“机器人科学家”迎来“超强大脑”！深圳团队发布“双模型协作”智能体

来源：读特

AI如何帮科学家研发新材料？9月10日，中国科学院深圳先进技术研究院材料人工智能研究所喻学锋团队在《自然-机器智能》发表最新成果，正式发布材料研究领域首个轻量化双模型协作智能体“材智云脑MatBrain”。

它能像“材料专家”一样判断，也能像“科研执行者”一样动手，在材料性质预测、晶体结构设计等任务中的表现远超通用大模型，预测综合准确率较GPT-5等提升66%，部署成本较同类大模型降低95%。

研究人员演示“材智云脑MatBrain”进行科学决策，并在机器人上执行。

一个负责“想”，一个负责“做”

新材料研发通常要经历理论分析、计算筛选、实验试错等多个环节。过去，这些工作主要依赖科研人员完成。随着人工智能等技术发展，AI已经能够帮助科学家处理越来越多的科研任务。

但在实际研究中，“科学推理”和“工具执行”是两种不同的能力：前者需要准确理解材料的结构、性质和物理规律，后者则需要调用数据库、计算软件和生成模型，并根据信息灵活决定下一步怎么做。

“与其让一个模型同时承担所有任务，不如让不同模型各司其职，再通过协作完成复杂的材料研究。”论文第一作者、深圳先进院博士后史桐雨介绍。

基于这一思路，研究团队开发了“材智云脑MatBrain”智能体，由两个轻量化模型组成。

其中，300亿参数（30B）的模型Mat-R1负责“想”，主要承担材料科学分析和判断，包括理解材料结构和性质、判断计算结果是否合理，以及根据已有证据确定下一步研究方向。

140亿参数（14B）的模型Mat-T1负责“做”，通过调用材料数据库、晶体结构生成模型和性质计算程序，完成结构生成、计算分析和结果整理。

两个模型不断进行“执行—分析—反馈—再执行”的流程，像科研团队中的“材料专家”和“科研执行者”一样协同工作，共同完成科研任务。

准确率超越GPT-5，部署成本降低95%

为了让两个模型真正具备材料科研能力，研究团队分别针对“想”和“做”进行了专门训练。

针对Mat-R1，团队整合Materials Project、OQMD、ICSD等材料数据库及科研文献，将晶体结构、材料性质、合成方法和应用信息关联起来，构建约25.2万条高质量材料指令数据进行训练。

针对Mat-T1，团队搭建了Mat-MCP材料科研工具平台，将Materials Project、MatterGen、Pymatgen、CHGNet、VASP等数据库、生成模型和计算程序统一封装为可调用工具，并利用2万个复杂材料科研问题进行强化学习。

MatBrain性能数据。

测试结果表明，MatBrain不仅能够完成材料结构生成、性质预测、稳定性分析和合成路线规划等任务，还能进一步参与开放式材料发现。

在电催化剂研究中，MatBrain完成了从提出科学假设、生成3万个候选结构，到多阶段计算筛选和候选材料实验验证的完整研究链条。

在长时程、复杂材料创制任务中，MatBrain的预测综合准确率较GPT-5、DeepSeek-R1等大模型提升66%。同时，硬件部署成本可降低超过95%，让材料科研智能体有望从大型计算中心走向普通实验室工作站。

从“AI科研助手”走向产业应用

目前，团队已将MatBrain开发为AI智能体软件，并面向公众正式发布体验版。

在产业端，团队进一步将MatBrain与材料中试生产数据结合，为企业定制开发“材智云脑”，推动AI从实验室科研走向材料产业研发。

相关技术已应用于深圳先进院团队孵化的中科先进材料科技有限公司，构建数据驱动的先进功能材料中试平台，该平台于2025年成功获批首批国家级制造业中试平台。

团队还与磷化工企业兴发集团开展合作，将材智云脑与企业数据结合，打造面向磷化工及新材料领域的“兴发云脑”，为企业提供从文献检索、知识分析，到实验方案设计、工艺优化的全流程智能辅助。

研究人员将MatBrain与具身智能技术相结合，构建具身智能机器人科学家。

值得一提的是，研究团队正探索将MatBrain作为机器人“决策大脑”，与具身智能技术结合，构建具身智能机器人科学家（Dr. Mind）。目前，该系统已在灵巧手控制、离心机操作、精准移液、微量加粉和样品表征分析等方面开展自主实验探索，未来有望帮助科研人员完成生化合成、材料创制、细胞培养和样品检测等工作，构建具身智能自主实验室新范式。

（文中配图由科研团队提供）