素源矩阵要在变量极多、现实条件不断变化的系统里，更快给出可执行的方案。

在“2026投海Tech Show”路演现场，登台的14位创始人中，有00后的清华博士、90后的院士弟子，也有80后的“小冰之父”。

他们来自清华、北大、北航、北邮等高校院所，带着各自在AI、空天、芯片、新材料等领域的硬核项目。

其中，95后海归设计师那荣钰创办的素源矩阵，很有“反差感”。

这个团队全职只有3个人、算上实习生不过十来人。但成立不到一年，已经和建材行业头部客户展开深度合作，实际订单超过2000万元。在台上，那荣钰展示把AI直接接进水泥、化工等重工业产线，替工厂做生产决策。

台下坐着阅项目无数的投资人。对于“AI深入工业、进入材料和制造底层”这件事，多数人并不怀疑其前景。但这样一个小团队，怎么跨过传统工业的壁垒，让客户买单，仍需要回答。

这种审慎并不奇怪。因为如果把时间拨回两年多前，素源矩阵还不存在。

2023年，拉斯维加斯。一场材料学术会议间隙，因为航班延误，又不想临时再订一晚酒店，那荣钰和韩家乐站在一家赌场的门边，伴着周围此起彼伏的筹码声，两人第一次聊起合作与未来方向。

那时，他们口中还没有“工业智能体”“生产优化”这些词，讨论的只是：如果用AI探索新材料，到底该从哪里切入。

直到2025年回国后，他们才把公司落在了北京中关村AI北纬社区。

两位创始人的履历都很亮眼。那荣钰出生于1996年，拥有布朗大学和罗德岛设计学院双学位，曾是亚马逊Lab126最年轻的工业设计师；CEO韩家乐则是“00后”，毕业于加州大学伯克利分校，曾获得美国能源部IMPEL创新奖。

但现在，这两位技术极客每个月只给自己开7000多元的工资。那荣钰向「甲子光年」展示了他的工资单，实发7246元。“有一个月，因为刚回国不熟悉五险一金缴纳流程产生滞纳金，钱直接从工资里扣，最后只拿了6500多块。”他说。

海外名校履历、7000多元的实发工资、2000万的工业订单，被同时放在这家公司身上，构成了素源矩阵最直观的反差。

“2026投海Tech Show”路演现场，素源矩阵创始团队展示，图源：「甲子光年」现场拍摄

1.一次昂贵的醒悟

2023年，素源矩阵团队组建后，那荣钰和韩家乐最初做的，并不是生产优化，而是AI设计新材料——用来造木板的无甲醛胶水。

刚踏进“AI+材料”赛道时，他们定下的目标很简单：“做不出来，就发论文，做出来了，就建公司”。这款无醛胶水，就是他们最早的切入点。

从技术上看，这一度是一条相对顺利的路。研发推进很快，技术路线跑通了，也拿到了美国能源部创新项目的支持，团队受邀前往伯克利劳伦斯国家实验室开会讨论。坐在那个诞生过回旋加速器的地方，很容易让人觉得，这项技术离商业化不远。

但现实的供应链并不按照实验室的逻辑运行。

在木材加工行业，去甲醛并不是一个单纯的技术难题。全球板材厂至今大量使用的，依然是廉价的脲醛树脂胶。它虽然会长期释放甲醛，但胜在便宜、固化快，适配流水线作业的效率。

无醛胶并非没有，北美有无甲醛、大豆基胶合板粘合剂技术PureBond，但这类产品普遍面临同一个问题：原料更贵、生产速度更慢。

素源矩阵的无醛胶水，也卡在这里。

那荣钰后来算过一笔账：这款无醛胶水完全可以量产，“它就是贵”。如果把成本加到零售端，消费者为了健康多花100块钱买个柜子，也许能接受，但供应链上的每一环企业都很难答应。

家具产业链很长，最先承受成本压力的，是最前端的压板厂。对这些利润本就不高的中间环节来说，换一款胶水，可能意味着生产成本直接翻三倍，而终端溢价并不会回流。在板材变成高利润家具之前，没有人愿意先为新材料埋单。

