贝索斯用AI寻找下一块硅

过去几十年，半导体行业依靠硅不断缩小晶体管尺寸，让计算机性能持续提升。但随着制程逐渐逼近物理极限，行业越来越多地把目光投向新的半导体材料、互连材料和先进封装，希望寻找下一代突破口。 新能源行业也面临着类似的问题。相比今天广泛使用的液态锂电池，固态电池被认为有望同时提升安全性、能量密度和续航能力。但从丰田、QuantumScape到宁德时代，行业迟迟没有迎来大规模商业化。 今年，仅围绕固态电解质发现，学术界就接连出现了《Breaking Bottlenecks in Solid Electrolyte Discovery with Large Artificial Intelligence Models（利用大模型突破固态电解质发现瓶颈）》以及《Machine Learning Pipelines for the Design of Solid-State Electrolytes（用于固态电解质设计的机器学习流程）》等多篇综述论文。 为了去除PFAS（全氟和多氟烷基物质）这类几乎无法自然降解的"永久性污染物"，研究人员仍在持续寻找效率更高、成本更低的新型吸附材料；数据中心不断增长的算力需求，也让散热材料成为影响能耗的重要变量。 原因并不难理解：寻找一种新材料，并不像在数据库里搜索答案。科学家通常需要先提出假设，再设计材料结构，进行计算模拟、实验验证，然后根据结果不断调整方案。一次失败，就意味着重新开始。 一种材料的性能，不仅取决于元素组成，还受到原子排列、晶体结构、缺陷状态以及制造工艺的共同影响。哪怕只是微小的变化，都可能带来截然不同的结果。 公司由两位背景互补的创始人共同创立。CEO Chad Edwards曾参与创办量子计算公司Cambridge Quantum Computing（CQC），并推动其与霍尼韦尔量子业务合并，成立如今的Quantinuum；联合创始人Max Welling则是机器学习领域的重要学者，曾任微软研究院杰出科学家，也是经典论文《Auto-Encoding Variational Bayes》的作者之一，在生成模型领域具有重要影响力。 过去，材料研发通常从一种已有材料出发。科学家先设计一种新的结构，再通过计算模拟和实验测试它的性能；如果效果不理想，就调整结构重新开始。 它采用“逆向设计（Inverse Design）”思路：研究人员不用先思考“应该设计什么材料”，而是先定义目标——例如更高的导电性、更强的耐高温能力或更低的制造成本——再由AI反向生成可能满足这些要求的材料结构，并预测它们的性质，帮助科学家筛选最值得验证的候选方案。 换句话说，它并不是替科学家完成实验，而是希望让科学家把更多时间花在验证最有希望的材料上，而不是在无数可能中大海捞针。 目前，CuspAI最接近商业验证的案例之一，是帮助芬兰化工企业Kemira寻找去除PFAS污染物的新材料。公司表示，MIRA曾从约300万亿种潜在材料结构中筛选候选方案，最终缩小到20种进入进一步开发，但相关候选材料目前仍处于后续验证阶段，尚未公布商业化成果。 本轮融资由Kleiner Perkins和NEA领投，贝索斯旗下Bezos Expeditions、AMD Ventures、三星风险投资等机构参与投资；与此同时，AI Materials Foundry已经聚集了超过45家合作伙伴，包括英伟达、Meta、Applied Materials、现代汽车集团等企业。 一家传统材料公司，价值通常取决于它能否做出某种材料、拿下多少订单；CuspAI试图覆盖的，却是材料被提出需求、生成候选、预测性能、完成验证，直至进入产业应用的整条研发链条。 AI Materials Foundry，以及英伟达、Meta、Applied Materials、现代汽车等企业的参与，为这种想象提供了现实支点。它说明CuspAI正在把模型、算力、产业需求和实验能力组织到一个协同网络里，也让投资者相信，自己有机会参与这套基础设施的建设。 如果未来材料研发逐渐演变为一种新的协作模式——AI负责生成候选材料，产业提出需求，算力完成模拟计算，实验室负责验证结果，那么决定竞争力的，将不再只是某一家公司的研发能力，而是谁能够进入这套体系，与更多参与者共同完成材料研发。 这份估值当然仍然建立在尚未兑现的未来之上。但在AI材料领域，资本愿意提前付钱的，恰恰是这条链条一旦跑通之后可能覆盖的巨大市场。 CuspAI并不是第一家试图用AI重构材料研发的公司。