6 月的 12 天内，青岛先后出现两套差异极大的海洋 AI 系统。6 月 6 日发布的 LangYa 2.0 预测台风、风暴潮、海冰等物理现象；6 月 18 日推出的 BlueOmniBreed 1.0，则试图把鱼、虾、贝、海参和藻类的基因、性状与育种决策连接起来。[2][4] 四个月前，在更南面的中国科学院南海海洋研究所，面向文献检索与研究报告汇编的多智能体工具 SciAssistant 已经开源。[6][7]
截至 2026-07-14 UTC，值得关注的信号落在分化上，远比一个包揽一切的“海洋大模型”概念更具体。海洋 AI 正沿着不同的工作交接环节拆分成专业工具：把观测转为预报，把生物数据转为育种假设，再把分散的论文整理成可核查的研究简报。这些交接环节共享相近的政策与基础设施环境，衡量成绩时却要使用各自的标尺。较低的预报误差、值得继续验证的候选基因和引文充分的文献综述，代表三种不同的成果，也对应三种不同的失败方式。
这一区分，让中国信息通信研究院 2026 年 5 月《人工智能赋能海洋产业研究报告》描述的广阔图景更加清楚。报告梳理了中国日益丰富的垂直模型，应用覆盖环境预报、渔业、港口、海洋生物医药、教育和航运。报告同时指出，工具链刚从彼此孤立的研究原型走向早期集成平台，许多部署仍按具体项目定制。[1] 本文讨论的三套系统，显示了这场平台化转向在实际工作中的样子，也说明“垂直”的含义必须超出给聊天机器人添加海洋词汇。
LangYa 把状态变量转化为灾害预报工具
第一代 LangYa 从一项范围明确的物理任务起步。其 2024 年研究论文介绍了一套全球预报模型：训练数据来自 1993 至 2019 年共 27 年的 GLORYS12 海洋再分析资料，测试数据则取自 2020—2021 年。在 1/12 度空间分辨率下，同一个模型预测 32 个深度层的温度、盐度和海流，预报时效覆盖一至七天。论文披露的训练过程使用 16 块 Nvidia A800 GPU，持续 14 天。[3]
这些细节勾勒出可见的评估范围。LangYa 1.0 的任务区别于回答海洋问题的语言模型，它把网格化海洋演变视为一个由海洋场和大气场共同约束的预报问题。论文比较了模型相对于再分析资料、观测数据、其他 AI 系统及数值预报的误差，同时承认一个重要的部署限制：训练和测试依赖再分析数据，其数据链条与使用实时数值同化的业务中心存在差异。输入系统一旦改变，性能也会随之变化。[3]
LangYa 2.0 改变了产品范围。6 月的版本新增六个专用模型，分别面向台风、降水、风暴潮、内孤立波、中尺度涡和海冰。公开介绍显示，其风暴潮系统覆盖 400 多个验潮站；内波模型可推演未来 30 天的演变，并提供未来七天的单点查询；北极海冰模型以 三公里分辨率运行，预报时效超过一个月。[2]
这一步把状态变量预报进一步包装为人们能够识别并据以行动的事件预报。新华社另一篇报道提到，LangYa 1.0 已部署到中国国家海洋环境预报中心，开展实际应用测试。[8] 此处需要留意的措辞是测试。发布页面给出了覆盖范围与用途，六个 2.0 模块仍缺少一张共同的评估表。由此，生产应用层面的主张需要逐类事件拿出证据，包括台风快速增强与路径突变时的表现、各验潮站的风暴潮误差、通航边缘的海冰校准、新观测抵达后的延迟，以及大气—海洋状态离开训练分布时的不确定性。预报只有同时带上决策边界，才能成为有用的工具。
BlueOmniBreed 把生物关系转化为育种候选项
BlueOmniBreed 面对的是另一种海洋。它的工作对象从网格化水柱转向生物种群，有用性状随时间在基因、环境和养殖管理的共同作用下显现。中国海洋大学的发布消息称，平台以生物基础模型 OmniG 为核心，用于分析基因功能与多效性，即一个基因或突变影响多个性状的现象。整个系统把蛋白质语言模型、多组学分析、进化信息和统计遗传学结合起来，再加入物种专用模型与一套育种工具链。[4][5]
模型之外，参与机构的组合也很醒目。BlueOmniBreed 由青岛蓝色种业研究院与中国海洋大学多家科研单位共同研发。发布时，研究院与 十家企业就数据、育种技术、成果转化和产业应用签署了合作协议。[4] 预期中的交接路径由此十分明确：系统要从实验室分析走向育种基地与生产线。
育种工具的验证标准与文本基准完全不同。模型可以标记一个基因、预测复杂性状，或把某种信号迁移到其他物种；真正影响育种决策的证据要更晚才会出现，依次经过湿实验、表型测定、杂交、存活率、生长速度、抗病性，以及真实生产环境中的表现。鱼、虾和藻类即便进入同一平台，仍然保有各自的生物差异。跨物种迁移提出了关于生物泛化能力的假设，证据仍须另行建立。
