«در روزی که میدانِ رقابتِ مدلهای عمومی با انبوهی از اعدادِ پارامتر و قیمتهایِ پلکانی گرم بود، «آکادمیِ علومِ چین» از یک «مدلِ تخصصی» رونمایی کرد که در ۶۰ وظیفهی پژوهشی، «پادشاهانِ عمومی» را به زانو درآورد. «پانشی ۲.۰» (ScienceOneOmni) با معماریِ «همرسانی عمومی-تخصصی» (通专一体) ثابت کرد که برای «پیشرفتِ علم»، «عمقِ تخصص» از «وسعتِ عمومی» مهمتر است، و «هوشِ علمیِ هدفمند» میتواند در زمینِ خود، «هوشِ عمومیِ همهکاره» را شکست دهد.»
در تاریخ ۱۷ ژوئیه ۲۰۲۶، در همایش «هوش مصنوعیِ جهان» (WAIC 2026) در شانگهای، آکادمیِ علومِ چین (CAS) از مدلِ جدید خود با نام «پانشی · مدلِ بنیادینِ علم ۲.۰» (ScienceOneOmni) رونمایی کرد. این مدل که توسط چندین پژوهشکدهی وابسته به آکادمیِ علومِ چین بهطورِ مشترک توسعه یافته است، یک «مدلِ تخصصی» برای علومِ پایه است که با هدفِ «شکستنِ دیوارِ بینِ هوشِ عمومی و تخصصِ علمی» طراحی شده است. در ۶۰ وظیفهی پژوهشیِ تخصصی، این مدل عملکردی بهتر از مدلهای عمومیِ پیشرو مانند Gemini-3.1-pro و GPT-5.5 از خود نشان داده است.
سه بازیگرِ اصلیِ این تحول عبارتاند از: آکادمیِ علومِ چین که با این مدل، «مسیرِ تخصصی» را در برابر «مسیرِ عمومیِ» غرب علم میکند؛ جامعهی علمیِ جهانی که برای اولین بار به مدلی با «هوشِ علمیِ هدفمند» و «قابلیتِ استدلالِ قابلاثبات» دست یافته است؛ و غولهایِ عمومیِ آمریکایی (OpenAI، Google، Anthropic) که با وجودِ میلیاردها دلار هزینه، در «زمینِ تخصصیِ علم» از یک مدلِ منبعبازِ چینی عقب افتادهاند. پارادوکسِ عمیقِ ماجرا در این جمله خلاصه میشود: «آکادمیِ علومِ چین برای «پیشیگرفتن از غولهایِ عمومی»، «تخصص» را به سلاحیِ راهبردی تبدیل کرده است؛ یعنی «عمقِ علمی» را بر «وسعتِ عمومی» ترجیح داده، و «قابلیتِ استدلالِ قابلاثبات» را بر «تولیدِ محتوایِ روان» اولویت بخشیده است.»
معماری فنی: «سه لایه» برای «یک علم»
پانشی ۲.۰ با رویکردی به نام «همرسانی عمومی-تخصصی» (通专一体) طراحی شده است. این رویکرد به این معناست که مدل، «هوشِ عمومی» و «تخصصِ علمی» را در یک معماریِ واحد، بهطورِ همزمان و با یکپارچگیِ عمیق، پرورش میدهد.
معماریِ سهلایهی این مدل عبارت است از:
۱. لایهی اول: «رمزگذاریِ یکپارچهی دادههای علمی» (Scientific Data Encoding): در این لایه، دادههایِ خامِ علمی از رشتههایِ مختلف (شیمی، زیستشناسی، فیزیک، اخترشناسی و…) به یک «زبانِ مشترکِ علمی» تبدیل میشوند. این کار، «دیوارِ تخصصی» بینِ رشتهها را فرو میریزد.
۲. لایهی دوم: «همترازی با دانشِ جهانِ طبیعی» (World Knowledge Alignment): در این لایه، مدل «دانشِ عمومی» خود را با «دادههایِ علمیِ تخصصی» همتراز میکند تا بتواند «پدیدههایِ طبیعی» را بهدرستی درک کند.
۳. لایهی سوم: «رمزگشاییِ هدفمندِ وظایفِ تخصصی» (Task-Specific Decoding): در این لایه، مدل برای وظایفِ خاصِ علمی (مانند پیشبینیِ خواصِ شیمیایی، شناساییِ اجرامِ آسمانی، یا طراحیِ موادِ جدید) بهینهسازی میشود.
پشتوانهی دادهایِ این مدل نیز بینظیر است: «پایگاهِ دادهی علمیِ آکادمیِ علومِ چین» با همکاریِ چندین پژوهشکده، ۸۰۰ هزار دادهی علمیِ باکیفیت را جمعآوری کرده است که ۲۰۰ وظیفهی پژوهشی را پوشش میدهد.
عملکرد در میدانِ رقابت: «شکستِ پادشاهانِ عمومی»
نتایجِ پانشی ۲.۰ در بنچمارکهایِ علمی، یک «اعلامیهی تاریخی» است:
در ۶۰ وظیفهی پژوهشیِ تخصصی، پانشی ۲.۰ در اکثریتِ قریببهاتفاقِ آنها، عملکردی بهطورِ قابلتوجهی بهتر از Gemini-3.1-pro و GPT-5.5 داشته است. این یعنی در «زمینِ تخصصیِ علم»، مدلِ ۲.۸ تریلیون پارامتریِ Kimi K3 و مدلِ ۵ دلاریِ GPT-5.6 Sol، هر دو از یک مدلِ تخصصیِ چینی عقبتر هستند.
