AGI时代来临 40项实验实现全面SOTA突破 超级递归智能体自主构建最强材料基座模型

人工智能正迎来革命性突破，AI自我进化技术成为实现通用人工智能的关键路径。最新研究显示，递归自改进系统正推动AI进入自主升级的新纪元。

在AI科研领域，重大进展不断涌现。Nature近期连续发表三篇关于AI科研智能体的论文，展示了AI在药物研发和科学探索中的惊人潜力。

深度原理团队最新发布的Materials Property Axiom（MPA）模型，通过递归自训练在40项材料性质预测任务中全面刷新SOTA记录。该模型平均MAE降低10%，最高降幅达51%，展现了AI自主科研的惊人能力。

1. 技术报告链接：https://www.deepprinciple.com/papers/mpa.pdf

前SOTA的暴力美学

2026年3月发布的Suiren-1.0模型曾创下1.8B参数的记录，在320张NVIDIA H800 GPU上训练完成。然而该模型主要针对计算性质优化，对实验性质预测存在明显短板。

递归自训练：MIRA从自主科研到新SOTA的诞生

AutoResearch架构：从自动化科研开始

深度原理团队开发的MIRA系统实现了全流程自主科研。该系统能够理解研究目标、拆解任务、执行实验并调整策略，形成完整的递归闭环。

自主重构：AI改写AI的代码

MIRA展示了自主重构模型代码的能力。在分析现有技术路线后，系统选择保留UniMol-v2的3D Transformer骨架，并自主完成代码重构工作。

自主清理：AI的科研直觉

面对多源异构的实验数据，MIRA展现出类似人类科研直觉的数据清洗能力。系统能够基于物理常识识别异常数据，大幅提升数据质量。

自主设计：三阶段训练框架的诞生

MIRA创新性地设计了三阶段训练框架：

1. 预训练阶段：学习通用分子空间表征

2. 物理对齐中间训练：关键创新环节

3. 后训练阶段：引入Huber损失和混合读出头

最终战绩

1. 40个实验性质中38个获得提升

2. 热力学性质误差最高降低51.1%

3. 相比Suiren平均误差再降5.4%

4. 分布外泛化性能提升显著

迭代实录，进化的飞轮已经转动

MIRA在一个月内完成上百轮自主迭代，涵盖数据整合、模型架构、训练策略等多个维度。系统通过持续优化，最终实现MAE降低14.6%的突破性进展。

从自动编码到自主科研，再到自我改进，AI智能体正加速突破能力边界。递归进化机制的成熟，预示着AGI时代可能比预期更早到来。