摘要： DOE 光源偵測器升級後，影像產出從每六秒一張變成每秒 100,000 張，專家標註跟不上資料速度。SYNAPS-I 以微調後的 Meta SAM 3 與 DINOv3，部署到包括 NERSC 在內的 300 張 A100 GPU，約 15 分鐘回傳語意標註的 3D volume。葡萄藤示範把每個時間點的標註從約一個月縮短到 15 分鐘，但這是特定農業題目的示範，不構成通用保證。
先撐不住的是資料量，不是設備
在美國能源部（DOE）管轄的光源與中子源設施裡，一年產出的資料已達數十 PB。Meta AI Blog 在 2026 年 7 月 21 日的文章中給了一組對照數字：偵測器升級後，從每六秒一張影像變成每秒 100,000 張。靠人力逐一分析的老方法，早已追不上這種速度。
人的問題更棘手。領域專家本就稀少，而 in-situ 實驗——化學反應或材料失效正在發生時，科學家就得當場判讀——要的是即時解讀，不是事後補做。
卡住流程的核心任務是 segmentation：把灰階 X 光影像轉成邊界標定完成、能拿來量化比較的結構圖，例如細胞壁、礦物顆粒、半導體層。依 Meta AI Blog 的描述，以往要從實驗資料萃取出有意義的結構，單一資料集常會吃掉專家數週時間。
SYNAPS-I 管線裡，兩個模型如何分工
Genesis Mission 由白宮在 2025 年底發起、DOE 主導，屬國家級計畫；SYNAPS-I 是旗下旗艦專案，由 Berkeley Lab 領軍，合作單位包括 Argonne、Brookhaven、Oak Ridge 與 SLAC，要處理的問題是讓 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。
撐起整條管線的，是兩個由 Meta 開源釋出的基礎模型：SAM 3 與 DINOv3。
- DINOv3 是自監督視覺模型，不需人工先標註就能從原始影像學到視覺模式，強項是判斷影像裡有哪些結構、在哪裡。
- 接著交給 SAM 3，把個別物件的邊界精準畫出來。
兩邊互補、各補對方的缺口：SAM 負責像素級邊界，DINO 負責全域脈絡，用來判斷每個結構在樣本裡的位置。SYNAPS-I 團隊以 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，科學家還站在 beamline 儀器前面，就已經拿到一份重建完整、語意已標註的 3D volume。Meta AI Blog 寫的總週轉時間約 15 分鐘。
會走到開源模型這一步，原因是限制條件
對國家實驗室來說，研究發表之前，資料與 AI 模型都得留在政府自己的基礎設施上，不能放到外部的雲端服務。這代表團隊得把模型下載下來，在自己的安全環境裡微調與部署。
Meta 採取開源，正好讓這件事成立：SYNAPS-I 可以把原本以自然影像訓練的 SAM 與 DINO，改造成設計時從未納入的科學領域用途。這和把視覺模型裝進輪椅的 RAMMP 專案 是同一道問題的不同版本——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。
葡萄藤案例，還有仍未解答的部分
團隊以 Advanced Light Source 的 micro-CT 掃描資料，重建葡萄藤莖的 3D volume，自動辨識 xylem vessels（植物體內輸水的微管），並追蹤這些管子在乾旱進展下的變化。以往每個時間點的標註要花專家一個月，如今只需 15 分鐘。
有一條界線得看清楚：這是團隊針對特定農業題目做的示範，不構成通用保證。SYNAPS-I 目前集結了 60 位研究人員，橫跨五個國家實驗室，願景是讓這些設施成為「智慧發現平台」——AI 除了加快處理，也要能協助提出假設、建議下一個實驗、跨設施轉移知識。
對產品開發者來說，值得帶走的訊號不是「AI 很強」，而是這套組合：一個自監督模型負責理解、一個分割模型負責邊界、在自家基礎設施上微調、把延遲壓縮到實驗還在進行時就能給出回饋。假設你的產品同樣卡在專家標註追不上資料產生速度，這種分工方式會比直接換一個更大的模型更值得先試。