识别到先导化合物优化的全流程，降低研发成本，并为治疗疑难杂症带来更多可能。

其次，在新材料科学领域，ADiT的统一晶体生成能力将解锁前所未有的材料设计潜力。从高性能电池材料、高效催化剂到新型半导体，传统材料发现依赖于大量的实验合成和表征，周期漫长。ADiT能根据需求（如特定能带结构、机械强度或导电性）快速生成周期性晶体结构，并预测其性能。这使得**“按需设计材料”**成为现实，将极大加速材料科学的迭代速度，赋能清洁能源、航空航天、电子信息等关键产业的发展。

再者，ADiT的出现也为**“AI for Science”**范式注入了新的活力。它不仅是某个特定科学问题的解决方案，更是构建科学基础模型的关键一步。如同GPT之于语言、DALL-E之于图像，ADiT或将成为化学与材料领域的“GPT”，为科学家提供一个统一的、可扩展的、高效的原子级设计工具。这将在产业链上游催生出新的AI辅助设计软件和服务提供商，改变传统研发服务模式，并吸引大量资本涌入这一前沿领域。我们看到，百奥几何的GeoFlow V2³、字节跳动的Seedance 1.0¹等企业级解决方案也纷纷采用或借鉴了Transformer与扩散模型结合的思路，预示着AI生成在科学计算和内容创作领域的广泛应用浪潮。

未来发展路径预测

ADiT的问世，不仅仅是一个技术进步，更是一个未来十年乃至更长时间内科学研究和产业发展方向的预示。

展望未来3-5年，ADiT这类通用型化学基础模型将沿着以下路径演进：

1. 多模态与多尺度集成：当前ADiT主要聚焦原子类型和三维坐标。未来，模型有望集成更多物理化学信息（如电荷分布、能量态、反应活性）以及多尺度信息（如分子间的相互作用、宏观材料性质）。这将使模型能从更全面的维度理解和生成复杂系统，例如蛋白质-配体复合物、界面现象或介观结构。

2. 自主发现与实验闭环：通过与自动化实验平台（如机器人化学家、材料合成工作站）结合，ADiT等生成模型将推动形成**“AI驱动的自主科学发现闭环”**。AI不仅生成新结构，还能指导实验验证，并根据实验反馈迭代模型。这将极大加速研发周期，从“AI辅助设计”迈向“AI自主发现”。我们甚至可以想象，未来AI能够自主提出新的化学理论或物理原理。

3. 算力与数据驱动的性能飞跃：如同大型语言模型的发展轨迹，未来ADiT类模型的性能将持续受益于更大的模型规模、更丰富的高质量数据集以及更强大的计算能力。未来几年，针对特定任务的专业化化学AI芯片和大规模分布式训练平台将成为常态，进一步突破模型性能的上限。

4. 伦理与监管的挑战：强大的生成能力也带来潜在的伦理和安全风险。例如，ADiT能够设计出前所未有的分子和材料，其中可能包含具有潜在毒性或危害性的物质。如何确保这些模型不被滥用？如何建立负责任的AI研发与部署机制？这些问题将成为政府、企业和学术界需要共同面对的挑战，需要前瞻性的技术治理框架和伦理规范。

ADiT的出现，是人类理解和改造物质世界方式的一次深刻变革。它不仅提升了我们设计分子和材料的效率，更重要的是，它提供了一个统一的视角来审视微观原子世界的内在逻辑，将碎片化的知识体系聚合，使得AI能够像艺术家描绘宏伟画卷一样，描绘和创造出无限可能的物质结构。这不仅仅是技术的胜利，更是人类智慧与机器智能协同演进，共同迈向科学探索新纪元的关键一步。

引用

• 全原子扩散模型
• 材料科学
• 药物发现
• 生成式AI
• 科学计算
• 基础模型