央广网深圳9月11日消息（记者 钟金秀）随着人工智能技术的发展，科学家们开始研发能够辅助科学研究的大模型。模型越大能力越强，但成本越高；做小了又难以兼顾科学推理与科研工具调用。能否不依赖单个无所不能的“超级大模型”，而让多个小模型协同合作获得复杂的科研能力？

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研究员领衔的研究团队在《自然-机器智能》发表最新研究成果，发布材料研究领域内的首个轻量化双模型协作智能体“材智云脑MatBrain”。该智能体由两个轻量化的小模型组成，在材料科学研究中的预测综合准确率较前沿通用大模型提升66%，部署成本较同类大模型降低95%。这种轻量模型协作方式在材料性质预测、晶体结构设计等任务中能够达到远超前沿通用大模型的水平。团队还将MatBrain开发成可应用的AI工具软件，同步发布MatBrain体验版软件供公众下载。

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（央广网发 受访单位供图）

AI“材料专家”与“科研执行者”

近年来，大语言模型、高通量计算、机器学习等大型材料数据库快速发展，研究人员得以更快地获得晶体结构和数据，并更高效地开展科学研究。但在真实的工作中，科学推理和工具执行具有不同的任务特征。

“科学推理和科研工具调用这两种科研能力很难在同一个轻量化模型中做好，换成数千亿参数的通用大模型虽然可以提高科研能力，但会带来巨大的计算和部署成本。”论文第一作者、深圳先进院博士后史桐雨介绍，与其让单一模型同时承担所有功能，不如将“科学分析”和“科研执行”进行专业化分工，并通过模型协作完成复杂材料研究。

基于这一思路，研究团队开发出了“材智云脑MatBrain”智能体。该模型由Mat-R1、Mat-T1两个轻量化的模型组成。其中，300亿参数（30B）模型Mat-R1主要负责“想”，即理解材料结构和性质，判断计算结果是否合理，并根据已有证据决定下一步研究方向。140亿参数（14B）模型Mat-T1主要负责“做”，即调用材料数据库、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等任务，两者通过反复“执行—分析—反馈—再执行”共同完成科研任务。

如何训练这两个小模型？

对于负责“想”的Mat-R1模型，研究人员整合了材料数据库和科研文献，将晶体结构、材料性质、合成方法与应用信息进行关联，构建了约25.2万条高质量材料指令数据，对模型进行训练。对于负责“做”的Mat-T1模型，则构建了Mat-MCP材料科研工具平台，将以往公开的数据库、生成模型和计算程序统一封装成Mat-T1模型可调用的科研工具，并通过2万个复杂材料科研问题对其进行强化学习。

“两个模型角色明确，分工合作。Mat-R1就像‘材料专家’，负责判断，Mat-T1就像‘科研执行者’。如果结果不合理或者信息不充分，Mat-R1就会重新提出下一步研究要求，再让Mat-T1继续执行。”史桐雨介绍。

判断更准确，部署成本更低

研究结果表明，两个模型组成完整的MatBrain智能体后，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材料科研任务，还能够进一步参与开放式材料发现过程。在电催化剂的应用中，该模型完成了从科学假设形成、3万个候选结构生成、多阶段计算筛选，到候选材料实验验证的完整研究链条。

在执行长时程复杂的材料创制任务中，MatBrain的材料预测综合准确率较前沿通用大模型提升66%。相较于依赖数千亿参数通用模型的技术路线，MatBrain由30B和14B两个相对轻量的模型组成，其硬件部署成本可降低超过95%，使先进材料科研智能体有望从大型计算中心进一步走向普通实验室工作站。

研究人员将MatBrain与具身智能技术相结合（央广网发 受访单位供图）

“在推动成果转化方面，我们将MatBrain与材料中试生产数据相结合，为产业定制化开发材料智能体——材智云脑，为新材料等领域的突破提供高效的智能化解决方案。”喻学锋介绍。团队还与多家企业共建创新联合体，同时正致力于将MatBrain作为机器人“决策大脑”，与具身智能技术相结合，搭建具身智能机器人科学家，推动构建具身智能自主实验室新范式。