新智元報道

【新智元導讀】AI不僅寫代碼，連做實驗也包攬了！基于閉環Agent架構RhinoAI，機器自主完成了碳材料尋優。告別低效人肉試錯，AI「物質編譯」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十年。

如何扭轉這一局面？

鼎犀智創（Rhinovate?）聯合北京大學深圳研究生院新材料學院、北京大學人工智能研究院的科研團隊共同推出了CarbonKylin?，一個針對碳材料的Agentic自驅動材料研發系統，旨在系統性破解性能退化之謎，讓新材料產業化真正跨越從實驗室到應用的鴻溝。

難題與破局

從「經驗試錯」到「物質編譯」新范式

從微觀單元到宏觀材料，性能為何會出現斷崖式下跌？

問題根源在于組裝過程中兩類相互交織的物理機制。

其一是非線性涌現——當無數微觀單元在數十道工序、數百個參數下發生強非線性耦合時，微小的初始波動便可能被逐級放大，最終使宏觀性能遠低于預期。

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

當前以A-Lab為代表的前沿 AI 材料研發平臺，雖已在無機粉體等體系中取得突破，卻難以應對非線性涌現行為與熱力學耗散問題。

高通量計算篩選、自動化合成與表征等手段大多聚焦于研發鏈條的單個環節，缺少貫通模型預測、實驗驗證與機理理解的系統性框架。主流數據驅動方法多為黑箱預測，難以揭示性能涌現的物理根源，預測結果也難以升華為可遷移的科學認知。

面對跨尺度性能退化的難題，鼎犀智創（Rhinovate?）如何進行破局？

編譯物質科學與工程（Material Compilation Science and Engineering，MCSE）將計算機科學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、可優化、可解釋的編譯過程，從而系統性地提升性能保留率，確保關鍵物理信息在尺度轉換中的保真。

將這一范式工程化落地，不能依靠孤立的技術模塊，而需要一種閉環式的研究架構。

這正是鼎犀智創（Rhinovate?）提出的RhinoAI所承擔的角色——一套面向物質科學的PhysicalAI系統：不僅具備計算和推理能力，還能直接與物理世界交互，以內嵌的多尺度物理知識作為推理約束，并根據物理反饋自主修正認知和策略。

它由四個緊密協同的支柱共同構成完整的認知-行動循環：自動化實驗平臺產出標準化物理數據；多尺度模擬提供跨尺度機理與虛擬數據；跨尺度端到端模型實現預測與逆向設計；可解釋物質計算揭示其中的物理機制，所得洞察再反饋至實驗和模型改進。

理論到系統

RhinoAI，一個會「自主研發」的科學系統

MCSE 所設想的閉環，需要打通虛擬篩選、高通量實驗、可解釋分析等大量異構模塊，若這些模塊各自獨立運行，研發人員仍會陷入手工編排的低效困局。

破解這一困局的關鍵在于RhinoAI的Agentic架構：借助大語言模型與多Agent協同，將離散模塊整合為一個能自主推理、自主決策、自主執行并自主更新的回路。

RhinoAI的Agentic架構具體是如何運作的？

RhinoAI的能力建立在分層技術基座上，由五大模塊構成其物理推理、計算、實驗執行和知識獲取的基礎：大語言模型（LLM）、材料科學模型、科學算法、自動化設備、數據庫與知識庫。

在此基礎上，基于LLM和Harness的協同調度中樞對這些基礎能力進行動態編排。

該Agentic架構將材料研發全流程抽象為一系列可分解、可協調的認知與操作任務，每一類Agent被賦予明確角色和功能邊界，在主Agent的統一調度下協同工作，形成認知-行動回路的結構化實現。

RhinoAI如何實現持續進化和知識沉淀？

支撐RhinoAI協同與決策持續進化的核心是自主記憶機制。

每一次從假設生成、實驗決策、物理執行到結果分析的完整回路，都被結構化為一條持久存儲的「研發記憶」——包含目標、決策、行動序列、觀測數據、模型版本和策略效能。

記憶系統不只記錄實驗參數和性能結果，還記錄假設的提出與驗證結論、模型的版本演替和預測精度，以及策略的成功與失敗模式。

更重要的是，不同 Agent 協作與競合中產生的新搜索策略、從預測誤差中凝練的物理判據、跨尺度關聯中被算法自主發現的隱藏描述符，這些能力并非預先設計，而是從閉環研發的長期歷史中積累而來。

這些增量知識，包括經過實驗驗證的物理判據、可解釋分析揭示的機理洞察，以及系統在迭代進化中產生的新認知，將沉淀為結構化的科學語料，反哺后續研發任務和模型訓練。

CarbonKylin?正式發布

首個里程碑背后，RhinoAI的未來圖景

CarbonKylin?已正式發布，它取得了哪些里程碑式的成果？

CarbonKylin?是鼎犀智創（Rhinovate?）面向碳基纖維領域打造的首個驗證實例。

在RhinoAI的閉環迭代驅動下，CarbonKylin?自主完成了單體設計、工藝尋優與可解釋分析的全流程，成功設計出一款碳材料摻雜的雜環芳綸復合纖維，拉伸強度達到41.2 cN/dtex，處于業界最佳水平。

更關鍵的是，系統深入揭示了碳材料與雜環芳綸復合所產生性能涌現的機理：碳材料表面與雜環芳綸分子鏈間形成強界面層，為應力傳遞提供了耦合通道；碳材料的錨定效應抑制了組裝過程中的局部熵增與缺陷形成，從而實現了結構致密化。

這一發現實現了從「黑箱優化」到「可解釋發現」的跨越。

作為RhinoAI落地的首個驗證實例，CarbonKylin?的經驗將如何向其他材料體系拓展？

CarbonKylin?驗證了RhinoAI這條路徑的可行性，但它只是起點。RhinoAI的關鍵優勢在于「通用框架＋專有知識＋專用設備」的分層架構，使前沿材料研發不必在每個新方向上重復建設底層智能設施。

在架構設計上，RhinoAI的核心平臺框架、多Agent 邏輯和自主記憶機制屬于通用層，而領域知識和物理設備則屬于專有層。

具體而言，通用層包括Agent的編排調度、記憶的存取與更新機制，以及辯論協議等與具體材料體系無關的基礎設施；專有層則包含針對特定材料的跨尺度模型、專用表征設備和領域知識圖譜，需要實質性的領域定制工作。

基于該分層架構，針對不同材料體系，研發團隊只需聚焦于該領域的專有知識、專用設備與領域模型，即可開展深度的領域定制工作，快速構建出該體系專屬的閉環研發能力——從文獻檢索、虛擬篩選、實驗執行，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。

目前，鼎犀智創（Rhinovate?）正積極布局高性能聚合物纖維、鋰電池、半導體薄膜等材料體系，將RhinoAI的全閉環研發能力快速落地為領域專屬的智能研發平臺。

對于希望在材料研發中引入系統性智能能力的團隊而言，RhinoAI提供的不是一個工具，而是一套經過驗證、可直接部署的完整研發范式，它讓每一個領域都能站在堅實的智能基礎設施之上，將精力集中于讓材料真正發揮出應有的性能。