2個海歸、7000元月薪，撬動2000萬元AI訂單｜甲子光年

素源矩陣要在變量極多、現實條件不斷變化的系統里，更快給出可執行的方案。

作者｜周悅

編輯｜王博

在“2026投海Tech Show”路演現場，登臺的14位創始人中，有00后的清華博士、90后的院士弟子，也有80后的“小冰之父”。

他們來自清華、北大、北航、北郵等高校院所，帶著各自在AI、空天、芯片、新材料等領域的硬核項目。

其中，95后海歸設計師那榮鈺創辦的素源矩陣，很有“反差感”。

這個團隊全職只有3個人、算上實習生不過十來人。但成立不到一年，已經和建材行業頭部客戶展開深度合作，實際訂單超過2000萬元。在臺上，那榮鈺展示把AI直接接進水泥、化工等重工業產線，替工廠做生產決策。

臺下坐著閱項目無數的投資人。對于“AI深入工業、進入材料和制造底層”這件事，多數人并不懷疑其前景。但這樣一個小團隊，怎么跨過傳統工業的壁壘，讓客戶買單，仍需要回答。

這種審慎并不奇怪。因為如果把時間撥回兩年多前，素源矩陣還不存在。

2023年，拉斯維加斯。一場材料學術會議間隙，因為航班延誤，又不想臨時再訂一晚酒店，那榮鈺和韓家樂站在一家賭場的門邊，伴著周圍此起彼伏的籌碼聲，兩人第一次聊起合作與未來方向。

那時，他們口中還沒有“工業智能體”“生產優化”這些詞，討論的只是：如果用AI探索新材料，到底該從哪里切入。

直到2025年回國后，他們才把公司落在了北京中關村AI北緯社區。

兩位創始人的履歷都很亮眼。那榮鈺出生于1996年，擁有布朗大學和羅德島設計學院雙學位，曾是亞馬遜Lab126最年輕的工業設計師；CEO韓家樂則是“00后”，畢業于加州大學伯克利分校，曾獲得美國能源部IMPEL創新獎。

但現在，這兩位技術極客每個月只給自己開7000多元的工資。那榮鈺向「甲子光年」展示了他的工資單，實發7246元。“有一個月，因為剛回國不熟悉五險一金繳納流程產生滯納金，錢直接從工資里扣，最后只拿了6500多塊。”他說。

海外名校履歷、7000多元的實發工資、2000萬的工業訂單，被同時放在這家公司身上，構成了素源矩陣最直觀的反差。

“2026投海Tech Show”路演現場，素源矩陣創始團隊展示，圖源：「甲子光年」現場拍攝

1.一次昂貴的醒悟

2023年，素源矩陣團隊組建后，那榮鈺和韓家樂最初做的，并不是生產優化，而是AI設計新材料——用來造木板的無甲醛膠水。

剛踏進“AI+材料”賽道時，他們定下的目標很簡單：“做不出來，就發論文，做出來了，就建公司”。這款無醛膠水，就是他們最早的切入點。

從技術上看，這一度是一條相對順利的路。研發推進很快，技術路線跑通了，也拿到了美國能源部創新項目的支持，團隊受邀前往伯克利勞倫斯國家實驗室開會討論。坐在那個誕生過回旋加速器的地方，很容易讓人覺得，這項技術離商業化不遠。

但現實的供應鏈并不按照實驗室的邏輯運行。

在木材加工行業，去甲醛并不是一個單純的技術難題。全球板材廠至今大量使用的，依然是廉價的脲醛樹脂膠。它雖然會長期釋放甲醛，但勝在便宜、固化快，適配流水線作業的效率。

無醛膠并非沒有，北美有無甲醛、大豆基膠合板粘合劑技術PureBond，但這類產品普遍面臨同一個問題：原料更貴、生產速度更慢。

素源矩陣的無醛膠水，也卡在這里。

那榮鈺后來算過一筆賬：這款無醛膠水完全可以量產，“它就是貴”。如果把成本加到零售端，消費者為了健康多花100塊錢買個柜子，也許能接受，但供應鏈上的每一環企業都很難答應。

家具產業鏈很長，最先承受成本壓力的，是最前端的壓板廠。對這些利潤本就不高的中間環節來說，換一款膠水，可能意味著生產成本直接翻三倍，而終端溢價并不會回流。在板材變成高利潤家具之前，沒有人愿意先為新材料埋單。

