Meta 开源视觉模型助力美能源部 Genesis Mission，将科研成像分析提速数十倍

美国能源部（DOE）旗下「Genesis Mission」于 2025 年底启动，目标是以先进 AI 加速科研发现。该框架下的 SYNAPS-I 项目由劳伦斯伯克利国家实验室牵头，联合阿贡、布鲁克海文、橡树岭等机构，专注解决同步辐射与中子科学设施中海量数据的实时分析瓶颈。其中，图像分割——即在图像中精确勾勒出各类结构边界——成为首要攻关任务。

数据洪流与分割瓶颈

DOE 的光源与中子源设施每年产生数十 PB 级数据，相当于约 200 万小时的高清视频流。随着探测器升级，采集速度从每 6 秒一张图像跃升至每秒 10 万张，传统人工分析已完全跟不上节奏。在原位实验中，科学家需要实时解读化学反应、材料失效等动态过程，任何人力团队都无法胜任。分割正是将原始灰度图像转化为可量化、可比较的标注结构图（如细胞壁、矿物颗粒、半导体层）的关键步骤，过去单数据集往往消耗专家数周时间。

SAM 3 与 DINOv3 的协同管线

SYNAPS-I 的分割管线核心是 Meta 发布的两个开源基础模型——Segment Anything Model 3（SAM 3）与 DINOv3。DINOv3 是自监督视觉模型，无需人工标注即可学习图像中的结构与位置；SAM 3 则进一步绘制像素级精确边界。研究团队在 DOE 光束线采集的科学影像数据上对二者进行了微调，并部署在 NERSC 等国家超算中心的 300 块 A100 GPU 上，最终在实验仍在进行时，将完整的三维语义标注体直接回传给光束线旁的科学家，端到端耗时约 15 分钟。

葡萄藤抗旱研究示范

团队以农业抗旱课题验证管线：利用 ALS 采集的葡萄藤茎微米 CT 扫描，自动重建三维体积并识别负责水分传输的木质部导管。通过追踪导管在干旱进程中的形态变化，研究人员可获得用于培育抗旱品种的关键依据。过去每一步时间点需要专家标注一个月的工作量，如今压缩到 15 分钟，使科学家能够以数据采集本身的速度研究动态生物过程。

开源是落地前提

国家实验室须将未发表数据与模型保留在政府内部基础设施上，禁止外流。Meta 的开源策略使 SYNAPS-I 团队能够在自有安全环境中下载、微调并部署 SAM 与 DINO，把原本面向自然图像训练的模型适配到全新的科学领域。SYNAPS-I 目前汇聚五家国家实验室的 60 名研究人员，正推动用户设施向「智能发现平台」演进——让 AI 不仅更快处理数据，更能辅助科学家提出假设、推荐下一轮实验，并在不同设施间迁移知识。