让 AI Scientist 真正“做出材料”， 鼎犀智创完成数亿元 Pre-A 轮融资

机器之心发布 AI 新材料研发公司鼎犀智创（Rhinovate™）近日完成数亿元 Pre-A 轮融资，本轮融资由鼎晖百孚领投，九合创投、彬复资本、龙芯创投、顺禧基金、中关村资本跟投。 此前，鼎犀智创已获得昆仲资本、元生创投、上海未来产业基金、晶泰科技等机构投资，这也是公司一年内完成的第三轮融资。 本轮资金将重点用于 RhinoMat 材料科学基础大模型及底层技术研发、多场景可编排 AI 智能体与自主进化实验室体系建设，以及碳基高性能材料的放大验证，进一步沉淀核心技术与实验数据。 随着大模型进入材料科学， 行业关注的问题正在从「能否生成候选材料」，进一步转向「能否在真实世界完成验证」：AI 给出的结构和配方是否可制备，性能能否复现，实验数据能否反向更新模型， 以及进入中试和放大阶段后，原有结论是否仍然成立，都决定着 AI 能否真正进入材料研发流程。 这也意味着，AI Scientist 的能力不能只停留在模型端。它还需要进一步接入机器人、实验设备和具体工艺流程，将材料研发组织成一套可执行、可反馈、可持续迭代的物理闭环。 鼎犀智创成立于 2025 年，依托北京大学科研力量孵化，核心团队成员来自北京大学、清华大学、剑桥大学、斯坦福大学、麻省理工学院等。 公司选择了一条更靠近物理世界的技术路线： RhinoAI 智能研发平台试图将 AI Scientist、自主实验系统与中试放大能力打通，由算法提出假设和实验方案，机器人执行实验，实验数据再反馈至模型，科学家则负责机理解释与工程决策。 从科研认知到实验执行， AI Scientist 如何接入物理世界？ 新材料从设计到量产通常需要五到十年。材料结构、配方、制备工艺与宏观性能相互影响，研发过程又横跨计算、实验和放大环节。模型难落到工艺、实验数据难以回流、实验室性能在放大中失效，构成了材料 AI 进入产业的连续门槛。 鼎犀智创以跨尺度物质编译为统一框架，把材料结构、配方、工艺和性能纳入同一条计算 — 实验链路。其自研 Rhino Physical AI 平台由 AI Scientist 与 Self-Driving Lab 协同驱动：前者负责理解科研目标、调用知识与材料模型、生成研究方案并编排任务；后者承接研究策略，通过机器人、智能实验工站和高通量表征设备完成制备、检测与数据回流。 Rhino Lab 在真实实验环境中执行自动化制备与表征任务 这套架构把一次材料研发拆解为可执行、可反馈的任务流。Rhino Scientist 可将科学问题转化为计算、实验与工程任务，并按不同材料场景编排多个智能体；Rhino Lab 在计算模拟与实验校准的干湿闭环中调度设备、制备样品、完成多模态表征，再根据结果调整下一轮实验。 AI Scientist 提出假设与策略，机器人执行高通量实验，科学家负责目标定义、机理解释与工程决策。三者共同运行于 “设计 — 执行 — 表征 — 反馈 — 优化” 的闭环中。每完成一轮实验，系统都会获得新的数据和证据，下一轮决策也随之更新。 真实实验回流之后，模型才开始进化 模型是这一系统的推演层。Rhino 正在构建面向聚合物的模型 RhinoMat，以三维等变图神经网络与长程作用模块为底座，对聚合物结构进行统一表示。在此基础上，模型可构建力场模拟聚合物体系，结合扩散模型逆向生成目标聚合物，也可将结构表示融入代理模型进行贝叶斯优化，并通过实验反馈持续校准。 Rhino 模型与算法引擎：从结构表示、模拟到逆向生成与优化 数据决定模型能否理解真实工艺。