本文引用的公开发布材料介绍了系统架构与预期用途，尚未提供 OmniG 的模型卡、训练语料审计、外部基准测试或经过校准的置信度研究。[4][5] 平台现阶段的证据等级由此变得清楚：这是一次有明确技术论点、科研机构与产业伙伴参与的正式发布，能够让外界判断哪些预测经得起生物验证的可复现结果仍待公布。比起宣称“AI 育种家”找到了更优动物，未来最有说服力的案例应当从模型输出开始，沿着实验、育种周期和现场结果逐步追踪候选项，并把验证失败的候选项一并记录下来。
SciAssistant 把文献转化为研究工作台
SciAssistant 位于前两套系统的更上游。中国科学院南海海洋研究所于 2 月 4 日将它开源；这套科研助手基于盘古的深度搜索框架开发。研究所的介绍显示，规划智能体、信息搜索智能体与写作智能体可以调用学术搜索服务和本地文档，生成条理分明的长篇综述。首版的范围也划分得很清楚：当前重点是文献综述，自动数据分析与科学编程列入未来方向。[6]
代码仓库让这套流程更加具体。仓库公开了 Planner–Information Seeker–Writer 的分工、本地文档处理、通过 MCP 连接的搜索、Markdown 与 PDF 输出，以及可供安装和检查的 Apache 2.0 代码库。[7] 研究所称，模型层经由 OpenAI 兼容 API 访问，也可以替换，这一设计在战略上很重要。设计重心放在模型外部的研究流程，单一且无法替换的模型检查点退到次要位置。[6]
在这里，“准确性”又有另一套含义。文献智能体需要接受多方面测试，包括来源召回率、来源质量、引文忠实度、去重能力、对相互矛盾论文的忠实处理，以及检索路径的可复现性。一份行文精致的万字报告，依然会遗漏一项决定性的负面结果，或把引文附在原论文从未提出的主张之后。开放代码便于追查这些失误，却不会让它们自动消失。SciAssistant 最可信的用法，是降低文献综述中机械劳动的成本，同时把文献判断留给科学家。
同一生态，三套验证契约
三套系统的共同点，是把专业化一路延伸到科研工作中最后一段真正有用的环节。LangYa 更接近预警席位，BlueOmniBreed 更接近育种决策，SciAssistant 更接近科学家的证据文件夹。三者均超出海洋主题聊天界面的范围，可信度也无法彼此转借。
以下三项检验，可以显示这套海洋 AI 工具体系正在走向成熟：
- 物理预报的业务证据。 LangYa 一类系统应当发布按事件类型分层的回报试验、实时试验、不确定性分析，以及与预报人员现有数值系统的对比。
- 可追溯的生物验证。 BlueOmniBreed 一类平台应当把模型版本和训练数据一路连接到候选项筛选、实验、多环境试验与结果，供独立育种人员检查。
- 可复现的证据汇编。 SciAssistant 一类智能体应当保存查询语句、检索记录、排除项、引文范围和人工修订，让报告经得起审计，超出仅供赞叹的成品展示。
证伪条件很直接。如果海洋 AI 仍是一连串发布活动，预报无法重放，生物预测无法追踪到试验，研究报告也无法复现自身的证据链，那么“垂直平台”会停留在品牌用语层面，尚未成为基础设施。若这些记录公开发布并成为常态，中国建成的将比单一海洋基础模型更有意思：一组清楚自身可以声称覆盖哪一段科研工作的专业工具。
来源
- 中国信息通信研究院，《人工智能赋能海洋产业研究报告（2026）》——产业图谱、垂直模型版图、工具链成熟度与部署限制。
- 中国科学院，“全球海洋现象智能预报大模型‘琅琊’2.0 发布”（2026 年 6 月 8 日）——官方发布范围、六个垂直模型、预报时效与应用主张。
- Nan Yang 等，“LangYa: Revolutionizing Cross-Spatiotemporal Ocean Forecasting”，arXiv:2412.18097——训练数据、架构、评估设置、算力披露，以及从再分析资料转向业务运行时的限制。
- 中国海洋大学与青岛蓝色种业研究院，“BlueOmniBreed 海洋种业大模型平台在青岛发布”（2026 年 6 月 20 日）——机构发布、模型范围、物种覆盖与产业合作。
- Zhao Ruixue 与 Hu Qing，“Latest AI wizardry unravels genetics in aquaculture”，China Daily（2026 年 6 月 22 日）——OmniG 介绍、多组学框架、预期的育种交接环节，以及发布现场的纪实照片。
- 中国科学院南海海洋研究所，“SciAssistant 科研工作助手智能体软件项目开源”（2026 年 2 月 4 日）——官方架构、当前文献综述范围、模型接口与后续扩展计划。
- 中国科学院南海海洋研究所，
scsio-marinebio/SciAssistantGitHub 仓库——源代码、智能体角色、检索与文档功能、安装方式及 Apache 2.0 许可证。 - 中国科学院与新华社，“AI 预报台风和海冰：海洋大模型‘琅琊’2.0 发布”（2026 年 6 月 8 日）——应用测试状态，以及本文题图所用研究团队纪实照片，摄影：Zhang Yiyi/新华社。