AUTONOMOUS HYPOTHESIS 01 人类网络
认知自主
大模型作为 AI 科学家副驾，内化海量文献与隐性经验，自主完成意图理解、假设生成、方案设计与报告解读。人只主导目标设定与科学判断
后训练大模型 专利排雷 跨学科检索
AI FOR SCIENCE
从经验试错，到自主进化的发现循环
高端新材料的研发长期依赖专家试错：算力成本高、实验通量低、数据链路割裂。我们用多智能体集群打通人类网络、科学计算与物理系统，把材料发现、性能预测、工程放大到量产排程连成一个模型驱动的闭环。
INDUSTRIAL AI · AGENTIC SYSTEMS
从经验试错，到自主进化的 发现循环
我们用多智能体集群打通人类网络、科学计算与物理系统，把材料发现、性能预测、工程放大到量产排程连成一个模型驱动的闭环。
预约演示01 · THE BOTTLENECK
「试错式」研发不是习惯，
是三个要素的上限叠出来的
数据、流程、设备与专家经验先被组织成企业自己的上下文；智能体集群在上下文里理解、决策、行动；结果再回流，让上下文继续长。
01 · 人类经验
认知上限与隐性经验
专家凭经验给出粗糙假设，知识难以复制。
02 · 科学计算
算力成本指数上升
计算缺少可信数据校准，承担不了筛选。
03 · 物理实验
通量跟不上合成速度
通量低、方差大，回流数据难以训练模型。
三个要素各自够强，链路却仍然串行—— 真正的卡点是它们之间的路径依赖。
只能交给物理实验穷举
人凭经验给出粗糙假设
回流数据训不了模型，也沉淀不了经验——下一轮从头再来
通量低、方差大、数据不结构化
计算缺可信数据校准，承担不了筛选
只能交给物理实验穷举
人凭经验给出粗糙假设
回流数据训不了模型，也沉淀不了经验——下一轮从头再来
通量低、方差大、数据不结构化
计算缺可信数据校准，承担不了筛选
02 · THREE AUTONOMIES
我们让每一个要素都自主起来
数据、流程、设备与专家经验先被组织成企业自己的上下文；智能体集群在上下文里理解、决策、行动；结果再回流，让上下文继续长。
AUTONOMOUS COMPUTING 02 科学计算
计算自主
纯数据驱动的黑盒泛化不住，纯第一性原理算不起。生成筛选模型在庞大材料空间里自主探索，物理神经网络在约束内推理——把下发给物理世界的未知空间压小。
GNN / MatGen / GNoME PINN 机器学习势函数
AUTONOMOUS LAB 03 物理系统
执行自主
以理解真实物理规律的世界模型为基座，结合机器人，物理系统按指令自主完成合成、表征与工艺调优，7×24 小时闭环试错，高质量数据回流。
世界模型 实验室操作系统 原位表征
03 · MICRO · MESO · MACRO
一套集群，跨三个尺度
微观科学扩散模型、介观机理模型、通用大模型与世界模型协同工作。微观科学扩散模型、介观机理模型、通用大模型与世界模型作基座，新材料知识库内化隐空间表征，自主实验室做脚手架。
在隐空间重新组织材料表征，目标性质（带隙、催化活性）直接作为条件反向生成候选分子与晶体；势函数作快速代理完成大规模虚拟筛选。
收敛到可承受的量级，再交给实验室验证
复杂工况下的力学、热学、电磁学性能快速给出，也支持由目标性能反推成分与微结构；反应釜传热传质、流化床气固流动同样建模。
仿真从事后校核，变成设计过程中的实时参考
化学过程智能体刻画反应器行为、分离流程与全流程物料能量平衡，识别工艺窗口与放大风险；收率、能耗、成本与交付纳入统一优化。
「能否放大」，在配方阶段就成为可评估的问题
微观 · 发现与筛选
在隐空间重新组织材料表征，目标性质（带隙、催化活性）直接作为条件反向生成候选分子与晶体；势函数作快速代理完成大规模虚拟筛选。
收敛到可承受的量级，再交给实验室验证
04 · A DISCOVERY, END TO END
一个 POE 级催化剂，是怎么被做出来的
命题：设计一种高温耐受（140–160°C）、窄 PDI（<2.1）的乙烯 / 1-辛烯共聚催化剂。
候选数量的收敛
每一步谁在做
海量生成
10,000
低成本粗筛
2,000
逆合成拦截
200
DFT 过渡态精算
50 → 10
宏观桥接
最终配方
海量生成
