新智元報(bào)道

【新智元導(dǎo)讀】AI不僅寫代碼，連做實(shí)驗(yàn)也包攬了！基于閉環(huán)Agent架構(gòu)RhinoAI，機(jī)器自主完成了碳材料尋優(yōu)。告別低效人肉試錯(cuò)，AI「物質(zhì)編譯」直接撕裂材料黑箱。

微觀驚艷、宏觀平庸，這道「跨尺度性能退化」的難題困擾材料界數(shù)十年。

如何扭轉(zhuǎn)這一局面？

鼎犀智創(chuàng)（Rhinovate?）聯(lián)合北京大學(xué)深圳研究生院新材料學(xué)院、北京大學(xué)人工智能研究院的科研團(tuán)隊(duì)共同推出了CarbonKylin?，一個(gè)針對碳材料的Agentic自驅(qū)動材料研發(fā)系統(tǒng)，旨在系統(tǒng)性破解性能退化之謎，讓新材料產(chǎn)業(yè)化真正跨越從實(shí)驗(yàn)室到應(yīng)用的鴻溝。

難題與破局

從「經(jīng)驗(yàn)試錯(cuò)」到「物質(zhì)編譯」新范式

從微觀單元到宏觀材料，性能為何會出現(xiàn)斷崖式下跌？

問題根源在于組裝過程中兩類相互交織的物理機(jī)制。

其一是非線性涌現(xiàn)——當(dāng)無數(shù)微觀單元在數(shù)十道工序、數(shù)百個(gè)參數(shù)下發(fā)生強(qiáng)非線性耦合時(shí)，微小的初始波動便可能被逐級放大，最終使宏觀性能遠(yuǎn)低于預(yù)期。

其二是熱力學(xué)耗散——系統(tǒng)在趨向熵增的過程中，自發(fā)產(chǎn)生缺陷與無序堆疊；工藝過程中的非平衡冷卻和殘余應(yīng)力也會引入力學(xué)性缺陷，二者共同造成能量的不可逆耗散，削弱材料的強(qiáng)度性能。

當(dāng)前以A-Lab為代表的前沿 AI 材料研發(fā)平臺，雖已在無機(jī)粉體等體系中取得突破，卻難以應(yīng)對非線性涌現(xiàn)行為與熱力學(xué)耗散問題。

高通量計(jì)算篩選、自動化合成與表征等手段大多聚焦于研發(fā)鏈條的單個(gè)環(huán)節(jié)，缺少貫通模型預(yù)測、實(shí)驗(yàn)驗(yàn)證與機(jī)理理解的系統(tǒng)性框架。主流數(shù)據(jù)驅(qū)動方法多為黑箱預(yù)測，難以揭示性能涌現(xiàn)的物理根源，預(yù)測結(jié)果也難以升華為可遷移的科學(xué)認(rèn)知。

面對跨尺度性能退化的難題，鼎犀智創(chuàng)（Rhinovate?）如何進(jìn)行破局？

編譯物質(zhì)科學(xué)與工程（Material Compilation Science and Engineering，MCSE）將計(jì)算機(jī)科學(xué)中的編譯理念引入材料制備，把從微觀到宏觀的制備過程形式化為可分析、可優(yōu)化、可解釋的編譯過程，從而系統(tǒng)性地提升性能保留率，確保關(guān)鍵物理信息在尺度轉(zhuǎn)換中的保真。

將這一范式工程化落地，不能依靠孤立的技術(shù)模塊，而需要一種閉環(huán)式的研究架構(gòu)。

這正是鼎犀智創(chuàng)（Rhinovate?）提出的RhinoAI所承擔(dān)的角色——一套面向物質(zhì)科學(xué)的PhysicalAI系統(tǒng)：不僅具備計(jì)算和推理能力，還能直接與物理世界交互，以內(nèi)嵌的多尺度物理知識作為推理約束，并根據(jù)物理反饋?zhàn)灾餍拚J(rèn)知和策略。

