編按:本文綜合整理自 Meta AI Blog、Berkeley Lab News Center、Argonne National Laboratory,並加入 Siami 編輯部觀點與分析。美國能源部(Department of Energy, DOE)旗下勞倫斯柏克萊國家實驗室(Lawrence Berkeley National Laboratory)所主導的 SYNAPS-I 計畫,正式成為「創世任務」(Genesis Mission)的旗艦項目之一。整條影像分析管線的核心,是 Meta 開源釋出的兩個視覺基礎模型——**Segment Anything Model 3(SAM 3)**與 DINOv3。兩者聯手,把 DOE 旗下同步加速器光源(ALS)等國家設施每年產出的數十 PB 級科學影像,從過去動輒需要數週人工標註的工作量,壓縮到約 15 分鐘就能拿到完整的三維語意分割結果。
創世任務與 SYNAPS-I 計畫「創世任務」是美國政府推動的旗艦型 AI 科學倡議,由 DOE 主導,目標是透過先進人工智慧把國家實驗室的科研能量串接起來。SYNAPS-I(SYnergistic Neutron And Photon Science – Intelligence)是其中一項旗艦計畫,由柏克萊國家實驗室領頭,與阿貢(Argonne)、布魯克哈文(Brookhaven)、橡樹嶺(Oak Ridge)、SLAC 等四座國家實驗室共同合作。整套系統部署在國家能源研究科學計算中心(NERSC)等超算資源上,橫跨五座國家實驗室整合資料流與模型調用。計畫之所以急迫,是因為 DOE 的光源與中子源設施近年因偵測器升級,影像產出速率從過去每 6 秒一張,躍升到每秒 10 萬張。傳統人工標註完全跟不上節奏,光是「畫出影像中每個結構的精準邊界」這件事,就已經讓既有的領域專家不堪負荷。
為什麼這件事重要這不只是 Meta 替科學界「做公益」那麼單純。DOE 國家實驗室每年處理的科學影像量,已經從「研究瓶頸」升級成「資料災難」——每年產生數十 PB 級資料,相當於 200 萬小時的 HD 影片串流。過去靠博士生與博士後手工標註的時代正式結束,整個科研界的影像分析流程必須全面自動化。
Siami 編輯部認為這篇報導真正的訊號是:「開源視覺基礎模型」已經從消費級影像編輯(修圖、去背)、自駕車,進一步切入到國家級科研基礎建設。Meta 把 SAM 3 與 DINOv3 開源釋出,刻意走的是「讓頂尖科研機構自己微調、自己部署」的路線——這與 Anthropic、OpenAI 把最先進模型鎖在 API 後方的策略形成鮮明對比。短期看是科學加速,長期看是 Meta 在 AI 領域的「影響力佈局」:當國家實驗室的下一代科研人員都習慣用 SAM/DINO 工作流程,未來的論文、工具鏈、人才培訓都會向 Meta 開源生態靠攏。
SAM 3 與 DINOv3 的分工兩個模型在管線中扮演互補角色:
- SAM 3(Segment Anything Model 3):負責精準的「像素級邊界分割」,針對影像中的微觀結構畫出輪廓。在 SYNAPS-I 應用中,可以把葡萄莖橫切面的「水合木質部導管」與「乾燥組織」用不同顏色清楚區分開。
- DINOv3:負責「全域語意理解」,辨識每個結構在樣本中的位置與分類。這是 Meta 在 2025 年 8 月推出的視覺自監督學習新版本,主打零樣本分類、分割、檢索與深度估測。兩者結合後,先用 DINOv3 找出「這裡有什麼東西」,再用 SAM 3 把它的邊界精準畫出來。最後由 SYNAPS-I 團隊把模型微調到科學影像資料上,部署到 300 張 NVIDIA A100 GPU 上平行運算。從實驗站即時採集影像,到研究人員拿到完整的三維語意標註體積,整個過程只要 15 分鐘。
數據解讀與質疑
SYNAPS-I 對外公布的關鍵數字有三組:
- 資料量:每年「數十 PB」級科學影像——以 ALS 為例,現代偵測器每秒 10 萬張影像,全年不停機。
- 算力規模:300 張 A100 GPU 平行部署於 NERSC 超算中心。
- 回應時間:完整三維語意分割,約 15 分鐘完成——過去這項工作可能耗上數週。值得追問的是:15 分鐘的數字是「從採集到完整 3D 體積重建」端到端,還是「單次 2D 影像分割」?如果是端到端,那真的代表把過去以「月」為單位的工作量壓縮到「刻」為單位;如果是單次分割,則還要疊加資料傳輸、預處理、後處理等環節。另一個值得關注的點是:這套系統是否真的對所有科學影像都通用?目前公開的案例集中在微觀 X 光斷層掃描(Micro-CT),例如葡萄莖的抗旱性研究。對生物醫學影像、晶體繞射圖譜、地震波形這類完全不同特性的資料,SYNAPS-I 還沒有公開 benchmark。
整體而言,這是 Meta 開源視覺模型第一次正式進入「國家級科研基礎建設」層級的應用,也是 DOE 創世任務第一波可驗證的成果。
應用場景:葡萄莖抗旱研究
SYNAPS-I 團隊公開的第一個完整案例是葡萄藤的抗旱性研究。研究人員透過微米級 X 光斷層掃描(Micro-CT)拍攝葡萄莖的內部結構,再交由 SAM 3 + DINOv3 管線處理。最終輸出的彩色標註圖中:
- 青色:水合的木質部導管(xylem vessels)——負責從根部向上輸送水分。
- 深紫色:乾燥的導管組織——在乾旱壓力下失去功能的區域。研究人員可以即時觀察乾旱處理前後「哪些導管失去功能」、「失水從哪個位置開始蔓延」,這對抗旱品種選育至關重要。這種「實驗進行中、模型即時給答案」的工作流程,正是 SYNAPS-I 想要建立的全新科研範式:研究人員站在實驗站邊,邊做實驗邊拿到 AI 給的答案,而不是等三個月才看到博士後跑出來的標註圖。
相關資源與後續發展這套系統的開源生態與延伸資源包括:
- SAM 3 官方介紹:Segment Anything Model 3 研究頁
- DINOv3 官方介紹:Meta AI Research DINOv3
- 開源程式碼:facebookresearch/dinov3 GitHub
- DOE 創世任務官方頁:Energy.gov Genesis Mission
- Berkeley Lab 計畫頁:newscenter.lbl.gov – Machine Learning Pipeline
這次合作也意味著 Meta 的開源視覺生態從「AI 開發者社群」正式進軍「國家級科研基礎建設」。未來若 DOE 將這套框架擴展到更多國家實驗室、更多類型的科學影像(例如天文觀測、粒子物理、材料科學),將進一步驗證開源視覺基礎模型在專業領域的通用性。
Siami 編輯部點評:這是 2026 年下半年 AI 領域最值得關注的「跨域整合」案例之一。開源視覺模型 + 超算資源 + 國家實驗室的三方協作,開啟了「AI for Science」的新一波基礎建設浪潮。
編按:本文綜合整理自 Meta AI Blog、Berkeley Lab News Center、Argonne National Laboratory、DOE Energy 官方公告,並加入 Siami 編輯部觀點與分析。Siami 立場:第三方報導視角客觀陳述事實,並補充延伸脈絡與產業觀察,立場獨立於任何報導對象。