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

Рік 2026 у галузі штучного інтелекту в Гонконгу демонструє тенденцію «високої щільності вибуху». Якщо минулого місяця у бюджеті було згадано про план субсидій на обчислювальні потужності у розмірі 3 мільярдів гонконгських доларів як сильний поштовх для галузі, то останні дні, що принесли низку важливих наукових проривів і високорівневих промислових дискусій, свідчать про те, що AI у Гонконгу швидко переходить від етапу «інфраструктурного закладання» до глибокої фази «застосування та впровадження».

Вчора (3 березня), коли більшість аналітиків ще зосереджували увагу на інфляції обчислювальної потужності нової генерації GPU від NVIDIA або на тому, який ще потужний універсальний великий мовний модель випустила OpenAI, команда під керівництвом професора Го Юйке (Prof. Guo Yike), першого віце-президента HKUST, зробила важливий прорив — представила GrainBot.

Це не просто новий інструментарій для штучного інтелекту, а яскравий приклад того, як концепція «AI для науки» (AI4S) переходить у промислову реалізацію. Як спостерігач, що давно слідкує за технологіями кількісних наук і глибоких технологій (Deep Tech), я вважаю, що появи GrainBot ознаменувала зміну фокусу розвитку AI у Гонконгу — від «загального спілкування» до «вертикального відкриття». Для фінансових інвесторів розуміння логіки за GrainBot — це ключ до розуміння альфі у твердій технологічній інвестиційній сфері на найближчі п’ять років.

(Джерело зображення: analyticalscience.wiley.com)

Щоб зрозуміти цінність GrainBot, спершу потрібно усвідомити «больові точки» матеріалознавства.

У верхній ланцюжку виробництва напівпровідників, нових енергетичних батарей, фотогальванічних панелей та інших високотехнологічних виробів характеристики матеріалів визначають їхню життєздатність. Важливо, що ці характеристики — провідність, міцність, корозійна стійкість — значною мірою залежать від мікроструктури, зокрема розміру, форми та розподілу «кристалів» (гранул). Тривалий час матеріалознавці були схожі на майстрів із лупами: вони використовували скануючий електронний мікроскоп (SEM) або атомно-силовий мікроскоп (AFM), щоб зробити тисячі знімків, а потім — за допомогою аспірантів або дослідників — витрачали сотні годин на ручне визначення, малювання та маркування меж кожного кристалу. Це було дуже повільно і схильне до людських суб’єктивних помилок.

З появою GrainBot ця технологія отримала «автоматичний мозок рівня L4», що керує мікроскопом.

За останніми дослідженнями, опублікованими у престижному журналі «Matter» від Cell Press, GrainBot використовує передові методи комп’ютерного зору (CV) і глибокого навчання для автоматичного сегментування зображень, вилучення ознак і кількісного аналізу. Він здатен без людського втручання точно визначати межі кристалів і обчислювати складні геометричні параметри — площу поверхні, форму борозен, об’єм нерівностей тощо.

Що ще важливіше, GrainBot — це не просто «лічильник». Він має здатність аналізувати кореляції між мікроструктурою і макропараметрами матеріалу. У дослідженнях перовскітових тонких плівок — ключового матеріалу для майбутніх високоефективних сонячних батарей — GrainBot створив базу даних із тисячами маркованих кристалів, що дозволяє розкрити структурно-функціональні зв’язки, раніше важко кількісно оцінювані. Професор Го Юйке у своїй промові сказав дуже передбачливо: «Зі зростанням автоматизації наукових процесів і збільшенням обсягів даних, такі інструменти стануть рушіями майбутніх ‘самостійних лабораторій’».

Для фінансового капіталу появи таких технологій означає, що потрібно переоцінити моделі оцінки AI-проектів. За останні два роки (2024–2025) ринок зосереджувався на «загальних великих моделях» і SaaS-рішеннях для застосувань. Їхня оцінка базувалася на показниках MAU (місячна активність користувачів), ARR (річний регулярний дохід) і кількості токенів, спожитих моделлю. Однак із зменшенням доданої цінності універсальних моделей інвестори шукають нові точки зростання. AI for Science пропонує іншу логіку: її цінність — не у кількості обслугованих людей, а у скороченні дослідницьких циклів і відкритті нових матеріалів.

