Китайският MatBrain позволява на изкуствения интелект не само да мисли, но и да действа

Китайски изследователи представиха лек AI агент, създаден за съвместна работа в изследванията на материалите. Системата позволява на изкуствения интелект не само да анализира информация, но и да изпълнява конкретни научни задачи.

Агентът MatBrain подобрява общата точност на прогнозите с 66 процента спрямо големи модели, включително GPT-5 и DeepSeek-R1. Според представените резултати системата същевременно намалява разходите за внедряване на хардуер с 95 процента.

Резултатите са публикувани в списанието „Nature Machine Intelligence“. Разработката идва от Центъра за изкуствен интелект в областта на материалите към Институтите за напреднали технологии в Шънджън (SIAT). Центърът е част от Китайската академия на науките.

MatBrain използва двойна моделна архитектура. Тя включва два олекотени модела, наречени Mat-R1 и Mat-T1. Всеки от тях изпълнява различна роля в съвместната работа на агента.

Системата може да генерира структури и да прогнозира свойствата на материалите. Тя също анализира тяхната стабилност и планира пътища за синтез. Тези възможности насочват изкуствения интелект към по-практично участие в научните изследвания.

Науката за материалите изучава структурата, свойствата и поведението на различни материали. Сред тях са металите, керамиката, полимерите и композитните материали. Основната цел е разработването на материали за полезни приложения.

Изследователите посочват, че MatBrain може да участва и в откриването на нови материали. Това става без предварително зададени рамки за всяка отделна задача. Така агентът съчетава прогнозиране, анализ и планиране в единна система.

Развитието на подобни технологии разширява ролята на изкуствения интелект в научната работа. Китай вече представи и други AI разработки с приложение в изследователски области. Сред тях е система, насочена към проучването на Вселената, за която можете да научите в свързания материал.

MatBrain показва различен подход към разработването на AI агенти. Вместо да разчита само на мащаба на модела, системата комбинира два леки модела. Според публикуваните данни този подход повишава точността и ограничава хардуерните разходи.