Rhino 已在结构承载聚合物、烯碳材料与电解液方向积累超过 125 万条多尺度模拟数据、4.8 万条自动化实验数据，并构建包含 21.4 万个实体和 62.6 万条实体关系的知识图谱。其采集对象覆盖 “工艺 — 结构 — 表征 — 性能” 全过程，失败实验同样被保留；数据质控与因果证据链用于追溯实验过程、解释结果来源。 Rhino Knowledge 以知识图谱组织材料实体、关系与实验信息 真实实验数据回流后，模型生成并筛选下一轮候选配方，实验结果再反向调整设备与工艺参数，由此形成 “模型 — 配方 — 设备” 三级增强回路。这个飞轮的技术意义在于，每个项目都在同时生产材料结果与训练信号，专有数据、配方认知和工艺经验随实验持续累积。 41.2 cN/dtex： 4 天做出业界最强的烯碳 / 芳纶复合纤维 一套材料 AI 系统是否有效，最终要看它能否缩短搜索过程、做出可验证的材料，并给出下一步可执行的实验决策。鼎犀智创目前披露的两项案例，分别落在复合材料和新能源材料。 在复合材料领域，鼎犀联合 北大深研院材料学院教授课题组 ，依托 CarbonKylin™“自主进化纤维材料 AI 科学家系统”，贯通材料单体设计、工艺优化、自动制备和力学表征全流程，在模型、配方与制备参数之间联动寻优。在万级参数空间中，系统将原本预计约 2,000 天的多目标寻优压缩至 4 天，研发周期缩短 99.8%；烯碳 / 芳纶复合纤维拉伸强度达到 41.2 cN/dtex。据鼎犀智创披露，这一指标达到业界最强水平，相关材料已经进入中试。 CarbonKylin™贯通材料设计、自动制备与力学表征全流程 这项工作的另一项结果来自机理层面。系统发现，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，为性能提升提供了可解释线索，也让 AI 的角色从配方筛选进一步延伸到材料机理发现。相关成果获 2026 世界人工智能大会 AI4S 科学智能应用赛道一等奖，并入选北京市首批人工智能赋能科学研究典型案例。 CarbonKylin™获奖及入选北京市首批人工智能赋能科学研究典型案例 7 天锁定电解液配方方向，实验量减少 75% 在新能源材料领域，鼎犀联合 北大团队 ，从知识图谱出发定义研究空间，以机器学习和贝叶斯优化驱动自动配液、检测、扣电组装与循环测试。通过模型、配方与实验参数的闭环迭代，系统在 7 天内找到配方突破方向，将研究周期由 180 天缩短至 30 天，实验量减少 75%，电池库伦效率突破 99.5%。 北京大学新能源电池电解液智能研发实验室 两个案例面向不同材料，却验证了同一套系统逻辑：模型缩小搜索空间，自动化实验完成执行和表征，真实数据回流驱动下一轮决策。材料方向改变后，任务、模型与设备可以重新编排，闭环本身保持一致。 从单点闭环走向可复用的材料研发基础设施 高性能材料的性能突破发生在实验室，产业价值则需要经过放大验证。制备规模变化后，设备条件、工艺窗口和材料性能会重新耦合。鼎犀智创因此将中试放大纳入 AI Scientist 体系，让研发闭环从计算和实验继续延伸到工程验证。CarbonKylin 相关复合纤维成果已经进入中试，成为这套系统检验产业化能力的下一阶段。 围绕从科研到产业的全链条，鼎犀智创与北京大学科学家团队开展深度合作，并依托北京、深圳、香港三地布局，汇聚跨区域科研力量与创新资源；公司同时与万华化学、贝特瑞、金羽新能等产业龙头开展联合研发。 下一阶段的关键变量，是这套闭环能否跨材料方向复用，并在放大过程中持续约束性能与工艺。鼎犀智创将以聚合物模型为先行方向，继续扩展 RhinoMat 与 AI Scie