В 2026 году гонконгская сфера искусственного интеллекта демонстрирует тенденцию «высокоплотного взрыва». Если план субсидирования вычислительных мощностей на 3 миллиарда гонконгских долларов, упомянутый в бюджете прошлого месяца, стал мощным стимулом для отрасли, то прорывные академические достижения и высокоуровневые отраслевые дискуссии, произошедшие в последние дни, свидетельствуют о том, что гонконгский ИИ ускоряет переход от этапа «инфраструктурного строительства» к «внедрению приложений» на глубоком уровне.
Только вчера (3 марта), когда большинство рыночных наблюдателей всё ещё были сосредоточены на инфляции вычислительной мощности нового поколения GPU от NVIDIA или на том, какую невероятную по параметрам универсальную модель выпустила OpenAI, команда под руководством проректора Гонконгского университета науки и технологий (HKUST) профессора Го Икэ (Prof. Guo Yike) обрушила на академические и отраслевые круги настоящую бомбу — GrainBot.
Это не просто новый набор инструментов ИИ, это типичный пример перехода «AI for Science» (AI4S) от концепции к промышленному внедрению. Как наблюдатель, долгое время следящий за количественными технологиями и глубокими технологиями (Deep Tech), я считаю, что появление GrainBot знаменует собой смещение фокуса развития ИИ в Гонконге с «универсального общения» на «вертикальные открытия». Для финансовых специалистов понять логику, стоящую за GrainBot, — значит понять, где заключается Alpha инвестиций в хардтех в ближайшие пять лет.
(Источник изображения: analyticalscience.wiley.com)
Чтобы понять ценность GrainBot, нам сначала нужно понять «болевые точки» материаловедения.
В上游 высокотехнологичного производства, такого как полупроводники, аккумуляторы для новых источников энергии, фотоэлектрические панели и т.д., характеристики материалов часто определяют судьбу продукта. А характеристики материалов — будь то электропроводность, прочность или коррозионная стойкость — в значительной степени зависят от их микроструктуры, то есть от размера, формы и распределения «зерен» (Grains). Долгое время материаловеды были похожи на ремесленников с увеличительным стеклом. Они использовали сканирующие электронные микроскопы (SEM) или атомно-силовые микроскопы (AFM) для съемки тысяч изображений, а затем полагались на аспирантов или исследователей, которые тратили сотни часов на ручное определение, описание и маркировку границ каждого зерна. Это не только крайне неэффективно, но и полно субъективных человеческих ошибок.
Появление GrainBot, по сути, оснащает микроскоп «мозгом автономного вождения уровня L4».
Согласно последним исследованиям, опубликованным в флагманском журнале Cell Press «Matter», GrainBot использует передовые алгоритмы компьютерного зрения (CV) и глубокого обучения для автоматического выполнения сегментации изображений, извлечения признаков и количественного анализа. Ему больше не требуется вмешательство человека для точного определения границ зерен и расчета таких сложных геометрических параметров, как площадь поверхности, геометрия канавок, объем выступов и впадин.
Что еще важнее, GrainBot — это не просто «счетчик». Он обладает способностью к корреляционному анализу, напрямую связывая эти данные микроструктуры с макроскопическими свойствами материала. В ходе валидации на пленках из металлогалогенидного перовскита (Perovskite) — материала, считающегося ключевым для солнечных элементов следующего поколения с высокой эффективностью, — GrainBot успешно создал базу данных, содержащую тысячи размеченных зерен, и выявил ранее не поддававшиеся количественной оценке взаимосвязи структура-свойство. Одна фраза профессора Го Икэ на презентации звучала крайне пророчески: «По мере того, как научные рабочие процессы становятся более автоматизированными и насыщенными данными, такие инструментарии станут ключевым двигателем будущих „автономных лабораторий“».
Для финансового капитала появление таких результатов, как GrainBot, означает необходимость пересмотра моделей оценки проектов ИИ. В последние два года (2024-2025) рыночный ажиотаж вокруг ИИ в основном был сосредоточен на «универсальных больших моделях» и «SaaS-приложениях». Их логика оценки в основном основывалась на MAU (ежемесячных активных пользователях), ARR (годовой регулярной выручке) и объеме потребляемых токенов. Однако по мере снижения предельной эффективности универсальных моделей капитал начал искать новые точки роста. AI for Science (AI4S) предлагает совершенно иную логику: ее ценность заключается не в том, «скольким людям она обслужила», а в том, «насколько сократила циклы разработки» и «сколько новых материалов обнаружила».
