微观空间智能：AI如何看懂分子世界？首个分子视觉语言模型基准发布

作者：论文团队 | 编辑：ScienceAI

在通往通用人工智能（AGI）的道路上，空间智能是至关重要的能力——它让智能系统能够感知、理解并与物理世界互动。尽管当前的视觉语言模型（VLM）在宏观图像识别上已展现出令人印象深刻的潜力，但研究表明，当面对三维空间关系、精确距离估算或视角转换等复杂任务时，它们仍显得力不从心。

如果说宏观世界的空间推理是VLM尚未攻克的“高地”，那么由原子和分子构成的微观世界，则是一片几乎未被探索的“盲区”。在药物研发、结构生物学和材料科学的前沿领域，科学家们每天都需要借助PyMOL、ChimeraX等专业工具，将微观实体可视化，在脑海中将二维投影重建为三维结构，并推断出氢键、π-π堆叠等复杂的物理相互作用。

如今，一支来自中国人民大学、清华大学、北京大学、中科院自动化所及阿里巴巴达摩院的联合研究团队，将这种感知与推理微观实体空间关系的能力，正式定义为微观空间智能（Microscopic Spatial Intelligence, MiSI）。为了系统评估VLM在这一全新领域的真实水平，他们发布了MiSI-Bench——这是全球首个专门针对微观空间智能的系统性基准测试。

该基准包含了16.3万个问答对和近59万张高分辨率分子图像，覆盖了从基础空间变换到复杂关系识别的九大类任务，旨在全面挖掘VLM解决微观科学问题的潜力。论文第一作者为李宗钊，通讯作者为中国人民大学高瓴人工智能学院的黄文炳副教授。

论文与数据集

• 论文标题：From Macro to Micro: Benchmarking Microscopic Spatial Intelligence on Molecules via Vision-Language Models
• 论文地址：https://arxiv.org/pdf/2512.10867
• 数据集地址：https://huggingface.co/datasets/zongzhao/MiSI-bench

一、 微观空间智能（MiSI）：连接视觉与分子世界的桥梁

微观空间智能，即感知并推理“不可见”的原子、分子等微观实体空间关系的能力。它是人类在结构生物学、药物发现等领域进行科学探索的认知基础。

1. 从3D坐标到多视角图像

与传统AI制药模型直接处理笛卡尔坐标不同，MiSI提供了一个更贴近人类专家工作流的视角：通过多视角的二维图像来解析三维分子结构。这不仅是适应VLM处理2D图像的需求，更是模拟了科学家利用专业软件将复杂3D实体渲染为二维正交投影的日常。这些2D图像，成为了连接微观物理世界与AI视觉感知的关键桥梁。

2. 微观推理的三大核心挑战

• 不可见性：微观实体无法肉眼观察，必须通过特定算法渲染成图像。模型需要具备从多视角2D图中“脑补”出3D结构的心理模拟能力。
• 物理约束：微观世界的关系遵循严格的物理规则。例如，氢键的形成取决于精确的原子间距和角度，而非简单的视觉邻近。
• 专业门槛：解析分子图像需要深厚的领域知识与空间想象力结合。即使对人类专家而言，想象蛋白质与药物分子如何精准对接，也是一项高难度挑战。

二、 MiSI-Bench：九大任务构建全方位评估体系

为了全面考察VLM的微观空间认知能力，研究团队基于广泛使用的药物设计数据集PDBbind，精心构建了九项互补的任务。

1. 基础单元任务

旨在独立评估模型理解微观3D结构的底层能力：

• T1 平移：推理分子复合物沿X/Y轴移动的方向与距离。
• T2 旋转：判断复合物绕X/Y/Z轴旋转的方向与角度。
• T3 缩放：根据视野变化，推断分子在深度方向（Z轴）的缩放比例。
• T4 残基-配体相互作用：识别特定蛋白质残基与配体间是否存在氢键，并指出具体原子对。

2. 复合推理任务

考察模型处理连续、复杂空间操作的能力：

• T5 平移-旋转复合变换：观察参考分子的变换逻辑，并将其应用到新分子上，选出结果图像。
• T6 旋转-旋转复合变换：推理一组连续旋转操作，并将其二次应用到同一分子上。
• T7 配体对接：模拟真实药物对接过程，推断配体移动到目标位置所需的旋转与平移操作。
• T8 相互作用定位：根据图像定位形成氢键的原子质心，并计算将其移至图像中心所需的平移。
• T9 口袋-配体相互作用：整合多个2D视角，列出蛋白质口袋与配体之间所有的氢键。