Якщо GrainBot зможе зменшити цикл розробки перовскітових сонячних батарей з трьох років до шести місяців або допоможе компанії CATL знайти новий катодний матеріал із підвищеною на 10% енергетичною щільністю, економічна вигода від цього буде колосальною.

Це — логіка «промислового інтелекту». Майбутні AI-єдинороги, ймовірно, вже не будуть компаніями, що створюють чат-боти, а тими, хто володіє унікальними даними та алгоритмами у вузьких галузях (матеріали, біомедицина, хімія) і здатен 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 Гонконгу зосереджена висока щільність експертів у матеріалознавстві, хімії та біомедицині. Досягнення HKUST — це результат глибокої міждисциплінарної співпраці між комп’ютерними науками (команда Го Юйке) і хімічною інженерією (професор Чжоу Юаньюань). Така «AI + галузеві знання» комбінація — це бар’єр, який важко подолати чисто інтернет-компаніям.

GrainBot — не єдиний приклад. Якщо підняти погляд, стане очевидним, що Гонконг формує нову наукову парадигму на основі «самостійних лабораторій». Це автоматизовані дослідницькі комплекси, що використовують робототехніку і AI для проектування, виконання, аналізу та оптимізації експериментів у повному циклі. У цій системі AI (як GrainBot) відповідає за «спостереження» і «аналіз», а роботи — за «дії». Такий тренд має глибокий вплив на трансформацію економічної структури Гонконгу. Тривалий час його вважали фінансовим центром і торговим портом, але у сфері твердої науки та технологій його вважали «недоразвинутим». Однак із приходом AI4S форма досліджень стає більш цифровою і розумною. Гонконг не потребує великих земельних ресурсів для заводів, достатньо використовувати свої обчислювальні потужності та висококласних науковців, щоб стати світовим центром «нових формул для нових матеріалів».

Уявіть собі, що майбутній науковий парк у Гонконгу матиме не лише офіси, а й сотні або тисячі «безлюдних лабораторій», що працюють цілодобово. Вони безперервно збирають дані, аналізують їх за допомогою таких інструментів, як GrainBot, і автоматично коригують параметри експериментів, щоб отримати високоякісні патентні формули. Ці формули можна буде ліцензувати для масового виробництва у промислових центрах Великого Залізничного регіону. Це — «Гонконгські дослідження + виробництво у регіоні» версії 2.0.

Звісно, як раціональний спостерігач, ми не можемо ігнорувати проблеми та ризики. Найбільший бар’єр для AI for Science — це дані. На відміну від величезних обсягів інтернет-текстів, що використовувалися для тренування ChatGPT, високоякісні наукові дані (наприклад, ідеально марковані мікроскопічні знімки) дуже рідкісні. Успіх GrainBot пояснюється тим, що команда витратила багато зусиль на створення початкового високоякісного датасету. Крім того, «острівна ефективність» наукових даних ще більш виражена, ніж у інтернеті: кожна компанія, кожна лабораторія тримає свої дані у таємниці. Створення безпечної системи обміну даними (можливо, із застосуванням Web3 або приватних обчислень) — це ключовий момент для подальшої комерціалізації.

У весну 2026 року, стоячи на кампусі HKUST і дивлячись на затоку Циншуй, ми бачимо не лише мальовничий краєвид, а й еволюцію наукової парадигми.

Випуск GrainBot символізує гармонійне поєднання «хакерського духу» (швидкі ітерації, алгоритмічна гнучкість) і «ремісничого духу» (ретельне спостереження, матеріалеве вдосконалення). Для інвесторів важливо зрозуміти, що тепер не потрібно зосереджуватися лише на тому, хто має найбільшу кількість графічних карт H100, а на тому, хто здатен за допомогою AI вирішити найконкретніші фізичні задачі.

На цьому новому шляху Гонконг вже зробив хороший початок. GrainBot — можливо, лише перший крок, а за його межами розгортається ринок AI-матеріалів вартістю у трильйони доларів, що поступово набирає обертів.