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自我进化技术成为通向AGI的关键路径。本文将深度解析递归自改进如何推动AI实现质的飞跃。

当前AI发展已进入全新阶段，硅谷专家普遍认为自我进化是突破规模瓶颈的核心方案。Anthropic联合创始人预测，到2028年AI实现自主改进的概率高达60%。

OpenAI近期高薪招聘递归自改进研究员，年薪达44万美元。同时AI科研领域取得重大进展，Nature连发三篇智能体论文，Google DeepMind等机构展示了AI在药物研发中的突破性表现。

前SOTA的暴力美学

2026年3月，上海科学智能研究院推出Suiren-1.0模型，凭借1.8B参数量超越UniMol系列。该模型采用320张H800 GPU和7000万条量子化学数据，展现出典型的算力优势。

但Suiren存在明显局限：其训练数据集中于可计算性质，而实际研发更依赖实验性质数据。实验数据具有稀疏性、噪声大等特点，传统方法难以解决这些挑战。

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系统实现了全自主科研流程。该系统仅需人类提供研究目标，即可完成从文献调研到模型训练的全过程。

MIRA具备完整科研能力：理解目标、拆解任务、执行实验、分析结果并调整策略。这种递归闭环使模型性能持续提升，将Self-Improving Agent理论成功应用于科学问题。

自主重构：AI改写AI的代码

面对开放性问题时，MIRA能自主分析并选择最优方案。例如在分子预测任务中，它推荐保留UniMol-v2骨架，增加多构象感知能力。

MIRA完成了代码级重构：识别冗余模块、重设计数据流、标准化接口。这种直接操作源代码的能力是其区别于传统工具的关键。

自主清理：AI的科研直觉

在数据处理环节，MIRA展现出类人直觉：能基于物理常识判断数据合理性。面对40个实验性质数据集，它自主执行多阶段清洗，识别并移除异常数据点。

自主设计：三阶段训练框架的诞生

MIRA创新性地将LLM训练范式迁移至材料模型，并加入物理改造：

1. 预训练阶段：使用6400万分子数据进行3D自监督学习

2. 物理对齐中间训练：仅保留与目标性质物理机制匹配的辅助监督

3. 后训练阶段：引入Huber损失和混合读出头设计

最终战绩

MPA模型取得显著突破：

40项任务中38项获得提升，平均误差降低14%。热力学性质改善最显著，燃烧焓误差降低51.1%。与Suiren相比，40个端点中赢得35个，平均误差再降5.4%。

迭代实录，进化的飞轮已经转动

MPA的成功源于上百轮自主迭代。MIRA在数据、架构、损失函数等方面持续优化：

数据侧三次改进使MAE累计降低8.4%；模型结构调整带来12.3%提升；损失函数优化再降1.3%。最终实现14.6%的MAE降低。

AI自主改进的范式正在重塑科研格局，从编码到研究再到自我优化，智能体能力边界加速扩展。递归进化机制将持续推动AI向AGI迈进，这场变革可能比预期来得更快。