要推進下去，只能自己建廠、打通上下游。

「甲子光年」追問他：既然技術可行，為什么不自己建廠，把成本壓下來？

那榮鈺坦言，這在當時是一個認知盲區。在北美，重資產制造業幾乎不被資本青睞，初創公司很難走這條路。后來他也看到，在國內，不少新材料公司會通過融資建廠，把技術往下推。但在當時的美國，這條路幾乎走不通。

一年多的時間、精力和研發支出，最后換來的，是一個無法落地的現實。這也讓那榮鈺意識到：“新材料或者硬科技的商業化，可能不是靠技術來回答，是靠時間來回答。”一項技術要落地，需要等產業鏈一起成熟，而初創公司等不起。

既然整個產業鏈暫時不愿為“新配方”買單，公司又必須活下去，他們決定轉向。

團隊后來定下的策略是：“先切生產，再做新材料。”不再試圖用一款更先進但更貴的材料撬動市場，而是先進入產線，幫現有工廠把材料“造得更好”，再逐步延伸到研發端。

這套邏輯，在面對投資人時也變得更容易說明。

在路演現場，中信資本董事總經理張予焓提問：“化工行業里的競爭對手體量都非常大。如果你們做出了創新，短期內怎么在價格不占優的情況下，去和巨頭搶奪客戶？”

那榮鈺的回答很直接：“我們不是去替代他們，而是幫他們把現在的材料生產得更好，在產線里做降本提質。”他們不再從產業鏈之外切入，而是先進入產業鏈內部。這條路徑的起點，是那塊造得出來、卻賣不出去的無醛膠水。

“2026投海Tech Show”路演現場，素源矩陣無醛膠水探索，圖源：「甲子光年」現場拍攝

2.打破生產黑箱

無醛膠水碰壁后，素源矩陣重新明確了路線：一邊繼續探索AI造新材料，另一邊則轉向工廠，利用AI系統改造現有材料的生產過程。

概念要成立，先得找到一塊能把效益算清楚的試驗田。他們最早切進去的，是水泥行業。

韓家樂曾帶著團隊扎進水泥廠調研。在一家水泥工廠，一位老專家曾定下一條“金科玉律”：輔料中必須摻入7%含硫物質。10年里，礦山原料變了，設備升級了，但這個比例始終沒動。

素源矩陣的系統接入后，AI重新計算了當下的設備狀態和原料變量，得出的結論是，按現狀，7%已經不合理了。工廠嘗試放寬比例后，質量更穩定，成本也更低。目前，在單條年產200萬噸的水泥產線上，這套系統可將單位成本降低約2%，對應每年超過1200萬元的實際利潤提升。

“2026投海Tech Show”路演現場，素源矩陣水泥廠訂單及成果，圖源：「甲子光年」現場拍攝

為什么這樣一條傳統產線，會長期存在這么頑固的經驗黑箱？

那榮鈺拿“燒水”打比方。同樣一壺水，燒開的速度會受水壺材質、水中離子、室溫等因素影響。放到工業現場，變量會迅速放大到上百個：原料波動、設備老化、空氣濕度、溫度曲線，都會持續干擾物理化學反應。“材料對于產線的影響，比很多人想的大。”

連續變量太多，人類經驗總有失效的時候。那榮鈺估算過，很多材料在制造環節里，接近40%的價值可能被浪費掉。這些浪費未必表現為直接報廢，更多體現在偏高的能耗、過寬的參數窗口，讓一批料最后只做到“勉強合格”。

按那榮鈺的說法，這也是AI開始被工廠接受的前提。“他們不是為了做數字化而做數字化。”他說。過去，工廠更關心的是產量，質量標準相對粗放，通常只分“合格”與“不合格”；但隨著近年來產量和生產天數逐漸受限，行業進入存量階段。工廠的訴求變得非常直接：在不擴產的前提下，怎樣把質量控制得更穩，把成本再往下壓一點。

在山東、新疆等地的廠區，很多主管生產的廠長拋給那榮鈺的問題，幾乎沒有任何廢話：“如果一批原料進場延遲了兩個小時，AI系統怎么決策？”“中間庫房里的物料應該怎么精準溯源？”甚至更棘手的現實條件是，“在缺乏高端儀器、只能依賴人工滴定且存在較大誤差的環境下，系統該怎么給出最優解？”

