Прощание с вычислительной мощностью: переосмысление оценки стоимости AI for Science на примере "GrainBot" из Гонконгского университета науки и технологий

В 2026 году гонка искусственного интеллекта в Гонконге демонстрирует тенденцию «высокой плотности взрыва». Если в прошлом месяце план субсидирования вычислительных мощностей на сумму 3 миллиарда гонконгских долларов, упомянутый в бюджете, был мощным стимулом для отрасли, то недавние крупные научные прорывы и высокотехнологичные отраслевые диалоги свидетельствуют о том, что развитие AI в Гонконге быстро переходит от этапа «строительства инфраструктуры» к «применению и внедрению» в глубокие области.

Вчера (3 марта), когда большинство аналитиков сосредоточили внимание на инфляции вычислительных мощностей новейших GPU от NVIDIA или на очередной сверхгромоздкой универсальной модели от OpenAI, команда под руководством профессора Го Юйке (Prof. Guo Yike), первого заместителя ректора HKUST, совершила важнейший научный прорыв — создание GrainBot.

Это не просто новый набор инструментов для искусственного интеллекта, а яркий пример того, как концепция «AI для науки» (AI4S) переходит от идеи к промышленной реализации. Как наблюдатель, давно интересующийся квантовыми технологиями и Deep Tech, я считаю, что появление GrainBot означает, что фокус развития AI в Гонконге смещается с «универсальных чат-ботов» на «вертикальные открытия». Для финансовых специалистов понимание логики, лежащей за GrainBot, — это ключ к тому, где находится альфа-инвестиционный потенциал в области жестких технологий в ближайшие пять лет.

(Источник изображения: analyticalscience.wiley.com)

Чтобы понять ценность GrainBot, необходимо сначала разобраться с «болевыми точками» материаловедения.

На верхнем уровне производства полупроводников, новых энергетических батарей, солнечных панелей и других высокотехнологичных изделий, свойства материалов зачастую определяют судьбу конечного продукта. А свойства — проводимость, прочность, коррозионная стойкость — в значительной степени зависят от микроструктуры, то есть от размера, формы и распределения «кристаллитов» (Grains). На протяжении долгого времени материалы ученые выступали в роли мастеров с лупами: они использовали сканирующую электронную микроскопию (SEM) или атомно-силовую микроскопию (AFM), чтобы делать тысячи снимков, а затем — вручную — идентифицировать, обрисовывать и маркировать границы каждого кристаллита. Этот процесс был крайне низкоэффективным и подверженным субъективным ошибкам.

Появление GrainBot по сути — это установка «автоматического мозга уровня L4» в микроскоп.

По последним данным, опубликованным в журнале «Matter» — ведущем издания под эгидой Cell Press, — GrainBot использует передовые методы компьютерного зрения (CV) и глубокого обучения, чтобы автоматически выполнять сегментацию изображений, извлечение признаков и количественный анализ. Он больше не требует вмешательства человека: точно определяет границы кристаллитов и вычисляет такие сложные геометрические параметры, как площадь поверхности, геометрия трещин и объем неровностей.

Что еще важнее, GrainBot — это не просто «счетчик». Он обладает возможностями корреляционного анализа, позволяющими напрямую связывать микроструктурные данные с макроскопическими свойствами материалов. В экспериментах с перовскитными тонкопленочными солнечными элементами — материалом, считающимся ключевым для следующего поколения высокоэффективных солнечных батарей — GrainBot создал базу данных с тысячами аннотированных кристаллитов, выявив ранее трудноуловимые связи между структурой и характеристиками. На презентации профессор Го Юйке отметил: «По мере автоматизации научных рабочих процессов и увеличения объема данных такие инструменты станут движущей силой будущих ‘самостоятельных лабораторий’».

Для финансового капитала появление таких решений, как GrainBot, означает необходимость пересмотра моделей оценки стоимости AI-проектов. За последние два года (2024–2025) рынок сосредоточился на «универсальных больших моделях» и SaaS-решениях для приложений. Их оценка базировалась на метриках MAU (месячная активность пользователей), ARR (годовая повторяющаяся выручка) и расходе токенов. Однако по мере убывания предельной эффективности универсальных моделей капитал ищет новые точки роста. AI for Science (AI4S) предлагает совершенно другую логику: его ценность — не в количестве обслуживаемых пользователей, а в сокращении сроков R&D и открытии новых материалов.