它由四個(gè)緊密協(xié)同的支柱共同構(gòu)成完整的認(rèn)知-行動循環(huán)：自動化實(shí)驗(yàn)平臺產(chǎn)出標(biāo)準(zhǔn)化物理數(shù)據(jù)；多尺度模擬提供跨尺度機(jī)理與虛擬數(shù)據(jù)；跨尺度端到端模型實(shí)現(xiàn)預(yù)測與逆向設(shè)計(jì)；可解釋物質(zhì)計(jì)算揭示其中的物理機(jī)制，所得洞察再反饋至實(shí)驗(yàn)和模型改進(jìn)。

理論到系統(tǒng)

RhinoAI，一個(gè)會「自主研發(fā)」的科學(xué)系統(tǒng)

MCSE 所設(shè)想的閉環(huán)，需要打通虛擬篩選、高通量實(shí)驗(yàn)、可解釋分析等大量異構(gòu)模塊，若這些模塊各自獨(dú)立運(yùn)行，研發(fā)人員仍會陷入手工編排的低效困局。

破解這一困局的關(guān)鍵在于RhinoAI的Agentic架構(gòu)：借助大語言模型與多Agent協(xié)同，將離散模塊整合為一個(gè)能自主推理、自主決策、自主執(zhí)行并自主更新的回路。

RhinoAI的Agentic架構(gòu)具體是如何運(yùn)作的？

RhinoAI的能力建立在分層技術(shù)基座上，由五大模塊構(gòu)成其物理推理、計(jì)算、實(shí)驗(yàn)執(zhí)行和知識獲取的基礎(chǔ)：大語言模型（LLM）、材料科學(xué)模型、科學(xué)算法、自動化設(shè)備、數(shù)據(jù)庫與知識庫。

在此基礎(chǔ)上，基于LLM和Harness的協(xié)同調(diào)度中樞對這些基礎(chǔ)能力進(jìn)行動態(tài)編排。

該Agentic架構(gòu)將材料研發(fā)全流程抽象為一系列可分解、可協(xié)調(diào)的認(rèn)知與操作任務(wù)，每一類Agent被賦予明確角色和功能邊界，在主Agent的統(tǒng)一調(diào)度下協(xié)同工作，形成認(rèn)知-行動回路的結(jié)構(gòu)化實(shí)現(xiàn)。

RhinoAI如何實(shí)現(xiàn)持續(xù)進(jìn)化和知識沉淀？

支撐RhinoAI協(xié)同與決策持續(xù)進(jìn)化的核心是自主記憶機(jī)制。

每一次從假設(shè)生成、實(shí)驗(yàn)決策、物理執(zhí)行到結(jié)果分析的完整回路，都被結(jié)構(gòu)化為一條持久存儲的「研發(fā)記憶」——包含目標(biāo)、決策、行動序列、觀測數(shù)據(jù)、模型版本和策略效能。

記憶系統(tǒng)不只記錄實(shí)驗(yàn)參數(shù)和性能結(jié)果，還記錄假設(shè)的提出與驗(yàn)證結(jié)論、模型的版本演替和預(yù)測精度，以及策略的成功與失敗模式。

更重要的是，不同 Agent 協(xié)作與競合中產(chǎn)生的新搜索策略、從預(yù)測誤差中凝練的物理判據(jù)、跨尺度關(guān)聯(lián)中被算法自主發(fā)現(xiàn)的隱藏描述符，這些能力并非預(yù)先設(shè)計(jì)，而是從閉環(huán)研發(fā)的長期歷史中積累而來。

這些增量知識，包括經(jīng)過實(shí)驗(yàn)驗(yàn)證的物理判據(jù)、可解釋分析揭示的機(jī)理洞察，以及系統(tǒng)在迭代進(jìn)化中產(chǎn)生的新認(rèn)知，將沉淀為結(jié)構(gòu)化的科學(xué)語料，反哺后續(xù)研發(fā)任務(wù)和模型訓(xùn)練。

