领牛策略让AI能“想”会“做”，深圳科研团队提出轻量化“双模型协作”材料创制智能体“材智云脑MatBrain”

深圳新闻网2026年9月11日讯（记者王茜）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，正式发布了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Mat-R1、Mat-T1组成，前者就像“材料专家”，负责材料知识理解、科学推理和结果判断；后者则像“科研执行者”，负责调用材料数据库、结构生成模型和计算软件。两者通过不断地“执行—分析—反馈—再执行”，共同完成科研任务。

该智能体在材料科学研究中的预测综合准确率较GPT-5、DeepSeek-R1等大模型提升66%，部署成本较同类大模型降低95%。期刊编辑对该文章给予了高度评价，认为该成果是“AI for Material”领域非常有价值的工作。

深圳先进院博士后史桐雨，博士生李玉堂、研究助理李湛渊、博士后刘倩为论文共同第一作者；深圳先进院研究员喻学锋、王佳宏为论文共同通讯作者。深圳先进院为论文第一单位。

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。

AI“材料专家”与“科研执行者”

“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。

判断更准确，部署成本更低

既然要让两个小模型来分工合作，那么如何训练它们，从而实现更高效的材料科研工作？

对于负责“想”的Mat-R1模型，研究人员整合了Materials Project、OQMD、ICSD等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Materials Project、MatterGen、Pymatgen、CHGNet、和VASP等数据库、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。

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。

另外，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GPT5、DeepSeek-R1等大模型提升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。

此外，研究团队正致力于将MatBrain作为机器人“决策大脑”，与具身智能技术相结合，构建具身智能机器人科学家（Dr. Mind）,其在灵巧手控制、离心机操作、精准“反馈”移液、精准“微量”加粉、样品表征分析等方面实现了精准、智能的自主实验，帮助科研人员高效完成生化合成、材料创制、细胞培养、样品检测等科研任务，从而推动构建具身智能自主实验室新范式。