要推进下去，只能自己建厂、打通上下游。

「甲子光年」追问他：既然技术可行，为什么不自己建厂，把成本压下来？

那荣钰坦言，这在当时是一个认知盲区。在北美，重资产制造业几乎不被资本青睐，初创公司很难走这条路。后来他也看到，在国内，不少新材料公司会通过融资建厂，把技术往下推。但在当时的美国，这条路几乎走不通。

一年多的时间、精力和研发支出，最后换来的，是一个无法落地的现实。这也让那荣钰意识到：“新材料或者硬科技的商业化，可能不是靠技术来回答，是靠时间来回答。”一项技术要落地，需要等产业链一起成熟，而初创公司等不起。

既然整个产业链暂时不愿为“新配方”买单，公司又必须活下去，他们决定转向。

团队后来定下的策略是：“先切生产，再做新材料。”不再试图用一款更先进但更贵的材料撬动市场，而是先进入产线，帮现有工厂把材料“造得更好”，再逐步延伸到研发端。

这套逻辑，在面对投资人时也变得更容易说明。

在路演现场，中信资本董事总经理张予焓提问：“化工行业里的竞争对手体量都非常大。如果你们做出了创新，短期内怎么在价格不占优的情况下，去和巨头抢夺客户？”

那荣钰的回答很直接：“我们不是去替代他们，而是帮他们把现在的材料生产得更好，在产线里做降本提质。”他们不再从产业链之外切入，而是先进入产业链内部。这条路径的起点，是那块造得出来、却卖不出去的无醛胶水。

“2026投海Tech Show”路演现场，素源矩阵无醛胶水探索，图源：「甲子光年」现场拍摄

2.打破生产黑箱

无醛胶水碰壁后，素源矩阵重新明确了路线：一边继续探索AI造新材料，另一边则转向工厂，利用AI系统改造现有材料的生产过程。

概念要成立，先得找到一块能把效益算清楚的试验田。他们最早切进去的，是水泥行业。

韩家乐曾带着团队扎进水泥厂调研。在一家水泥工厂，一位老专家曾定下一条“金科玉律”：辅料中必须掺入7%含硫物质。10年里，矿山原料变了，设备升级了，但这个比例始终没动。

素源矩阵的系统接入后，AI重新计算了当下的设备状态和原料变量，得出的结论是，按现状，7%已经不合理了。工厂尝试放宽比例后，质量更稳定，成本也更低。目前，在单条年产200万吨的水泥产线上，这套系统可将单位成本降低约2%，对应每年超过1200万元的实际利润提升。

“2026投海Tech Show”路演现场，素源矩阵水泥厂订单及成果，图源：「甲子光年」现场拍摄

为什么这样一条传统产线，会长期存在这么顽固的经验黑箱？

那荣钰拿“烧水”打比方。同样一壶水，烧开的速度会受水壶材质、水中离子、室温等因素影响。放到工业现场，变量会迅速放大到上百个：原料波动、设备老化、空气湿度、温度曲线，都会持续干扰物理化学反应。“材料对于产线的影响，比很多人想的大。”

连续变量太多，人类经验总有失效的时候。那荣钰估算过，很多材料在制造环节里，接近40%的价值可能被浪费掉。这些浪费未必表现为直接报废，更多体现在偏高的能耗、过宽的参数窗口，让一批料最后只做到“勉强合格”。

按那荣钰的说法，这也是AI开始被工厂接受的前提。“他们不是为了做数字化而做数字化。”他说。过去，工厂更关心的是产量，质量标准相对粗放，通常只分“合格”与“不合格”；但随着近年来产量和生产天数逐渐受限，行业进入存量阶段。工厂的诉求变得非常直接：在不扩产的前提下，怎样把质量控制得更稳，把成本再往下压一点。

在山东、新疆等地的厂区，很多主管生产的厂长抛给那荣钰的问题，几乎没有任何废话：“如果一批原料进场延迟了两个小时，AI系统怎么决策？”“中间库房里的物料应该怎么精准溯源？”甚至更棘手的现实条件是，“在缺乏高端仪器、只能依赖人工滴定且存在较大误差的环境下，系统该怎么给出最优解？”

