Bezos sucht mit KI das nächste Stück Silizium.

Jeff Bezos, Gründer von Amazon, hat erneut in ein KI-Unternehmen investiert.

Diesmal setzt er auf die Frage: Kann KI der Menschheit dabei helfen, das nächste „Silizium“ zu finden?

Am 20. Juli gab das britische KI-Materialunternehmen CuspAI den Abschluss einer Serie-B-Finanzierung in Höhe von 450 Millionen US-Dollar bekannt, die Unternehmensbewertung erreichte 2,6 Milliarden US-Dollar.

Diese Finanzierungsrunde wurde von Kleiner Perkins und New Enterprise Associates (NEA) angeführt. Zu den Investoren gehören die unter dem Dach von Bezos angesiedelte Investmentgesellschaft Bezos Expeditions, der von der britischen Regierung unterstützte souveräne KI-Fonds sowie Einrichtungen wie AMD Ventures und Samsung Investment.

Eine Bewertung von 2,6 Milliarden US-Dollar ist bei KI-nativen Unternehmen nicht beispiellos, gilt aber für Unternehmen im Bereich der vertikalen Naturwissenschaften als sehr herausragend, und CuspAI wurde vor weniger als zwei Jahren gegründet.

Wenn sich der Mainstream-Wettbewerb im Bereich KI um große Modelle und Agenten dreht, repräsentiert CuspAI eine andere Entwicklungsrichtung:

Kann KI von der Verarbeitung vorhandener Informationen dazu übergehen, der Menschheit bei der Entdeckung von Unbekanntem zu helfen?

Die Menschheit sucht ständig nach dem nächsten neuen Material

Wenn man die Entwicklung der industriellen Zivilisation in einem Satz zusammenfasst, ist sie wie eine Geschichte der ständigen Suche nach neuen Materialien.

Bronze leitete das Bronzezeitalter ein, Stahl stützte die industrielle Revolution, Silizium schuf die Computer und Lithium förderte die Entwicklung von Elektroautos mit neuer Energie.

Fast jede wichtige industrielle Veränderung wird von einem Schlüsselmaterial gestützt.

Heute sucht die Menschheit immer noch nach dem nächsten „Silizium“.

In den letzten Jahrzehnten hat die Halbleiterindustrie durch die Verwendung von Silizium die Transistorgröße ständig verkleinert und die Leistung von Computern kontinuierlich verbessert. Da sich die Fertigungsverfahren jedoch allmählich der physikalischen Grenze nähern, richtet die Branche ihr Augenmerk zunehmend auf neue Halbleitermaterialien, Verbindungsmaterialien und fortschrittliche Verpackungstechnologien, um den nächsten Durchbruch zu finden.

Die Branche für neue Energie steht vor ähnlichen Problemen. Im Vergleich zu den heute weit verbreiteten flüssigen Lithiumbatterien gelten Festkörperbatterien als vielversprechend, um gleichzeitig Sicherheit, Energiedichte und Reichweite zu verbessern. Aber von Toyota über QuantumScape bis hin zu CATL hat die Branche noch keine umfassende Kommerzialisierung erreicht.

In diesem Jahr sind allein im Bereich der Entdeckung von Festkörperelektrolyten in der akademischen Welt mehrere Übersichtsarbeiten erschienen, darunter „Breaking Bottlenecks in Solid Electrolyte Discovery with Large Artificial Intelligence Models“ und „Machine Learning Pipelines for the Design of Solid-State Electrolytes“.

Die Bereiche Katalysatoren, Luft- und Raumfahrt, fortschrittliche Fertigung und Umweltschutz können sich diesem Problem ebenfalls nicht entziehen.

Um die „dauerhaften Schadstoffe“ wie PFAS (Per- und Polyfluoralkylsubstanzen) zu entfernen, die sich fast nicht auf natürliche Weise abbauen lassen, suchen Forscher ständig nach neuen Adsorptionsmaterialien mit höherer Effizienz und niedrigeren Kosten. Der steigende Bedarf an Rechenleistung in Rechenzentren macht auch Wärmeleitungsmaterialien zu einer wichtigen Variable, die den Energieverbrauch beeinflusst.

Immer mehr Branchen stellen fest, dass die Ingenieurskapazitäten schnell voranschreiten, aber die Durchbrüche bei Materialien immer langsamer werden.

Der Grund ist nicht schwer zu verstehen: Die Suche nach einem neuen Material ist nicht so einfach wie das Suchen nach einer Antwort in einer Datenbank. Wissenschaftler müssen normalerweise zuerst eine Hypothese aufstellen, dann die Materialstruktur entwerfen, Berechnungen und Simulationen durchführen, Experimente zur Überprüfung durchführen und dann das Programm entsprechend den Ergebnissen ständig anpassen. Ein einziger Misserfolg bedeutet, von vorne zu beginnen.

Außerdem sind die Möglichkeiten in der Welt der Materialien fast unbegrenzt.

Die Eigenschaften eines Materials hängen nicht nur von der Elementzusammensetzung ab, sondern werden auch von der Atomanordnung, der Kristallstruktur, dem Defektzustand und dem Herstellungsverfahren gemeinsam beeinflusst. Selbst kleinste Veränderungen können zu völlig unterschiedlichen Ergebnissen führen.

Angesichts eines so riesigen Suchraums fällt es der Menschheit immer schwerer, auf der Grundlage von Erfahrung und Experimenten Stück für Stück neue Materialien mit echtem Wert zu finden.

