Прощання з силовою обчислювальною потужністю: аналіз переоцінки логіки оцінки AI for Science на основі "GrainBot" з Гонконгського університету науки і технологій

2026 року гонка штучного інтелекту у Гонконзі демонструє тенденцію «високої щільності вибуху». Якщо минулого місяця у бюджеті на 2024–2025 роки було згадано про план субсидій на обчислювальні потужності у розмірі 3 мільярдів гонконгських доларів як сильний поштовх для галузі, то останні кілька днів — з серйозними науковими проривами та високотехнологічними галузевими діалогами — свідчать про те, що AI у Гонконзі швидко переходить від «інфраструктурного закладання» до «застосування у глибоких водах».

Вчора (3 березня), коли більшість аналітиків ще зосереджувалися на інфляції обчислювальної потужності нових GPU NVIDIA або на нових великих універсальних моделях OpenAI, команда під керівництвом професора郭毅可 (Guo Yike), першого віце-президента HKUST, зробила важливий прорив — представила GrainBot.

Це не просто новий інструментарій для штучного інтелекту, а типовий приклад переходу концепції «AI for Science» (AI4S) у промислову реалізацію. Як спостерігач, що давно слідкує за технологіями кількісних наук і Deep Tech, я вважаю, що появи GrainBot ознаменовує зміну фокусу розвитку AI у Гонконзі з «загального спілкування» на «вертикальні відкриття». Для фінансових фахівців розуміння логіки, що стоїть за GrainBot, — це ключ до розуміння альфі у технологічних інвестиціях на найближчі п’ять років.

(Джерело зображення: analyticalscience.wiley.com)

Щоб зрозуміти цінність GrainBot, спершу потрібно розібратися з «болями» матеріалознавства.

У високотехнологічних галузях — наприклад, у напівпровідниках, нових енергетичних батареях, сонячних панелях — характеристики матеріалів визначають долю продукту. Властивості матеріалу — провідність, міцність, корозійна стійкість — значною мірою залежать від його мікроструктури, зокрема розміру, форми та розподілу «кристалітів» (Grains). Вже давно матеріалознавці працюють як майстри з лупами: вони використовують скануючу електронну мікроскопію (SEM) або атомно-силову мікроскопію (AFM), щоб зробити тисячі знімків, а потім — за допомогою аспірантів або дослідників — вручну визначають межі кожного кристаліту, витрачаючи сотні годин. Це дуже повільно і схильне до людських помилок.

З появою GrainBot ця технологія отримала «автоматичний мозок рівня L4», що дозволяє автоматизувати процес.

За даними дослідження, опублікованого у престижному журналі Cell Press «Matter», GrainBot використовує передові алгоритми комп’ютерного зору та глибокого навчання для автоматичного сегментування зображень, витягання ознак і кількісного аналізу. Він здатен без людського втручання точно визначати межі кристалітів і обчислювати їх площу, геометрію борозен, об’єм тощо.

Ще важливіше, що GrainBot — не просто «лічильник». Він має здатність аналізувати кореляції між мікроструктурою та макропараметрами матеріалу. У дослідженнях перовскітових тонкоплівкових сонячних елементів — потенційної «зірки» наступного покоління високоефективних сонячних батарей — GrainBot створив базу даних із тисячами анотованих кристалітів, що дозволило виявити структурно-експлуатаційні залежності, раніше важко піддавалися кількісному аналізу. Професор郭毅可 у своїй презентації сказав дуже передбачливо: «З автоматизацією наукових робочих процесів і зростанням обсягів даних такі інструменти стануть ключовими двигунами майбутніх ‘самостійних лабораторій’».

Для фінансового капіталу появи таких результатів означає, що потрібно переоцінити моделі оцінки AI-проектів. За останні два роки (2024–2025) ринок зосереджувався на «загальних великих моделях» і SaaS-додатках. Їхня оцінка базувалася на MAU (місячна кількість активних користувачів), ARR (річний регулярний дохід) і споживанні токенів. Однак із зменшенням доданої вартості універсальних моделей капітал почав шукати нові точки зростання. AI for Science пропонує іншу логіку: її цінність — не у кількості обслугованих користувачів, а у скороченні дослідницьких циклів і відкритті нових матеріалів.

