方波碱基对：把 DNA 变成三条 ±1 方波，让碱基计算不再需要乘法
发布日期: 2026-07-23 作者: DiVo Gen²AI 研发团队
一句话概要
DiVo Gen²AI 提出并验证了一种 DNA 方波编码：把四种碱基投影为三条 ±1 方波序列，使碱基层面的矩阵乘法被 XNOR+POPCOUNT（同或+位计数）完全替代。在六个酵母表观遗传任务上，全 1-bit 化的 Transformer 与 FP32 基线的平均精度差仅 0.0018 AUC——推理链路上不再有一次矩阵乘法，代价不到千分之二。
为什么要在意"乘法"？
基因组基础模型（DNABERT、Nucleotide Transformer、Evo）的账单很吓人：最大的几个，训练成本在百万美元量级，推理全程 FP32 浮点。
与此同时，LLM 世界正在发生一场静悄悄的革命：BitNet 证明了 1-bit 权重可以达到 FP16 同级精度，100B 模型已经能在单颗 CPU 上跑到人类阅读速度。一个自然的问题是：基因组模型能不能也 1-bit 化？
我们的回答是：能，但要从编码层开始重新设计。LLM 的 1-bit 化只动了权重，而基因组模型的输入——one-hot 嵌入——本身就是一套浮点装置。要彻底消灭矩阵乘法，得先让碱基本身变成可以位运算的信号。
核心想法：三条正交方波
DNA 的四种碱基，化学上天然有三种"二态分类"方式：嘌呤还是嘧啶、强氢键还是弱氢键、酮基还是氨基。把每种分类映射为 +1/−1，每个碱基就变成了三个 ±1 值，一条 DNA 序列就变成了三条 ±1 方波。
这个编码有两个漂亮的性质：
- 信息完整：任意两条通道就能唯一确定碱基，第三条通道白送——可以用作校验位，或者留给甲基化等表观遗传标记扩展
- 乘法消失：±1 序列的内积，硬件上就是 XNOR 门加 popcount 计数器——没有乘法器，没有浮点，而且是整数精确的，不是近似
更妙的是，生物信息学里教科书级的简并碱基符号（R 表示"嘌呤之一"、N 表示"任意"）在这个编码里天然有位置：只投影到确定的通道上，其余置零。真实世界的脏数据不需要额外处理。
验证到了什么程度？
我们不是写一个想法就完事。过去两天，这个编码经历了从单元测试到端到端训练的全链路验证：
| 验证层 | 结果 |
|---|---|
| 编码/解码/位打包正确性 | 22 项单元测试全绿，XNOR+popcount 与 FP32 内积整数级精确相等 |
| 下游任务信息保留 | 经典剪接位点基准上与 one-hot 无实质差异（ΔAUC ≤ 0.002） |
| 1-bit Transformer 端到端 | 六个酵母表观遗传任务四臂消融：全 1-bit 推理（权重±1 + 二值注意力）平均精度差 −0.0018 AUC，最差单任务 −0.0061 |
| 通用 CPU 实测锚点 | 32× 内存压缩，带宽受限区间墙钟加速 7.56× |
值得一提的一个细节：在部分任务上，1-bit 模型的精度反超了 FP32 基线——量化带来的正则化效应，和 BitNet 论文里观察到的现象一致。
我们也诚实地报告了一个阴性结果：团队曾设想用 Walsh-Hadamard 变换（WHT）做"零乘法频谱分析"，实验证明此路不通——WHT 的基函数与密码子的三周期性存在结构性失配，检测能力约等于抛硬币。WHT 的正确战场在别处（稀疏相互作用景观），我们已把工具边界写成定论，避免后来者重蹈覆辙。
这跟我们的芯片有什么关系？
这条编码从第一天就是面向硬件友好性设计的：±1 方波的所有核心运算都落在位运算的范围内，适合做成专用数据通路。相关的芯片实现工作正在 DiVo Gen²AI 的硬件线上推进，细节另行披露。
克制声明
以上结果来自证明性规模（百万参数级模型、公开基准）的消融实验，效应方向一致但幅度在小样本噪声范围内；规模化验证在路线图中。完整技术细节、全部实验数据与复现脚本将随论文公开——在那之前，本文有意省略了若干实现细节。
DiVo Gen²AI · 让每一次计算都有化学意义