Возьмем, к примеру, GrainBot. Если он сможет сократить цикл разработки перовскитных солнечных элементов с 3 лет до 6 месяцев или помочь компании CATL (Contemporary Amperex Technology Co. Limited) найти новый катодный материал с плотностью энергии на 10% выше, то создаваемая им экономическая ценность будет экспоненциальной.
Это логика «промышленной интеллектуальной собственности». Будущие единороги ИИ могут быть не компаниями, разрабатывающими чат-ботов, а «цифровыми лабораториями», которые владеют核心овыми данными и алгоритмами в определенных вертикалях (таких как материалы, биомедицина, химическая промышленность) и способны массово производить патентные технологии.
В такой логике преимущества гонконгских университетов значительно усиливаются. В отличие от экосистемы Кремниевой долины, где доминируют software-инженеры, в Гонконге наблюдается чрезвычайно высокая концентрация экспертов в области материаловедения, химии и биомедицины. Этот прорыв HKUST стал результатом глубокого междисциплинарного взаимодействия компьютерных наук (команда проф. Го Икэ) и химической инженерии (команда проф. Чжоу Юаньюань). Такую комбинацию «ИИ + предметные знания» трудно воспроизвести чистым интернет-компаниям, что создает защитный барьер.
GrainBot не является единичным случаем. Если поднять взгляд выше, можно увидеть, что Гонконг строит новую парадигму научных исследований на основе «автономных лабораторий». Под автономными лабораториями понимается использование робототехники и ИИ для полной автоматизации всего процесса проектирования, выполнения экспериментов, анализа данных и итерационной оптимизации. В этом замкнутом цикле ИИ (такой как GrainBot) отвечает за «видение» и «мышление», а роботы — за «действие». Эта тенденция имеет глубокое значение для трансформации экономической структуры Гонконга. Долгое время Гонконг рассматривался как финансовый центр и торговый порт, но в области разработки хардтека его часто считали «отстающим». Однако с наступлением эры AI4S форма исследований изменилась — она стала более цифровой и интеллектуальной. Гонконгу не нужны обширные земли для строительства заводов, как в материковом Китае, достаточно эффективно использовать свою инфраструктуру вычислений и передовые научные умы, чтобы стать мировым поставщиком «различных рецептов новых материалов».
Представьте, что в Гонконгском научном парке будущего могут быть не только офисные здания, но и сотни «беспилотных лабораторий», работающих 24/7. Они постоянно поглощают данные, анализируют результаты с помощью таких инструментов, как GrainBot, автоматически корректируют параметры экспериментов и в конечном итоге выводят высокоценные патентные рецепты. Эти рецепты могут быть лицензированы для массового производства на производственных базах Большого залива. Это версия 2.0 модели «Гонконгские R&D + Производство в заливе».
Конечно, как рациональные наблюдатели, мы не можем игнорировать существующие проблемы и скрытые риски.
Самым большим узким местом для AI for Science по-прежнему остаются данные. В отличие от огромного количества интернет-текстов, используемых для обучения ChatGPT, высококачественные научные данные (такие как идеально размеченные изображения с микроскопа) чрезвычайно稀缺. Успех GrainBot стал возможен потому, что команда потратила значительные усилия на создание первоначального высококачественного набора данных. Кроме того, «эффект изолированности» научных данных более серьезен, чем в интернете. Данные каждой材料ческой компании, каждой лаборатории являются核心овой тайной. Создание безопасного механизма обмена данными (возможно, с использованием технологий Web3 или конфиденциальных вычислений), позволяющего моделям ИИ «расти на данных множества источников», является ключом к следующему этапу коммерциализации.
Весной 2026 года, стоя в кампусе HKUST и глядя на залив Чингшуй Ван, мы видим не только пейзаж, но и смену поколений научных парадигм.
Реlease GrainBot символизирует идеальное рукопожатие «хакерского духа» (быстрая итерация, алгоритмическая驱动) и «духа ремесленника» (тонкое наблюдение, шлифовка материалов). Для инвесторов фокус внимания больше не должен ограничиваться тем, у кого больше всего видеокарт NVIDIA, а должен сместиться в сторону тех, кто использует ИИ для решения самых конкретных проблем физического мира.
На этой новой трассе Гонконг уже хорошо стартовал. GrainBot, возможно, всего лишь начало. За полем зрения микроскопа разворачивается триллионный рынок открытия материалов с помощью ИИ.