只有針對這些粗糙的生產意外給出預案，把賬算清，系統才能留在產線上。

為了讓外界更好理解，那榮鈺一度把這套邏輯類比為“中國材料工業的Palantir”。他借用的不是軍工、情報系統的標簽，而是處理復雜決策系統的方式：在變量極多、現實條件不斷變化的系統里，更快給出可執行的方案。

在對話中，那榮鈺轉過電腦，向「甲子光年」展示了這套決策系統在后臺的真實運轉邏輯。輸入端，是持續波動的原料純度、設備狀態等現場數據；約束條件既包括化學方程式，也涵蓋了從老師傅經驗里“蒸餾”出來的工藝直覺。

它直接輸出的是一組能落到產線上的參數指令。比如，當一家工廠面前擺著8種純度不同的礦石、設備參數又在持續波動時，系統不會只彈出一句“情況復雜”，而是直接給出最優分配方案：礦石怎么分、硅鈣配比怎么微調、溫度曲線怎么改，既不影響質量，又盡可能省下燃料。

在那榮鈺看來，這也是這一輪工業AI與上一輪數字化改造最清晰的區別。過去做的是“信息線上化”——建平臺、采數據、做看板，這些系統更多是在記錄；而在這一輪，數據必須重新回到決策中，AI系統要直接對成本和效益負責。

3.隨機梯度下降

面對提問，那榮鈺極少停頓。講到復雜處，他順手在紙上畫圖。比如，他的 “三把刀理論”：日本刀怎么切三文魚，歐美刀為什么更適合劈砍，中國菜刀如何做到一把走天下。

他并不是單純在聊工具，而是在解釋一個更底層的邏輯。工具的形態，是由背后的材料、工藝和使用場景決定的。在他看來，創新同樣沒有絕對的模板，不能只看表象，只能向下追問底層為什么成立。

這種思維帶有工業設計訓練的印記。他學汽車設計出身，一輛車從圖紙到上路，決策周期往往長達十幾年。在他的經驗里，創新必須在時間、資金和商業化的約束里驗證。

打開手機備忘錄，他記著自己的幾條工作準則：“成事為先，系統化決策、結構化行動。”

借用機器學習里的“隨機梯度下降”，那榮鈺這樣解釋自己的狀態：先定下大方向，再根據現實反饋不斷修正參數，拒絕在假設中反復內耗。“如果你覺得這個方法好就做，不要去思考有沒有更好的方法了。”他說，“在假設之上做假設，就等于什么都不能指導行動。”

這種只看現實反饋、不斷修正的邏輯，也塑造了素源矩陣進工廠的打法。

他們沒有選擇一開始就在實驗室里死磕一款新材料，去和巨頭比拼量產與規模；而是進入山東、新疆等地的傳統重工業廠區。和當地很多工廠生產負責人合作，先進入現有工廠，先介入現有材料。

現階段，素源矩陣以“生產優化”作為入場券和現金流引擎：單條產線的控制系統本地部署收費500萬元，覆蓋4年的服務期。這套模式已經在行業第一的中國建材產線上穩定運行超過一年，并相繼接入了金隅冀東水泥（建材行業No.3）、北京建工等頭部企業的產線。

但如果不和巨頭拼產能，僅僅作為一家提供生產優化的技術服務商，它與傳統的工業控制軟件區別在哪里？

在路演現場，訊飛創投合伙人徐劍追問了這個問題：“現在很多同行都在做工業控制優化，你們在數據積累、機理分析上，和過去的打法有什么區別？”

那榮鈺給出的答案是“輕量化”。他表示，基于統一技術底座，系統在實際部署時只需要約200組真實生產數據進行微調，就能達到一些傳統方法依賴10萬組數據從頭訓練的效果；同時只需對接材料數據，不涉及大規模設備改造，避免了產線半年甚至更長時間的停工。

徐劍會后對「甲子光年」表示，從方向上看，AI4S在材料和化工領域的想象空間是成立的，“這一點行業里沒有太大分歧”。但他也提醒，這一方向目前仍面臨現實約束，尤其是數據層面的不足。“材料和化工的數據，本身不像互聯網那么充足，也不夠標準化。”在他看來，最后還是要看它在實際工況下的表現，以及有沒有能力被產線接納。

