資料量先爆掉，人才跟不上
美國能源部（DOE）旗下的光源與中子源設施，現在每年產出數十 PB 的資料。Meta AI Blog 在 2026 年 7 月 21 日的文章裡給了一個對照：升級後的偵測器從每六秒一張影像，變成每秒 100,000 張。傳統的人工分析方式已經追不上這個速度。
更麻煩的是人。領域專家本來就少，而 in-situ 實驗——科學家在化學反應或材料失效發生的當下就要判讀——要求的是即時解讀，不是事後補做。
這裡卡住的核心任務是 segmentation：把一張灰階 X 光影像，變成標好邊界、可以量化比較的結構圖，例如細胞壁、礦物顆粒、半導體層。根據 Meta AI Blog 的描述，過去從實驗資料裡萃取出有意義的結構，一個資料集可能要吃掉專家數週的時間。
SYNAPS-I 的管線：兩個模型分工
Genesis Mission 是白宮在 2025 年底啟動、由 DOE 主導的國家級計畫。SYNAPS-I 是其中一個旗艦專案，由 Berkeley Lab 帶領，與 Argonne、Brookhaven、Oak Ridge、SLAC 合作，目標是把 X 光與中子科學的資料分析，從數個月的瓶頸變成即時發現引擎。
管線的核心是 Meta 釋出的兩個開源基礎模型：SAM 3 與 DINOv3。
- DINOv3 是自監督視覺模型，不需要人工先標註就能從原始影像學到視覺模式，擅長判斷影像裡有什麼結構、在哪裡。
- SAM 3 接手，把個別物件的邊界精確畫出來。
兩者互補：SAM 給出像素級邊界，DINO 提供全域脈絡，判斷每個結構在樣本中的位置。SYNAPS-I 團隊用 DOE beamline 收集的科學影像微調這兩個模型，再部署到國家超級電腦設施（例如 NERSC）的 300 張 A100 GPU 上。
結果是：科學家人還站在 beamline 儀器前，就能拿到一份完整重建、語意標註好的 3D volume。Meta AI Blog 寫的總週轉時間約 15 分鐘。
為什麼這件事只能靠開源模型
國家實驗室在研究發表前，資料與 AI 模型必須留在政府基礎設施上，不能放到外部雲端服務。這代表團隊要能把模型下載下來、在自己的安全環境裡微調與部署。
Meta 的開源做法讓這件事成立：SYNAPS-I 可以把原本在自然影像上訓練的 SAM 與 DINO，改造成從來沒被設計過的科學領域用途。這跟把視覺模型塞進輪椅的 RAMMP 專案 是同一個問題的不同版本——模型能不能離開原廠環境、在別人的算力與資料邊界內被改造。
葡萄藤的例子，以及還沒解決的部分
團隊用 Advanced Light Source 的 micro-CT 掃描，重建葡萄藤莖的 3D volume，自動辨識 xylem vessels（植物體內輸水的微管），追蹤乾旱進展下這些管子的變化。原本每個時間點要花一個月專家標註，現在 15 分鐘。
值得注意的界線：這是團隊在特定農業題目上的示範，不是通用保證。SYNAPS-I 目前有橫跨五個國家實驗室的 60 位研究人員，願景是讓設施變成「智慧發現平台」——AI 不只加快處理，還能協助產生假設、建議下一個實驗、跨設施轉移知識。
對產品開發者來說，可帶走的訊號不是「AI 很強」，而是這個組合：一個自監督模型負責理解、一個分割模型負責邊界、在自己的基礎設施上微調、把延遲壓到實驗進行中就能回饋。如果你的產品也卡在專家標註跟不上資料產生速度，這個分工方式比換更大的模型更值得先試。
參考來源
本文由 AI 協助自上述來源整理，經人工審核後發布。