Якщо GrainBot зможе зменшити цикл розробки сонячних перовскітів з 3 років до 6 місяців або допоможе компанії CATL знайти новий позитивний електрод із підвищеною на 10% щільністю енергії, економічна цінність такого прориву буде колосальною.

Це — логіка «промислового інтелекту». Майбутні AI-єдинороги, ймовірно, вже не будуть компаніями, що створюють чат-боти, а тими, що володіють унікальними даними та алгоритмами у вузьких галузях (матеріали, біомедицина, хімія) і здатні масово генерувати патентні технології — так звані «цифрові лабораторії».

У такій парадигмі переваги гонконгських університетів значно зростають. На відміну від Кремнієвої долини, де домінують програмісти, у Гонконзі зосереджена велика кількість експертів у матеріалознавстві, хімії та біомедицині. Цей прорив HKUST — результат глибокої міждисциплінарної роботи команд комп’ютерних наук (郭毅可) і хімічної інженерії (周圆圆). Така «AI + доменне знання» комбінація — це бар’єр, який важко подолати чисто інтернет-компаніям.

GrainBot — не єдиний приклад. Якщо підняти погляд, то стане очевидним, що Гонконг створює нову наукову парадигму на основі «самостійних лабораторій». Це — автоматизовані дослідницькі комплекси, що використовують робототехніку і AI для автоматичного проектування, виконання експериментів, аналізу даних і їхньої оптимізації. У цій системі AI (наприклад, GrainBot) відповідає за «спостереження» і «аналіз», а роботи — за «дії». Такий тренд має глибокий вплив на трансформацію економіки Гонконгу. Тривалий час Гонконг вважався фінансовим центром і торговим портом, але у сфері високих технологій його вважали «безногим». Однак із приходом AI4S дослідницький процес став більш цифровим і розумним. Гонконг не потребує великих земель для заводів, достатньо використовувати свої обчислювальні ресурси і провідних науковців, щоб стати світовим центром «нових матеріалів» і різних рецептів.

Уявіть собі, що майбутній науковий парк у Гонконзі матиме не лише офіси, а й сотні «безлюдних лабораторій», що працюють цілодобово. Вони постійно генерують дані, аналізують їх за допомогою GrainBot і автоматично коригують експерименти, щоб отримати високоякісні патентні формули. Ці формули можна буде ліцензувати для масового виробництва у регіоні. Це — «друга версія» концепції «Гонконгські дослідження + дімінг виробництва».

Звісно, як раціональний спостерігач, ми не можемо ігнорувати проблеми та ризики.

Найбільший бар’єр AI for Science — це дані. На відміну від тренування ChatGPT на величезних масивах інтернет-текстів, високоякісні наукові дані (наприклад, ідеально анотовані зображення мікроскопів) дуже рідкісні. Успіх GrainBot зумовлений великими зусиллями команди у створенні початкового високоякісного датасету. Крім того, «острівна» природа наукових даних ще більш виражена, ніж у інтернеті: кожна компанія, кожна лабораторія тримає свої дані у таємниці. Створення безпечних механізмів обміну даними (можливо, із застосуванням Web3 або приватних обчислень) — це ключовий виклик для подальшої комерціалізації.

У 2026 році, стоячи на кампусі HKUST і дивлячись на Чисту затоку, ми бачимо не лише краєвиди, а й новий поколінний науковий підхід.

Випуск GrainBot — це символ гармонії «хакерського духу» (швидкі ітерації, алгоритмічна гнучкість) і «ремісничого духу» (ретельне спостереження, обробка матеріалів). Для інвесторів важливо зрозуміти, що не лише у тому, хто має найбільше карт NVIDIA, а у тому, хто здатен вирішувати найконкретніші фізичні задачі за допомогою AI.

На цьому новому фронті Гонконг вже зробив хороший початок. GrainBot — можливо, лише перший крок, а попереду — ринок AI-матеріалів на трильйони доларів, що розгортається за межами мікроскопа.