新智元报道
【新智元导读】AI不仅写代码，连做实验也包揽了！基于闭环Agent架构RhinoAI，机器自主完成了碳材料寻优。告别低效人肉试错，AI「物质编译」直接撕裂材料黑箱。
微观惊艳、宏观平庸，这道「跨尺度性能退化」的难题困扰材料界数十年。
如何扭转这一局面？
鼎犀智创（Rhinovate™）联合北京大学深圳研究生院新材料学院、北京大学人工智能研究院的科研团队共同推出了CarbonKylin™，一个针对碳材料的Agentic自驱动材料研发系统，旨在系统性破解性能退化之谜，让新材料产业化真正跨越从实验室到应用的鸿沟。
难题与破局
从「经验试错」到「物质编译」新范式
从微观单元到宏观材料，性能为何会出现断崖式下跌？
问题根源在于组装过程中两类相互交织的物理机制。
其一是非线性涌现——当无数微观单元在数十道工序、数百个参数下发生强非线性耦合时，微小的初始波动便可能被逐级放大，最终使宏观性能远低于预期。
其二是热力学耗散——系统在趋向熵增的过程中，自发产生缺陷与无序堆叠；工艺过程中的非平衡冷却和残余应力也会引入力学性缺陷，二者共同造成能量的不可逆耗散，削弱材料的强度性能。
当前以A-Lab为代表的前沿 AI 材料研发平台，虽已在无机粉体等体系中取得突破，却难以应对非线性涌现行为与热力学耗散问题。
高通量计算筛选、自动化合成与表征等手段大多聚焦于研发链条的单个环节，缺少贯通模型预测、实验验证与机理理解的系统性框架。主流数据驱动方法多为黑箱预测，难以揭示性能涌现的物理根源，预测结果也难以升华为可迁移的科学认知。
面对跨尺度性能退化的难题，鼎犀智创（Rhinovate™）如何进行破局？
编译物质科学与工程（Material Compilation Science and Engineering，MCSE）将计算机科学中的编译理念引入材料制备，把从微观到宏观的制备过程形式化为可分析、可优化、可解释的编译过程，从而系统性地提升性能保留率，确保关键物理信息在尺度转换中的保真。
将这一范式工程化落地，不能依靠孤立的技术模块，而需要一种闭环式的研究架构。
这正是鼎犀智创（Rhinovate™）提出的RhinoAI所承担的角色——一套面向物质科学的PhysicalAI系统：不仅具备计算和推理能力，还能直接与物理世界交互，以内嵌的多尺度物理知识作为推理约束，并根据物理反馈自主修正认知和策略。
它由四个紧密协同的支柱共同构成完整的认知-行动循环：自动化实验平台产出标准化物理数据；多尺度模拟提供跨尺度机理与虚拟数据；跨尺度端到端模型实现预测与逆向设计；可解释物质计算揭示其中的物理机制，所得洞察再反馈至实验和模型改进。
理论到系统
RhinoAI，一个会「自主研发」的科学系统
MCSE 所设想的闭环，需要打通虚拟筛选、高通量实验、可解释分析等大量异构模块，若这些模块各自独立运行，研发人员仍会陷入手工编排的低效困局。
破解这一困局的关键在于RhinoAI的Agentic架构：借助大语言模型与多Agent协同，将离散模块整合为一个能自主推理、自主决策、自主执行并自主更新的回路。
RhinoAI的Agentic架构具体是如何运作的？
RhinoAI的能力建立在分层技术基座上，由五大模块构成其物理推理、计算、实验执行和知识获取的基础：大语言模型（LLM）、材料科学模型、科学算法、自动化设备、数据库与知识库。
在此基础上，基于LLM和Harness的协同调度中枢对这些基础能力进行动态编排。
该Agentic架构将材料研发全流程抽象为一系列可分解、可协调的认知与操作任务，每一类Agent被赋予明确角色和功能边界，在主Agent的统一调度下协同工作，形成认知-行动回路的结构化实现。
RhinoAI如何实现持续进化和知识沉淀？
支撑RhinoAI协同与决策持续进化的核心是自主记忆机制。
每一次从假设生成、实验决策、物理执行到结果分析的完整回路，都被结构化为一条持久存储的「研发记忆」——包含目标、决策、行动序列、观测数据、模型版本和策略效能。
记忆系统不只记录实验参数和性能结果，还记录假设的提出与验证结论、模型的版本演替和预测精度，以及策略的成功与失败模式。
更重要的是，不同 Agent 协作与竞合中产生的新搜索策略、从预测误差中凝练的物理判据、跨尺度关联中被算法自主发现的隐藏描述符，这些能力并非预先设计，而是从闭环研发的长期历史中积累而来。
这些增量知识，包括经过实验验证的物理判据、可解释分析揭示的机理洞察，以及系统在迭代进化中产生的新认知，将沉淀为结构化的科学语料，反哺后续研发任务和模型训练。
CarbonKylin™正式发布
首个里程碑背后，RhinoAI的未来图景
CarbonKylin™已正式发布，它取得了哪些里程碑式的成果？
CarbonKylin™是鼎犀智创（Rhinovate™）面向碳基纤维领域打造的首个验证实例。
在RhinoAI的闭环迭代驱动下，CarbonKylin™自主完成了单体设计、工艺寻优与可解释分析的全流程，成功设计出一款碳材料掺杂的杂环芳纶复合纤维，拉伸强度达到41.2 cN/dtex，处于业界最佳水平。
更关键的是，系统深入揭示了碳材料与杂环芳纶复合所产生性能涌现的机理：碳材料表面与杂环芳纶分子链间形成强界面层，为应力传递提供了耦合通道；碳材料的锚定效应抑制了组装过程中的局部熵增与缺陷形成，从而实现了结构致密化。
这一发现实现了从「黑箱优化」到「可解释发现」的跨越。
作为RhinoAI落地的首个验证实例，CarbonKylin™的经验将如何向其他材料体系拓展？
CarbonKylin™验证了RhinoAI这条路径的可行性，但它只是起点。RhinoAI的关键优势在于「通用框架＋专有知识＋专用设备」的分层架构，使前沿材料研发不必在每个新方向上重复建设底层智能设施。
在架构设计上，RhinoAI的核心平台框架、多Agent 逻辑和自主记忆机制属于通用层，而领域知识和物理设备则属于专有层。
具体而言，通用层包括Agent的编排调度、记忆的存取与更新机制，以及辩论协议等与具体材料体系无关的基础设施；专有层则包含针对特定材料的跨尺度模型、专用表征设备和领域知识图谱，需要实质性的领域定制工作。
基于该分层架构，针对不同材料体系，研发团队只需聚焦于该领域的专有知识、专用设备与领域模型，即可开展深度的领域定制工作，快速构建出该体系专属的闭环研发能力——从文献检索、虚拟筛选、实验执行，到多尺度表征、因果分析与知识沉淀，全流程贯通，无需从零搭建底层架构。
目前，鼎犀智创（Rhinovate™）正积极布局高性能聚合物纤维、锂电池、半导体薄膜等材料体系，将RhinoAI的全闭环研发能力快速落地为领域专属的智能研发平台。
对于希望在材料研发中引入系统性智能能力的团队而言，RhinoAI提供的不是一个工具，而是一套经过验证、可直接部署的完整研发范式，它让每一个领域都能站在坚实的智能基础设施之上，将精力集中于让材料真正发挥出应有的性能。
热门跟贴