只有针对这些粗糙的生产意外给出预案，把账算清，系统才能留在产线上。

为了让外界更好理解，那荣钰一度把这套逻辑类比为“中国材料工业的Palantir”。他借用的不是军工、情报系统的标签，而是处理复杂决策系统的方式：在变量极多、现实条件不断变化的系统里，更快给出可执行的方案。

在对话中，那荣钰转过电脑，向「甲子光年」展示了这套决策系统在后台的真实运转逻辑。输入端，是持续波动的原料纯度、设备状态等现场数据；约束条件既包括化学方程式，也涵盖了从老师傅经验里“蒸馏”出来的工艺直觉。

它直接输出的是一组能落到产线上的参数指令。比如，当一家工厂面前摆着8种纯度不同的矿石、设备参数又在持续波动时，系统不会只弹出一句“情况复杂”，而是直接给出最优分配方案：矿石怎么分、硅钙配比怎么微调、温度曲线怎么改，既不影响质量，又尽可能省下燃料。

在那荣钰看来，这也是这一轮工业AI与上一轮数字化改造最清晰的区别。过去做的是“信息线上化”——建平台、采数据、做看板，这些系统更多是在记录；而在这一轮，数据必须重新回到决策中，AI系统要直接对成本和效益负责。

3.随机梯度下降

面对提问，那荣钰极少停顿。讲到复杂处，他顺手在纸上画图。比如，他的 “三把刀理论”：日本刀怎么切三文鱼，欧美刀为什么更适合劈砍，中国菜刀如何做到一把走天下。

他并不是单纯在聊工具，而是在解释一个更底层的逻辑。工具的形态，是由背后的材料、工艺和使用场景决定的。在他看来，创新同样没有绝对的模板，不能只看表象，只能向下追问底层为什么成立。

这种思维带有工业设计训练的印记。他学汽车设计出身，一辆车从图纸到上路，决策周期往往长达十几年。在他的经验里，创新必须在时间、资金和商业化的约束里验证。

打开手机备忘录，他记着自己的几条工作准则：“成事为先，系统化决策、结构化行动。”

借用机器学习里的“随机梯度下降”，那荣钰这样解释自己的状态：先定下大方向，再根据现实反馈不断修正参数，拒绝在假设中反复内耗。“如果你觉得这个方法好就做，不要去思考有没有更好的方法了。”他说，“在假设之上做假设，就等于什么都不能指导行动。”

这种只看现实反馈、不断修正的逻辑，也塑造了素源矩阵进工厂的打法。

他们没有选择一开始就在实验室里死磕一款新材料，去和巨头比拼量产与规模；而是进入山东、新疆等地的传统重工业厂区。和当地很多工厂生产负责人合作，先进入现有工厂，先介入现有材料。

现阶段，素源矩阵以“生产优化”作为入场券和现金流引擎：单条产线的控制系统本地部署收费500万元，覆盖4年的服务期。这套模式已经在行业第一的中国建材产线上稳定运行超过一年，并相继接入了金隅冀东水泥（建材行业No.3）、北京建工等头部企业的产线。

但如果不和巨头拼产能，仅仅作为一家提供生产优化的技术服务商，它与传统的工业控制软件区别在哪里？

在路演现场，讯飞创投合伙人徐剑追问了这个问题：“现在很多同行都在做工业控制优化，你们在数据积累、机理分析上，和过去的打法有什么区别？”

那荣钰给出的答案是“轻量化”。他表示，基于统一技术底座，系统在实际部署时只需要约200组真实生产数据进行微调，就能达到一些传统方法依赖10万组数据从头训练的效果；同时只需对接材料数据，不涉及大规模设备改造，避免了产线半年甚至更长时间的停工。

徐剑会后对「甲子光年」表示，从方向上看，AI4S在材料和化工领域的想象空间是成立的，“这一点行业里没有太大分歧”。但他也提醒，这一方向目前仍面临现实约束，尤其是数据层面的不足。“材料和化工的数据，本身不像互联网那么充足，也不够标准化。”在他看来，最后还是要看它在实际工况下的表现，以及有没有能力被产线接纳。