對素源矩陣來說，這也是這套模式成立的前提：先通過生產優化進入工廠，先把結果跑出來，再去積累最稀缺的工藝上下文和真實工業數據。

水泥只是第一塊試驗田。按照路線圖，明年這套模式將被橫向復制到煤制烯烴、煤化工以及冶金等重資產行業。

而在500萬的單線訂單背后，藏著更長遠的底牌。那榮鈺路演PPT的底部，一行字概括了這家公司的設想：“掌握工藝參數=掌握材料配方=掌握市場”。

對于素源矩陣而言，現階段優化產線、賺取服務費只是第一步。在長達數年的服務周期里，他們更看重的是持續獲取真實工業全鏈路數據和工藝上下文。等數據和經驗積累到一定程度，再往前走一步，切入特種水泥、定制膜材料（PAG、ABF膜）以及高熵合金等新材料研發。

那榮鈺把這條路概括為：“從技術服務商，走向材料供應商，最終成為市場定義者。”

“2026投海Tech Show”路演現場，素源矩陣AI for Materials商業模式框架，圖源：「甲子光年」現場拍攝

4.在海淀的土壤里成長

一個極小的初創團隊，能坐上央國企、重工業大廠的牌桌，并不容易。

作為亞馬遜最神秘的硬件創新實驗室，Lab126孕育過電子書閱讀器Kindle、智能音箱Echo以及低軌通訊衛星Leo。

在那榮鈺擔任工業設計師的時期，他是那里最年輕的員工。這里的研發資金幾乎不設上限，但項目的生死卻極其脆弱。他經歷過一個近視眼鏡項目，技術路徑明明已經走通，但僅僅因為高管之間一次溝通，這個項目就戛然而止。

“在大公司體系里推行一種新材料落地，可能得耗費四年時間；但自己跳出來做，只要找對場景，一年就能跑出結果。”那榮鈺算過這筆賬。

既然決定出來，留在海外就不再是選項。想做新材料和智能決策，必須進廠、跑進真實的產線實驗。回到國內，回到擁有龐大制造業基礎的地方，這條路才可能跑通。

2025年回國后，他們把公司落在了海淀中關村。作為初來乍到的留學生，團隊最初對國內的營商環境并不熟悉。

“海淀幫我們完成了最初的信息注冊，更重要的是他們對留學生歸國創業的‘手把手’引導。”那榮鈺回憶道。由于不了解相關的政策，海淀的工作人員主動向他們梳理留學生服務政策，并協助他們申請到了算力、政策的補貼與激勵。

在尋找市場切口的關鍵時刻，中關村科學城主動幫助這支技術團隊對接北京的央國企資源。這種引薦讓素源矩陣得以跨越初創期的信任門檻，進入更具體的產業場景。

在那榮鈺的視角里，這些具體的動作構成了他們回國后的“第一推力”。在海淀的系統布局中，這是其構建“投資于人·投資于未來”創投生態的一個縮影。

為把生態優勢轉化為實實在在的科創支撐，海淀首先瞄準高校院所成果轉化發力破題。通過“五方六力”機制，目前已組建覆蓋清華、北大、北航、北郵等多所高校工作組，推進“一校一策”工作模式，做到“一高校一團隊、一項目一專員” ，從源頭開始為具備核心技術壁壘的科創項目提供服務。海淀的做法不只停留在資金層面的“投早、投小”，更在于“投資源”與“強服務”。

通過“Z-Hub場景加速平臺”計劃，海淀主動開放大企業的應用場景，讓源頭創新能夠從實驗室直接走向生產線，在真實工況中完成驗證，目前，該場景加速平臺已協助拓展190多家大企業的投資與場景需求，總計對接科技企業251家次。

在“2026投海Tech Show”路演現場，這種支持變得更加具象。海淀不僅通過這樣的活動為青年科學家提供展示窗口，還通過“薪火共燃”等培訓，為新興企業的CEO與投資機構、大企業代表創造溝通環境。這些動作縮短了從技術語言到客戶語境的距離。

按那榮鈺的說法，AI進入材料工業，不再只是停留在概念層面，而是要在持續積累生產上下文的過程中，逐步接管從研發到量產之間的一部分決策。對這支小團隊來說，眼下最現實的任務，是先把一筆一筆能拿到的利潤算清楚。

（封面圖來源：AI生成）