低成本粗筛
逆合成拦截
DFT 过渡态精算
宏观桥接
10,000
2,000
200
50 → 10
最终配方
01
意图 → 化学与物理约束
后训练大模型提取金属中心（Hf / Ti）、单活性中心、大位阻，并执行专利排雷
02
生成与粗筛
扩散 / 分子生成模型组合出上万个物理可行分子，低算力筛选模型剔除立体空间不合理的废料
03
合成可行性
逆合成路径规划作为核心拦截器：做不出来的，不往下走
04
高精验证
极少数精英分子才动用昂贵的第一性原理算力
05
下发构建世界
高通量实验室接住合成、表征与工艺调优，结果回流修正筛选模型
05 · SELF-DRIVING LAB
实验被编译成一张有向无环图
节点是实验任务，边是依赖关系。调度器、资源管理器与设备管理器接住剩下的一切。
POWDER DOSING
配粉 · 称量 · 混合
系统按配方自动完成前驱体的选择 、计量与混合，批量处理同一轮的样品。
选择前驱体粉末按化学计量比计算质量并自动称量加入样品容器与球磨介质球磨或振荡完成混合装入坩埚
16 样品
单任务最大批量
配方来自计算侧的收敛结果，不再由人手抄一遍。
HEATING
箱式炉烧结
普通空气气氛的材料，机器人把坩埚装入陶瓷样品架，整架放进箱式炉执行预设温度程序。
升温速率目标温度保温时间降温过程
8 样品
单次加热任务批量
与受控气氛管式炉构成两条可选的烧结分支。
HEATING WITH ATMOSPHERE
受控气氛烧结
需要特殊气氛的实验切到管式炉，气体与温度一起被程序控制。
气体类型气体流量炉内气氛温度程序
4 样品
受控气氛单批容量
气氛敏感体系必须走这条分支，调度器自动选路。
RECOVER POWDER
冷却 · 回收 · 研磨
烧结冷却后样品送到回收站：取出、破碎、研磨、称量，再转一小份到 XRD 载台。
从坩埚取出烧结产物破碎烧结块并研磨为细粉称量或记录回收质量转移少量粉末至 XRD 样品载台
机械步骤最多
卡料与转移失败的高发环节
任务代码里包含大量异常恢复逻辑——自动化的成本主要在这里。
DIFFRACTION
XRD 表征与主动学习
样品送入粉末 X 射线衍射仪自动采谱，两类分析方法并行处理图谱。
机器学习模型识别可能存在的晶相自动 Rietveld 精修计算各晶相质量分数识别中间相、副产物与未反应前驱体
不止 是 / 否
读数直接决定下一轮怎么改
读数不可信，循环就只是在放大噪声。
ENDING
归档与回流训练
实验结束后结果入库、样品位置更新、日志与元数据留档，数据直接进入模型训练。
实验结果写入数据库更新样品最终位置并通知操作员保存任务日志、设备信号与 XRD 数据复制到备份数据库
全局唯一 ID
每个样品的物理流转历史可追溯
这一步是自主进化的入口：没有归档，就没有复利。
ECOSYSTEM
循环不是跑一次，是越转越快
提出 → 验证 → 读数 → 沉淀。每一轮的结果都回去修正筛选模型、势函数与世界模型，下一轮的未知空间更小。
06 · CONTINUOUS EXPLORATION
循环不是跑一次，是越转越快
提出 → 验证 → 读数 → 沉淀。每一轮的结果都回去修正筛选模型、势函数与世界模型，下一轮的未知空间更小。
1000 → 5
虚拟 rollout 与真实实验
物理世界只做最值得做的那几次
2700s → 0.1ms
单次物理场评估耗时
先让「跑一次」变便宜，并行扇出才成立
7×24
无人值守的闭环试错
通量不再由人的班次决定
01
01 读数变可信
XRD 自动采谱、机器学习识别晶相、Rietveld 精修算质量分数——不只判断有没有生成目标材料，还识别中间相与副产物，为下一轮提供依据。
02
02 模型被自己的实验数据校准
结果入库即用于训练：筛选模型、势函数与介观机理模型持续修正判断，不再靠公开数据集猜。
03
03 经验沉淀成集群的资产
成功路径与失败原因写进知识库与 Skill；第二个体系的立项不用从零开始——这与我们在技术概述里讲的自主迭代是同一套机制。
04
04 跨过企业的围墙
材料基因数据稀缺，而核心数据不会交出去。同一套技术在每家本地建各自的模型；攻克共同课题时组成实验室联盟——自愿参与，成果共享，原始数据不动。