در وظایفِ خاص، این برتری حتی چشمگیرتر است:
| وظیفهی تخصصی | عملکردِ پانشی ۲.۰ |
|---|---|
| پیشبینیِ خواصِ شیمیایی | بهترینِ جهانی (بهتر از مدلهایِ تخصصی) |
| پیشبینیِ جایگاهِ پروتئین | بهترینِ جهانی |
| تبدیلِ طیف به ساختارِ مولکولی | بهترینِ جهانی |
کاربردهایِ واقعی: از «اخترشناسی» تا «طراحیِ مواد»
پانشی ۲.۰ تنها یک «مدلِ آزمایشگاهی» نیست؛ در سه حوزهیِ کلیدی بهکار گرفته شده است:
۱. اخترشناسی: مدل به «سامانهیِ اخترشناسیِ گواشوجینگ» (LAMOST) – که بزرگترین پایگاهِ دادهیِ طیفهایِ آسمانیِ جهان را دارد – متصل شده است. دقتِ شناساییِ اجرامِ نادرِ آسمانی نسبت به بهترینِ روشهایِ قبلی، حدود ۵۰ درصد افزایش یافته است.
۲. مکانیکِ سیالات: مدل یک نرمافزارِ «شبیهسازیِ بدونِ مش» (Meshless Simulation) ساخته است که میتواند در کمتر از ۱۰ ثانیه، نتیجهیِ شبیهسازی را با خطایِ کمتر از ۵ درصد ارائه دهد.
۳. شیمی و علمِ مواد: مدل به «سامانهیِ دانشمندِ ماشینیِ دانشگاهِ علم و فناوریِ چین» متصل شده است که بهطورِ خودکار، ۴۶۲ نمونه را سنتز و تحلیل کرده و از میان میلیونها گزینهیِ مجازی، ۸ ماده را شناسایی کرده است که عملکردی بهتر از بهترینِ نمونههایِ قبلی دارند.
اکوسیستمِ علمی: «یکپارچگیِ کامل» از «داده» تا «سختافزار»
پانشی ۲.۰ تنها یک مدل نیست؛ بلکه هستهی یک «پلتفرمِ علمیِ یکپارچه» است که چهار لایه را به هم متصل میکند:
| لایه | محتوا |
|---|---|
| داده | دادههایِ علمیِ باکیفیت از آکادمیِ علومِ چین |
| ابزار | ۸۰۰۰ ابزارِ تخصصیِ علمی (شبیهسازی، تحلیل، تجسم) |
| عاملها | «عاملِ مرورِ ادبیات» (تولیدِ مرورِ تخصصی در ۳ ساعت)، «عاملِ ارزیابیِ نوآوری»، «کارخانهیِ عاملها» |
| سختافزار | «ابر-محاسبه + هوش-محاسبه + سریع-محاسبه» با تراشههایِ بومیِ چینی (昇騰 و 海光) |
«لحظهای که «تخصص» بر «عمومی» چیرگی یافت»
نام این رویداد را باید «لحظهی بلوغِ هوشِ علمیِ هدفمند» گذاشت. پانشی ۲.۰ با معماریِ «همرسانی عمومی-تخصصی» و عملکردی برتر از Gemini-3.1-pro و GPT-5.5 در ۶۰ وظیفهی پژوهشی، ثابت کرده است که برای «پیشرفتِ علم»، «عمقِ تخصص» از «وسعتِ عمومی» مهمتر است. این مدل نشان داده که با «دادههایِ باکیفیتِ علمی»، «معماریِ هدفمند» و «استدلالِ قابلاثبات»، میتوان به سطحی از عملکرد دست یافت که مدلهایِ عمومیِ میلیاردی از آن عاجزند.
پرسشِ بیپاسخ این است: آیا این «پیروزیِ تخصص» بر «عمومی» میتواند «مسیرِ توسعهیِ هوش مصنوعی» را تغییر دهد؟ و آیا غولهایِ عمومی مانند OpenAI و Google، برای عقبنماندن از «مدلهایِ تخصصیِ علمی»، مجبور خواهند شد «معماریِ خود» را بازنویسی کنند؟
یک چیز قطعی است: پانشی ۲.۰ با ۸۰۰ هزار دادهیِ علمی، ۸۰۰۰ ابزارِ تخصصی و عملکردی بهتر از Gemini-3.1-pro و GPT-5.5، «دکمهی شروعِ» یک «عصرِ جدید» را در هوشِ مصنوعیِ علمی فشار داده است. عصرِ «هوشِ علمیِ هدفمند». و در این عصر، برنده کسی نیست که «بزرگترینِ مدلِ عمومی» را داشته باشد، بلکه کسی است که «بهترینِ مدلِ تخصصیِ علمی» را برای هر رشته ارائه دهد. سؤال این نیست که آیا «تخصص» میتواند بر «عمومی» چیره شود – که چیره شده است. سؤال این است که «مدلهایِ عمومی» چه پاسخی برای این «شکستِ تاریخی» خواهند داشت.
۲ پاسخ به “«پانشی ۲.۰» و «معماریِ علممحور»: وقتی «هوشِ عمومی» با «تخصصِ علمی» در یک «مغز» آشتی میکنند”
خیلی خفن بود
پشمام چقدر خوب بود