CarbonKylin?正式發(fā)布

首個(gè)里程碑背后，RhinoAI的未來圖景

CarbonKylin?已正式發(fā)布，它取得了哪些里程碑式的成果？

CarbonKylin?是鼎犀智創(chuàng)（Rhinovate?）面向碳基纖維領(lǐng)域打造的首個(gè)驗(yàn)證實(shí)例。

在RhinoAI的閉環(huán)迭代驅(qū)動下，CarbonKylin?自主完成了單體設(shè)計(jì)、工藝尋優(yōu)與可解釋分析的全流程，成功設(shè)計(jì)出一款碳材料摻雜的雜環(huán)芳綸復(fù)合纖維，拉伸強(qiáng)度達(dá)到41.2 cN/dtex，處于業(yè)界最佳水平。

更關(guān)鍵的是，系統(tǒng)深入揭示了碳材料與雜環(huán)芳綸復(fù)合所產(chǎn)生性能涌現(xiàn)的機(jī)理：碳材料表面與雜環(huán)芳綸分子鏈間形成強(qiáng)界面層，為應(yīng)力傳遞提供了耦合通道；碳材料的錨定效應(yīng)抑制了組裝過程中的局部熵增與缺陷形成，從而實(shí)現(xiàn)了結(jié)構(gòu)致密化。

這一發(fā)現(xiàn)實(shí)現(xiàn)了從「黑箱優(yōu)化」到「可解釋發(fā)現(xiàn)」的跨越。

作為RhinoAI落地的首個(gè)驗(yàn)證實(shí)例，CarbonKylin?的經(jīng)驗(yàn)將如何向其他材料體系拓展？

CarbonKylin?驗(yàn)證了RhinoAI這條路徑的可行性，但它只是起點(diǎn)。RhinoAI的關(guān)鍵優(yōu)勢在于「通用框架＋專有知識＋專用設(shè)備」的分層架構(gòu)，使前沿材料研發(fā)不必在每個(gè)新方向上重復(fù)建設(shè)底層智能設(shè)施。

在架構(gòu)設(shè)計(jì)上，RhinoAI的核心平臺框架、多Agent 邏輯和自主記憶機(jī)制屬于通用層，而領(lǐng)域知識和物理設(shè)備則屬于專有層。

具體而言，通用層包括Agent的編排調(diào)度、記憶的存取與更新機(jī)制，以及辯論協(xié)議等與具體材料體系無關(guān)的基礎(chǔ)設(shè)施；專有層則包含針對特定材料的跨尺度模型、專用表征設(shè)備和領(lǐng)域知識圖譜，需要實(shí)質(zhì)性的領(lǐng)域定制工作。

基于該分層架構(gòu)，針對不同材料體系，研發(fā)團(tuán)隊(duì)只需聚焦于該領(lǐng)域的專有知識、專用設(shè)備與領(lǐng)域模型，即可開展深度的領(lǐng)域定制工作，快速構(gòu)建出該體系專屬的閉環(huán)研發(fā)能力——從文獻(xiàn)檢索、虛擬篩選、實(shí)驗(yàn)執(zhí)行，到多尺度表征、因果分析與知識沉淀，全流程貫通，無需從零搭建底層架構(gòu)。

目前，鼎犀智創(chuàng)（Rhinovate?）正積極布局高性能聚合物纖維、鋰電池、半導(dǎo)體薄膜等材料體系，將RhinoAI的全閉環(huán)研發(fā)能力快速落地為領(lǐng)域?qū)俚闹悄苎邪l(fā)平臺。

對于希望在材料研發(fā)中引入系統(tǒng)性智能能力的團(tuán)隊(duì)而言，RhinoAI提供的不是一個(gè)工具，而是一套經(jīng)過驗(yàn)證、可直接部署的完整研發(fā)范式，它讓每一個(gè)領(lǐng)域都能站在堅(jiān)實(shí)的智能基礎(chǔ)設(shè)施之上，將精力集中于讓材料真正發(fā)揮出應(yīng)有的性能。