3. 高质量数据生成流程

团队开发了一套自动化的三阶段流程来生成高质量数据：

1. 数据收集与清洗：从PDBbind中提取4000多个蛋白质-配体复合物，进行标准化处理。
2. 专业渲染与标注：使用ChimeraX脚本进行可视化渲染，采用标准原子配色（氧红、氮蓝、碳灰），并记录所有关键坐标与氢键信息作为真值标签。
3. 程序化QA合成：为每项任务设计专用模板，将元信息填充其中，生成结构化的问答对。所有图像均保持高分辨率，确保模型能捕捉细微特征。

三、 公平评估：阶梯式测试设计

为了让不同规模的模型与人类专家能在公平条件下对比，团队设计了巧妙的数据划分与评估方案。

数据集规模统计

MiSI-Bench是目前微观空间领域规模最大、任务最全面的基准：

• 总规模：163,514个问答对，587,975张图像，涵盖3,993个PDB复合物。
• 训练集：150,597个问答对（538,015张图像，3,503个复合物）。
• 测试集：12,917个问答对（49,960张图像，490个复合物）。

阶梯式评估策略

考虑到顶级闭源模型调用成本高昂，以及人类专家评估精力有限，团队从完整测试集中为每项任务抽取50个样本，构成了一个精简的 MiSI-Bench (Tiny) 评估集：

• 顶级闭源模型（如GPT-5-mini, Claude Sonnet4.5）与人类专家：在Tiny集上进行评估。
• 开源模型（如Qwen2.5-VL-7B）：在完整训练集上进行监督微调（SFT），并在完整测试集上评估性能。

四、 实验结果深度剖析：人类、大模型与微调模型的三角较量

1. 人类表现：优势与局限并存

在基础的微观空间任务中，人类凭借深厚的生物学知识与空间想象力表现出色。然而，面对复杂性任务时，局限性凸显：

• 认知负荷瓶颈：处理小角度旋转尚可，但在追踪多原子的大尺度连续旋转时，准确性骤降。
• 缩放任务直觉误差：缺乏明确参考点，主要依赖整体直觉判断，导致误差较大。
• 复合任务误差累积：在“平移+旋转”等连续操作中，误差会不断累积，准确率断崖式下跌。
• 最难任务：分子对接（T7）和全口袋氢键识别（T9）最具挑战，需要极强的空间变换与多视角整合能力。

2. 主流VLM表现：宏观强手，微观新手

即便是GPT-5-mini、Claude Sonnet4.5等顶级闭源模型，在微观空间关系处理上仍存在明显短板：

• “距离敏感，旋转不敏”：在平移任务上表现尚可，但在旋转任务上表现不佳，反映出其训练数据以2D图像为主，对3D空间变换理解不足。
• 领域知识严重匮乏：在涉及氢键识别等专业生物学任务中，与人类的差距最大，表明模型缺乏必要的科学先验知识。

3. 微调模型表现：潜力巨大，未来可期

通过在MiSI-Bench上进行监督微调（SFT），模型性能实现了质的飞跃：

• 特定任务超越人类：微调后的模型在所有任务上均大幅领先于未微调的主流VLM。在人类接近随机猜测的复合变换任务（T5, T6）中，模型取得了约90%的惊人准确率，展现了强大的3D空间认知潜力。
• 成功激活空间潜力：研究表明，模型之前的劣势主要源于缺乏对蛋白质等微观结构的“视觉经验”，而非缺乏空间感本身。SFT成功建立了跨领域的特征映射。
• 未来挑战：在依赖深度领域知识（如复杂氢键网络判定）的任务上，模型仍落后于人类专家。如何将结构生物学知识有效注入模型预训练阶段，是未来关键课题。

五、 任务实例展示

六、 总结与展望：迈向科学AGI的关键一步

MiSI-Bench作为首个系统性衡量微观空间智能的基准，清晰地揭示了当前视觉语言模型在理解原子级空间逻辑上的巨大潜力与现存瓶颈。研究表明，经过针对性微调，模型在复杂空间变换任务上已能超越人类表现，这证明了AI在三维空间推理方面的强大可塑性。

然而，在氢键识别等需要深厚科学知识的任务上，模型仍有很长的路要走。这指向了一个明确的未来方向：实现真正的“科学通用人工智能（Scientific AGI）”，不仅需要提升模型的空间模拟能力，更需要在预训练阶段就显式地整合结构生物学、量子化学等领域的专业先验知识，从而打破视觉感知与科学逻辑之间的屏障。

MiSI-Bench的发布，为评估和推动AI在药物设计、材料发现等微观科学领域的应用提供了一个坚实的基准。它不仅是测试工具，更是照亮AI通往分子世界深处的一盏明灯，最终有望为生命科学和材料科学的自动化发现注入核心驱动力。

想获取更多AI最新资讯与智能工具推荐， 欢迎访问 👉 AI Tools Nav ——优质的 AI导航平台 与 AI学习社区

本文来源：机器之心

原文链接：https://www.jiqizhixin.com/articles/f3dd2d68-fbb8-4624-a091-e5e85f3c4005