对素源矩阵来说，这也是这套模式成立的前提：先通过生产优化进入工厂，先把结果跑出来，再去积累最稀缺的工艺上下文和真实工业数据。

水泥只是第一块试验田。按照路线图，明年这套模式将被横向复制到煤制烯烃、煤化工以及冶金等重资产行业。

而在500万的单线订单背后，藏着更长远的底牌。那荣钰路演PPT的底部，一行字概括了这家公司的设想：“掌握工艺参数=掌握材料配方=掌握市场”。

对于素源矩阵而言，现阶段优化产线、赚取服务费只是第一步。在长达数年的服务周期里，他们更看重的是持续获取真实工业全链路数据和工艺上下文。等数据和经验积累到一定程度，再往前走一步，切入特种水泥、定制膜材料（PAG、ABF膜）以及高熵合金等新材料研发。

那荣钰把这条路概括为：“从技术服务商，走向材料供应商，最终成为市场定义者。”

“2026投海Tech Show”路演现场，素源矩阵AI for Materials商业模式框架，图源：「甲子光年」现场拍摄

4.在海淀的土壤里成长

一个极小的初创团队，能坐上央国企、重工业大厂的牌桌，并不容易。

作为亚马逊最神秘的硬件创新实验室，Lab126孕育过电子书阅读器Kindle、智能音箱Echo以及低轨通讯卫星Leo。

在那荣钰担任工业设计师的时期，他是那里最年轻的员工。这里的研发资金几乎不设上限，但项目的生死却极其脆弱。他经历过一个近视眼镜项目，技术路径明明已经走通，但仅仅因为高管之间一次沟通，这个项目就戛然而止。

“在大公司体系里推行一种新材料落地，可能得耗费四年时间；但自己跳出来做，只要找对场景，一年就能跑出结果。”那荣钰算过这笔账。

既然决定出来，留在海外就不再是选项。想做新材料和智能决策，必须进厂、跑进真实的产线实验。回到国内，回到拥有庞大制造业基础的地方，这条路才可能跑通。

2025年回国后，他们把公司落在了海淀中关村。作为初来乍到的留学生，团队最初对国内的营商环境并不熟悉。

“海淀帮我们完成了最初的信息注册，更重要的是他们对留学生归国创业的‘手把手’引导。”那荣钰回忆道。由于不了解相关的政策，海淀的工作人员主动向他们梳理留学生服务政策，并协助他们申请到了算力、政策的补贴与激励。

在寻找市场切口的关键时刻，中关村科学城主动帮助这支技术团队对接北京的央国企资源。这种引荐让素源矩阵得以跨越初创期的信任门槛，进入更具体的产业场景。

在那荣钰的视角里，这些具体的动作构成了他们回国后的“第一推力”。在海淀的系统布局中，这是其构建“投资于人·投资于未来”创投生态的一个缩影。

为把生态优势转化为实实在在的科创支撑，海淀首先瞄准高校院所成果转化发力破题。通过“五方六力”机制，目前已组建覆盖清华、北大、北航、北邮等多所高校工作组，推进“一校一策”工作模式，做到“一高校一团队、一项目一专员” ，从源头开始为具备核心技术壁垒的科创项目提供服务。海淀的做法不只停留在资金层面的“投早、投小”，更在于“投资源”与“强服务”。

通过“Z-Hub场景加速平台”计划，海淀主动开放大企业的应用场景，让源头创新能够从实验室直接走向生产线，在真实工况中完成验证，目前，该场景加速平台已协助拓展190多家大企业的投资与场景需求，总计对接科技企业251家次。

在“2026投海Tech Show”路演现场，这种支持变得更加具象。海淀不仅通过这样的活动为青年科学家提供展示窗口，还通过“薪火共燃”等培训，为新兴企业的CEO与投资机构、大企业代表创造沟通环境。这些动作缩短了从技术语言到客户语境的距离。

按那荣钰的说法，AI进入材料工业，不再只是停留在概念层面，而是要在持续积累生产上下文的过程中，逐步接管从研发到量产之间的一部分决策。对这支小团队来说，眼下最现实的任务，是先把一笔一笔能拿到的利润算清楚。

（封面图来源：AI生成）

END.