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 взрывного роста». Если в прошлом месяце план субсидирования вычислительных мощностей на сумму 3 миллиарда гонконгских долларов, упомянутый в бюджете, стал мощным стимулом для отрасли, то недавние крупные научные прорывы и диалоги в сфере высокотехнологичных производств свидетельствуют о том, что развитие AI в Гонконге быстро переходит от этапа «строительства инфраструктуры» к «практическому внедрению» в глубокие воды.

Вчера (3 марта), когда большинство аналитиков рынка еще сосредоточены на инфляции вычислительных мощностей новейших GPU от NVIDIA или на очередной сверхмощной универсальной модели, выпущенной OpenAI, команда под руководством профессора Го Юйке (Prof. Guo Yike), первого заместителя ректора HKUST, совершила мощный прорыв — представила 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 «общего чат-бота» 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 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 ученые-материаловеды были похожи на мастеров с увеличительным стеклом: они использовали сканирующую электронную микроскопию (SEM) или атомно-силовую микроскопию (AFM), чтобы делать тысячи снимков, а затем — вручную — с помощью аспирантов или исследователей — определять границы каждого кристаллитного зерна, рисовать их и отмечать. Этот процесс был крайне медленным и подвержен 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, извлекать характеристики и проводить 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, выявляя ранее недоступные количественные связи между структурой и характеристиками. Профессор Го Юйке в ходе презентации отметил: «По мере автоматизации научных процессов и увеличения объема данных такие инструменты станут движущей силой будущих ‘самостоятельных лабораторий’».

Для инвесторов и финансовых аналитиков появление таких решений 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 расходах на токены. Однако по мере убывания предельной эффективности универсальных моделей капитал ищет новые точки роста. AI for Science (AI4S) предлагает совершенно другую логику: его ценность заключается не в количестве обслуживаемых пользователей, а в сокращении сроков R&D и открытии новых материалов.

Например, если GrainBot сможет сократить цикл разработки перовскитных солнечных элементов 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 «промышленной интеллектуальной собственности». В будущем AI-единороги, возможно, перестанут быть компаниями, создающими чат-ботов, и станут теми, кто владеет уникальными данными и алгоритмами в узкоспециализированных областях (материалы, биомедицина, химия), способными массово генерировать 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. Прорыв HKUST — результат глубокого междисциплинарного взаимодействия между компьютерными науками (команда Го Юйке) и химической инженерией (проф. Чжоу Юаньюань). Такая «AI + предметные знания» комбинация — это барьер, который трудно воспроизвести чисто интернет-компаниям.

GrainBot — не единственный пример. Если поднять взгляд, станет очевидно, 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 проведения 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. В течение долгого времени Гонконг рассматривался как финансовый центр и торговый порт, но в области жестких технологий его считали «недоразвитым». Однако с приходом эпохи AI4S формы R&D меняются — они становятся более цифровыми и интеллектуальными. Гонконг не нуждается в огромных земельных ресурсах для строительства заводов, достаточно эффективно использовать свою вычислительную инфраструктуру и передовые научные кадры, чтобы стать глобальным центром по созданию «рецептов новых материалов».

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

Конечно, как рациональный наблюдатель, я не могу игнорировать и проблемы, и риски. Самая большая преграда для AI for Science — это данные. В отличие от огромных массивов 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: у каждой компании, каждого лабораторного комплекса свои секреты и конфиденциальные данные. Создание безопасных механизмов обмена данными (возможно, с использованием Web3 или технологий приватных вычислений) — это следующий важный шаг для коммерциализации и масштабирования таких решений.

Весной 2026 года, стоя на кампусе HKUST и глядя на залив Циншуй, мы видим не только живописные пейзажи, но и смену научных парадигм.

Появление GrainBot символизирует гармонию «хакерского духа» (быстрые итерации, алгоритмическое управление) и «ремесленного духа» (тонкое наблюдение, материализация). Для инвесторов важнее сейчас понять, кто сможет решить наиболее конкретные физические задачи с помощью AI, а не просто обладать большим количеством H100 или других мощных графических карт.

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.