深度原理团队利用自研 AI 科学家平台 MIRA，通过递归自训练自主打造出材料基座模型 MPA，在 40 项实验性质预测任务中全面刷新 SOTA，展示了 AI 自我进化在科学发现中的巨大潜力。
📝 详细摘要
本文报道了深度原理团队在 AI for Science 领域的最新突破。他们开发的 AI 科学家平台 MIRA，通过递归自训练（recursive self-improvement）的方式，自主完成了从文献调研、代码重构、数据清洗到模型训练的全流程科研工作，最终产出了材料基座模型 MPA。MPA 在 40 项实验性质预测任务中全面超越前 SOTA 模型 Suiren，平均 MAE 降低 10%，最高降幅达 51%。文章详细阐述了 MIRA 的 AutoResearch 架构，包括其自主重构代码、清理数据、设计三阶段训练框架（预训练、物理对齐中间训练、后训练）的能力。特别强调了 MIRA 在迭代过程中展现出的接近人类科研直觉的能力，如发现数据中的系统性问题、识别有效的物理对齐策略、以及设计混合读出头等创新。文章认为，这种 AI 自我进化的飞轮一旦启动，将加速通往 AGI 的进程。
💡 主要观点
- AI 科学家平台 MIRA 通过递归自训练，自主打造出材料基座模型 MPA。 MIRA 承担了从文献调研、代码重构、数据清洗到模型训练的全流程科研工作，人类仅需设定目标和阶段性审核，展示了 AI 自我进化的能力。
💬 文章金句
- AI 智能体自我迭代飞轮的启动，需要智能体自主从代码重构、数据清洗到模型训练，最终独立产出超越人类精心设计的 SOTA 模型。
- MIRA 做的事情，本质上是用 AI 来改进 AI。它重构了一个 AI 模型的代码，优化了这个 AI 模型的训练数据，迭代了这个 AI 模型的训练策略，最终产出了一个更强的 AI 模型。
- 一旦这个飞轮转起来，每一圈都比上一圈转得更快。
- 从 Coding Agent 自动写代码，到 Research Agent 自动做科研，再到 Self-Improving Agent 自动改进自身，AI 智能体的能力边界正在以一种加速度向外扩展。
📊 文章信息
AI 初评：88
来源：机器之心
作者：机器之心
分类：人工智能
语言：中文
阅读时间：17 分钟
字数：4143
标签： AI 智能体, 递归自训练, 材料科学, AI for Science, MPA