Например, если GrainBot сможет сократить цикл разработки солнечных элементов на основе перовскита с трех лет до шести месяцев или помочь компании CATL найти новый катод с повышенной на 10% плотностью энергии, экономический эффект будет экспоненциальным.

Это — логика «промышленных интеллектуальных прав» (IP). В будущем AI-единороги, возможно, перестанут быть компаниями, создающими чат-ботов, и станут теми, кто владеет уникальными данными и алгоритмами в конкретных вертикалях (материалы, биомедицина, химия), способными массово производить патентные технологии — так называемыми «цифровыми лабораториями».

В такой парадигме преимущества гонконгских университетов значительно усиливаются. В отличие от Кремниевой долины, где доминируют софтверные инженеры, в Гонконге сосредоточено огромное количество экспертов в области материаловедения, химии и биомедицины. Этот прорыв HKUST — результат глубокой междисциплинарной работы команд компьютерных наук (Го Юйке) и химической инженерии (проф. Чжоу Юаньюань). Такой «AI + Domain Knowledge» союз — это барьер, который трудно воспроизвести чисто интернет-компаниям.

GrainBot — не единственный пример. Если поднять взгляд выше, становится очевидным, что Гонконг строит новую научно-исследовательскую парадигму на базе «самостоятельных лабораторий». Такие лаборатории используют робототехнику и AI для автоматизации всего цикла: от проектирования экспериментов и их выполнения до анализа данных и итеративной оптимизации. В этом замкнутом цикле AI (например, GrainBot) занимается «наблюдением» и «мышлением», а роботы — «действием». Эта тенденция имеет глубокое значение для трансформации экономики Гонконга. Долгие годы он рассматривался как финансовый центр и торговый порт, но в области жестких технологий считался «недоразвитым». Однако с приходом эпохи AI4S форма R&D меняется — она становится более цифровой и интеллектуальной. Гонконг не нуждается в огромных земельных ресурсах для строительства заводов, достаточно эффективно использовать свою вычислительную инфраструктуру и передовые научные умы, чтобы стать глобальным центром «разработки новых материалов и рецептур».

Представьте себе, что будущий научный парк Гонконга — это не только офисные здания, но и сотни или даже тысячи «беспилотных лабораторий», работающих 24/7. Они непрерывно собирают данные, анализируют их с помощью GrainBot и подобных инструментов, автоматически корректируют параметры экспериментов и в итоге создают высокоценные патентные формулы. Эти формулы можно лицензировать для массового производства в промышленности Большого залива. Вот так реализуется модель «Гонконг — R&D, Большой залив — производство» версии 2.0.

Конечно, как рациональный наблюдатель, мы не можем игнорировать существующие проблемы и риски.

Главный барьер AI for Science — это данные. В отличие от огромных объемов интернет-текста, использованных для обучения ChatGPT, высококачественные научные данные (например, идеально аннотированные микроскопические изображения) крайне редки. Успех GrainBot обусловлен тем, что команда вложила много усилий в создание начального высококачественного датасета. Кроме того, эффект «островов данных» в науке еще более выражен, чем в интернете: данные каждой компании или лаборатории — это их секреты. Создание безопасных механизмов обмена данными (возможно, с использованием Web3 или технологий приватных вычислений) — ключ к тому, чтобы AI мог «учиться у всех» и стать полноценным инструментом для коммерциализации.

Весной 2026 года, стоя на кампусе HKUST и глядя на залив Циншуйвань, мы видим не только пейзаж, но и смену научной парадигмы.

Появление GrainBot — это символ гармоничного сочетания «хакерского духа» (быстрые итерации, алгоритмическое управление) и «ремесленного духа» (тонкое наблюдение, материализация). Для инвесторов важнее сейчас понять, кто сможет решить конкретные физические задачи с помощью AI, а не просто обладать самыми мощными видеокартами NVIDIA.

На этом новом пути Гонконг уже сделал хороший старт. GrainBot — лишь начало. За пределами микроскопа развивается рынок AI-открытий в области материалов на триллионные суммы, и он постепенно раскрывается.