FUNDING DESK · 法国 · AI for Science / 材料与化学发现,聚焦表面化学与固液界面工程。
Entalpic
Entalpic 是一家以 AI、原子尺度模拟与实验反馈闭环为手段,面向表面化学与界面工程的材料发现公司,重点服务半导体、电池、催化与先进材料等工业场景。
产品官网 ↗已检索的一手资料
最近检索:2026-11-21
资料缺口:产品与功能 · 定价 · 客户案例 · 技术文档
替代或压缩传统材料研发中依赖专家经验、试错实验与分散文献检索的早期筛选环节,把候选材料排序与工艺约束评估前置到计算与生成模型阶段。
最关键的商业判断是:其价值不在通用模型本身,而在于能否把量子模拟、文献专利与客户实验数据串成可被工业客户验证的候选材料管线;目前公开证据只证明技术叙事与团队背景,尚不足以证明付费需求与重复使用。
以下为基于公开资料的编辑分析,推断与证据缺口均在正文中标明。融资不是收入或产品市场契合的证明。
产品分析核验于 2026-11-07
01
产品做什么
官网披露的能力包括原子尺度发现引擎、量子与机器学习结合的预测与生成模型、多模态数据集构建,以及用计算流体力学构建反应器与实验系统的数字孪生。公司称其高通量引擎可在真实工业约束下筛选大化学空间并排序候选材料,但具体产品形态、界面、API 与文档未在抓取文本中说明。应用方向列明半导体薄膜与涂层、电池正极材料与界面化学、催化表面与活性位点、先进材料前驱体。
02
谁使用、谁付钱
目标使用者是能源密集型工业企业的研发团队,尤其是半导体、电池、催化与特种化学品公司中负责材料筛选与工艺放大的科学家和工程师。付费者可能是企业研发或创新部门,痛点是化学空间巨大、实验周期长、界面行为难以预测。官网未披露任何具名客户、合同规模或使用频率,因此客户画像属于条件式推断。
03
实际工作流
输入侧包括专利与学术文献的结构化分析、开放仓库与自建高通量管线产生的原子模拟数据,以及合作实验室和客户实验数据;随后由生成模型与物理模拟驱动的预测流程探索化学空间并排序候选材料,再用数字孪生模拟候选材料在制造条件下的行为,最后交由实验验证并把表征数据回流。官网称计划在格勒诺布尔自建实验实验室,说明闭环目前部分依赖外部伙伴。
04
收费与单位经济
抓取文本未披露定价、收费单位、订阅或项目制安排,无法判断收入结构。可推断其更可能采用企业研发合作或项目制服务,因为交付物是特定工业约束下的候选材料与验证结果;但这是推断而非公司披露。单位经济性、毛利率与客户获取成本均缺失。
05
采用证据与缺口
官网自述 2024 年完成 850 万欧元种子轮、团队扩张至 25 人并取得端到端技术验证点,计划 2026 年早期商业扩张、晚期启动格勒诺布尔实验实验室;团队称超过一半为博士,成员来自 Intel、Air Liquide、Applied Materials、Meta、Google、Amazon。上述均为公司披露,未经审计。融资记录显示一轮 growth equity、投资方含 Nvidia,但金额与原币未披露,不能视为收入或客户验证。
06
竞争与壁垒
壁垒条件在于专有高通量模拟数据、客户实验数据回流形成的闭环,以及对表面化学与反应器工艺的领域知识;通用大模型难以直接替代需要物理约束与实验校准的候选排序。但若客户自建类似管线、模拟数据商品化或实验闭环迟迟不能落地,其相对旧流程的优势会被削弱。
07
如何解读这轮融资
融资记录把该轮标为 growth equity、阶段为 Growth/Late,投资方名单含 Nvidia,但金额、原币与用途均未披露,因此只能说明资本对其方向有阶段性兴趣,不能说明估值或商业化成熟度。下一里程碑应是可核验的商业合同、客户复购与实验闭环产出,而非再一轮融资。
08
可能失败在哪里
第一,若候选材料无法在客户真实工艺条件下复现或放大,技术验证点不能转化为付费项目。第二,若实验实验室与数据回流延迟,模型迭代会受限于公开数据,差异化下降。第三,客户集中度高或研发预算周期长,会导致收入波动;这些风险在缺少定价与客户证据时更难评估。
09
可借鉴的做法
对 AI 材料创业者而言,可借鉴的是把生成模型、物理模拟与实验反馈设计成一条明确的数据闭环,并围绕具体工业约束而非泛化能力讲故事;同时应尽早公开可核验的客户案例与交付指标,避免融资叙事替代需求验证。
10
下一步看什么
可验证的下一指标是:是否出现具名工业客户或联合开发公告、是否披露收费模式与合同里程碑、格勒诺布尔实验实验室是否按期启动并产出可复现实验数据,以及该轮资金用途与领投方是否公开。