在它之前，Google DeepMind已经证明，AI可以把材料搜索扩展到过去难以想象的规模；MatNex开始围绕具体工业需求设计材料；Orbital则进一步把材料模型推向真实工业场景。 2023年，Google DeepMind发布GNoME项目。该系统利用图神经网络预测晶体结构的稳定性，共发现超过220万种潜在晶体结构，其中约38万种被预测为稳定材料，相当于将人类已知稳定材料的数量扩大了近十倍。 传统材料数据库主要来自过去的计算和实验积累，研究者通常在已经被人类记录的范围内寻找规律，而GNoME展示了另一种可能：AI可以根据学到的材料规律，主动探索尚未进入数据库的晶体结构。 为了验证这些预测并非停留在计算机中，DeepMind随后与劳伦斯伯克利国家实验室合作。后者建设的A-Lab系统可以利用算法生成实验方案，控制机器人完成材料配比、加热和检测，最终成功合成了40多种新材料。 不过，GNoME主要解决的仍然是“哪些晶体结构可能稳定”。稳定不等于实用，能够合成也不等于具备更好的导电性、磁性、耐热性或者制造成本。距离真正进入工业生产，中间仍然隔着性能验证、工艺开发和规模化制造。 与CuspAI类似，Materials Nexus采用的也是“逆向设计”路线：根据目标性能需求，利用AI寻找可能满足要求的新材料，而不是依靠传统实验方式逐一试错。 稀土永磁体广泛应用于新能源汽车、电机和风力发电，但高度依赖特定的稀土资源与供应链。2024年，MatNex宣布，其AI平台从超过1亿种候选组合中筛选并设计出无稀土永磁材料MagNex。 该材料从设计、合成到测试仅用了3个月，相比传统工业材料研发周期大幅缩短。公司预计，MagNex成本可达到传统稀土磁体的约20%，同时可减少70%的材料碳排放。 这个案例比单纯预测一种材料更进一步——它围绕一个明确的工业需求，完成了从设定目标、算法筛选，到实验合成和性能测试的流程。 但MagNex被成功合成，也不能直接等同于已经完成商业化，它证明了AI可以缩短早期研发周期，但它能否把这种速度延伸到规模化生产，仍有待观察。 Orbital最初选择的是一条与DeepMind相似的“AI for Science”路线：训练能够理解原子结构、材料性质和物理规律的基础模型，再利用这些模型预测材料性能、筛选候选结构。 其中一项工作，是利用AI设计用于直接空气捕集的多孔CO₂吸附材料，并尝试将其部署到数据中心。公司称，自2024年建立实验室以来，这种材料的性能已经提升约10倍。 Orbital关注的已经不只是能否找到性能更好的材料，还包括这些材料如何进入具体设备和工业场景。材料模型由此成为解决实际问题的起点，而不再是最终产品。 这也让Orbital越来越像一家AI工业公司：材料发现仍然是它的核心能力，但最终出售的可能不只是模型或者材料，而是一套围绕具体工业问题设计的解决方案。 DeepMind试图扩大人类能够探索的材料空间；MatNex围绕明确需求，将AI设计推进到合成和测试；Orbital把材料模型嵌入碳捕获和数据中心等具体场景；CuspAI则希望把模型、算力、实验和产业伙伴组织成一套可以被多个行业使用的研发平台。 AI已经能够预测过去未被记录的晶体结构，也已经帮助研究者合成出新的材料，甚至开始围绕具体工业需求缩短设计和测试周期。 但无论选择哪一条路线，它们都必须面对同一道难题：AI找到一种可能存在的材料，并不等于人类已经拥有了一种可以使用的材料。 从计算预测到实验合成，从实验样品到稳定制造，再到规模化应用，每一步都可能淘汰大量候选方案。自然世界不会因为模型能力提升而改变验证规则。

📕作者： 齐李杰撰 · 更新于 2026-08-05 02:50:26

🈲小 伸进 蘑菇视频在线观AI把成本打下来之后，谁来把需求接回去？

💋鞠婧祎被 c 黄扒衣服自2017年9月起，宇树科技就开始向部分员工授予股权激励，授予价格为1元/股，被授予人包括公司董事、机械结构负责人杨知雨，董事、销服体系负责人陈立等。

🍓日本又大又好看的PPT百度因凡蒂诺与库什纳家族的关系可以追溯到近10年前。特朗普首次入主白宫时，美国正在争取获得2026年世界杯主办权。贾里德-库什纳负责白宫一个名为“美国创新办公室”的部门，该部门成为申办工作的连接点。特朗普当时的媒体顾问杰森-米勒曾发短信形容这项工作“全靠贾里德”。这包括最大化他与沙特日益发展的关系。名利场报道称，早在2017年夏天访问沙特期间，库什纳就“直接”请求沙特王储穆罕默德-本-萨勒曼支持美国申办，并向巴林哈利法家族提出同样请求。两国最终都投票支持美国、加拿大、墨西哥联合申办。

📸 记者 王雨梦 摄 · 更新于 2026-08-05 02:50:26