AI驱动材料研发闭环：鼎犀智创如何打通从算法到中试的物理验证链？
近年来，人工智能在材料科学领域的应用已从理论探索迈入工程实践阶段。然而，一个核心问题始终悬而未决：AI生成的材料结构或配方，能否在真实世界中被制备出来？其性能是否可复现？实验数据能否有效反哺模型？更重要的是，当研发从实验室走向中试放大，原有结论是否依然成立？这些问题的答案，直接决定了AI能否真正嵌入材料研发的核心流程。
在此背景下，成立于2025年的AI新材料研发公司鼎犀智创（Rhinovate™）提出了一条更具物理实感的技术路径——不再满足于“纸上谈兵”式的材料生成，而是致力于构建一个贯通算法、实验与工程的完整闭环。其核心理念是：AI Scientist的能力必须延伸至物理世界，与机器人、实验设备和具体工艺深度耦合，形成可执行、可反馈、可持续迭代的研发体系。
打破“干湿割裂”：构建材料研发的物理闭环
传统材料研发高度依赖经验与试错，周期动辄五到十年。即便引入计算模拟，也常面临“模型难落工艺、数据难回流、放大即失效”的三重困境。鼎犀智创的解决方案，是以“跨尺度物质编译”为统一框架，将材料的结构、配方、制备工艺与宏观性能纳入同一条计算—实验链路。
其自研的Rhino Physical AI平台由两大核心组件驱动：Rhino Scientist（AI科学家） 与 Rhino Lab（自主实验系统）。前者负责理解科研目标，调用知识库与材料模型，生成研究假设并编排任务流；后者则承接策略，通过机器人、智能实验工站和高通量表征设备，自动完成样品制备、性能检测与数据采集。
这一架构的关键在于“任务可执行化”。例如，当目标是提升某种复合纤维的拉伸强度时，Rhino Scientist会将其拆解为分子结构设计、溶剂配比优化、纺丝参数调整等多个子任务，并调度不同智能体协同工作。Rhino Lab则在真实环境中执行这些任务，实时反馈实验结果。每一轮“设计—执行—表征—反馈—优化”的循环，都使系统对材料行为的理解更加精准。
值得注意的是，人类科学家并未被取代，而是角色升级：他们负责定义核心科学问题、解释关键机理、做出工程决策。AI与人类形成互补——AI处理海量参数空间与重复性实验，人类聚焦创造性判断与系统性思考。
数据飞轮：真实实验驱动模型持续进化
模型是整个系统的推演引擎，但其有效性完全依赖于高质量、多维度的真实数据。鼎犀智创深知，没有实验回流的模型只是空中楼阁。因此，公司从成立之初就将数据采集与质控置于核心位置。
目前，其已在结构承载聚合物、烯碳材料与电解液三大方向积累超过125万条多尺度模拟数据、4.8万条自动化实验数据，并构建了包含21.4万个实体和62.6万条关系的知识图谱。尤为关键的是，失败实验同样被完整记录。这些“负样本”对于理解工艺边界、识别因果关系至关重要。
基于此，鼎犀正在开发面向聚合物的RhinoMat基础大模型。该模型以三维等变图神经网络为基础，结合长程相互作用模块，能够对复杂聚合物体系进行统一表示。在此之上，系统可进行力场模拟、逆向生成目标结构（通过扩散模型），或构建代理模型用于贝叶斯优化。
更进一步，实验数据回流后，不仅用于校准模型预测，还能动态调整下一轮实验的设备参数与工艺条件，形成“模型—配方—设备”三级增强回路。这意味着，每一个研发项目都在同步产出两种资产：一是具体的材料成果，二是可用于训练下一代模型的专有数据与工艺认知。这种数据飞轮效应，使得系统能力随时间呈指数级增长。
实战验证：4天做出业界最强复合纤维，7天锁定电解液突破
理论架构是否有效，最终需由实际成果检验。鼎犀智创已披露两个极具说服力的案例。
在复合材料领域，公司联合北京大学深研院，依托CarbonKylin™“自主进化纤维材料AI科学家系统”，实现了从单体设计到力学表征的全流程自动化。面对包含上万参数的复杂优化空间，传统方法预计需2000天，而该系统仅用4天即完成多目标寻优，将研发周期压缩99.8%。所制备的烯碳/芳纶复合纤维拉伸强度达到41.2 cN/dtex，据称已达业界最高水平，相关材料已进入中试阶段。
更值得称道的是，系统不仅给出了高性能配方，还揭示了背后的机理：碳材料与芳纶分子链形成的强界面层可通过“锚定效应”抑制缺陷扩展。这一发现使AI的角色从“黑箱筛选器”升级为“机理发现助手”，相关成果荣获2026世界人工智能大会AI4S应用赛道一等奖。
在新能源领域，鼎犀与北大团队合作开发电解液智能研发系统。通过知识图谱界定研究空间，结合机器学习与贝叶斯优化，系统自动完成配液、检测、扣电组装与循环测试。仅用7天便锁定配方突破方向，将原需180天的研究周期缩短至30天，实验量减少75%，电池库伦效率突破99.5%。
这两个案例虽面向不同材料体系，却验证了同一套底层逻辑：模型缩小搜索空间，自动化实验高效执行，真实数据驱动下一轮决策。这种可编排、可迁移的闭环架构，正是平台化能力的体现。
从中试验证到平台化基础设施：下一阶段的关键挑战
高性能材料的价值不仅在于实验室指标，更在于能否稳定量产。鼎犀智创清醒地认识到，放大过程是AI材料研发的最后一道门槛。设备规模、传热传质条件、工艺窗口的变化，往往导致实验室性能无法复现。
为此，公司将中试放大能力直接纳入AI Scientist体系。CarbonKylin系统的复合纤维成果已进入中试阶段，这不仅是对材料性能的检验，更是对整个研发闭环在工程尺度下鲁棒性的压力测试。能否在放大过程中持续约束性能与工艺参数，将成为衡量系统成熟度的关键指标。
与此同时，鼎犀正推动其技术从“单点项目”走向“可复用的材料研发基础设施”。公司以聚合物模型为先行方向，持续扩展RhinoMat的能力边界，并与万华化学、贝特瑞、金羽新能等产业龙头开展联合研发，加速技术在真实工业场景中的验证与迭代。
依托北京、深圳、香港三地的科研与产业资源，鼎犀智创正构建一个跨区域的创新网络。其终极目标，是让模型、数据、实验技能和工艺知识在不同材料场景中沉淀、复用、进化，最终形成一个开放、可扩展的智能材料研发平台。
可以预见，在未来几年，材料研发的竞争将不再是单一算法或数据的比拼，而是闭环完整性、数据飞轮速度与工程落地能力的综合较量。鼎犀智创所走的这条路，或许正是AI真正赋能材料科学的正确打开方式。