Daher taucht eine neue Idee auf:

Was die Materialentwicklung wirklich zeitaufwändig und mühsam macht, sind nicht nur die Experimente, sondern auch die Suche nach den wenigen Kandidaten, die für Experimente wertvoll sind, aus unzähligen Möglichkeiten.

Und genau das ist das Problem, auf das KI am besten vorbereitet ist.

Vor diesem Hintergrund erhalten eine Reihe neuer Unternehmen, die sich auf die KI-gestützte Entdeckung von Materialien spezialisiert haben, zunehmend Aufmerksamkeit von der Kapitalseite.

Diese Finanzierungsrunde von CuspAI ist das neueste repräsentative Beispiel. Die Kapitalseite beginnt, auf eine neue Möglichkeit zu setzen: Das nächste „Silizium“ könnte aus einem KI-gesteuerten Materialentwicklungssystem entstehen.

Warum setzt Bezos auf dieses Unternehmen?

CuspAI ist ein britisches KI-Materialunternehmen, das 2024 gegründet wurde und seinen Hauptsitz in Cambridge hat.

Das Unternehmen wurde von zwei Gründern mit komplementärem Hintergrund gemeinsam gegründet. CEO Chad Edwards war an der Gründung des Quantencomputing-Unternehmens Cambridge Quantum Computing (CQC) beteiligt und förderte die Fusion mit dem Quantencomputing-Geschäft von Honeywell, um das heutige Quantinuum zu gründen. Mitbegründer Max Welling ist ein wichtiger Wissenschaftler im Bereich des maschinellen Lernens, war früher herausragender Wissenschaftler bei Microsoft Research und ist einer der Autoren der klassischen Arbeit „Auto-Encoding Variational Bayes“, der im Bereich der generativen Modelle großen Einfluss hat.

In der Vergangenheit ging die Materialentwicklung normalerweise von einem vorhandenen Material aus. Wissenschaftler entwerfen zuerst eine neue Struktur, testen dann ihre Eigenschaften durch Berechnungssimulationen und Experimente. Wenn das Ergebnis nicht zufriedenstellend ist, passen sie die Struktur an und beginnen von vorne.

Das von CuspAI entwickelte MIRA versucht, diesen Prozess zu verändern.

Es verfolgt den Ansatz des „inversen Designs“: Forscher müssen nicht zuerst überlegen, „welches Material entworfen werden soll“, sondern definieren zuerst das Ziel – zum Beispiel eine höhere Leitfähigkeit, eine bessere Hitzebeständigkeit oder niedrigere Herstellungskosten – dann generiert die KI umgekehrt Materialstrukturen, die diese Anforderungen möglicherweise erfüllen, und prognostiziert ihre Eigenschaften, um Wissenschaftlern dabei zu helfen, die vielversprechendsten Kandidaten für die Überprüfung auszuwählen.

Mit anderen Worten: Es ersetzt die Wissenschaftler nicht bei der Durchführung von Experimenten, sondern möchte es den Wissenschaftlern ermöglichen, mehr Zeit für die Überprüfung der vielversprechendsten Materialien aufzuwenden, anstatt in unzähligen Möglichkeiten nach der Nadel im Heuhaufen zu suchen.

Bisher hat CuspAI jedoch noch keine Ergebnisse vorgelegt, die die gesamte Branche in Erstaunen versetzen.

Es hat keine repräsentativen neuen Materialien wie GNoME von Google DeepMind veröffentlicht und auch nicht angekündigt, dass ein neues, von KI entworfenes Material bereits industrialisiert wurde.

Eines der Fälle von CuspAI, das der kommerziellen Überprüfung am nächsten kommt, ist die Unterstützung des finnischen Chemieunternehmens Kemira bei der Suche nach neuen Materialien zur Entfernung von PFAS-Schadstoffen. Das Unternehmen gibt an, dass MIRA Kandidaten aus etwa 300 Billionen potenziellen Materialstrukturen ausgewählt und schließlich auf 20 Kandidaten für die weitere Entwicklung eingegrenzt hat, aber die entsprechenden Kandidatenmaterialien befinden sich derzeit noch in der nachfolgenden Überprüfungsphase, und es wurden noch keine kommerziellen Ergebnisse veröffentlicht.

Daher stellt sich die Frage: Warum kann ein KI-Unternehmen, das noch keine entscheidenden Ergebnisse vorgelegt hat, eine Bewertung von 2,6 Milliarden US-Dollar erhalten?

Ein Detail ist möglicherweise erwähnenswert.

Am 20. Juli kündigte CuspAI nicht nur die Serie-B-Finanzierung in Höhe von 450 Millionen US-Dollar an, sondern gab auch die Gründung der AI Materials Foundry bekannt.

Diese Finanzierungsrunde wurde von Kleiner Perkins und NEA angeführt, an der sich Einrichtungen wie Bezos Expeditions unter dem Dach von Bezos, AMD Ventures und Samsung Ventures beteiligten. Gleichzeitig hat die AI Materials Foundry mehr als 45 Partnerunternehmen zusammengebracht, darunter Unternehmen wie NVIDIA, Meta, Applied Materials und Hyundai Motor Group.

Diese Liste erstreckt sich über die Bereiche KI, Halbleiter, fortschrittliche Fertigung, Automobil und Materialien.

Einige stellen Rechenleistung und Chips zur Verfügung, einige beherrschen die Fertigungskapazitäten, einige haben echte industrielle Anforderungen, und andere können nachfolgende Experimente und industrielle Überprüfungen durchführen.

Die Bedeutung dieser Liste liegt nicht nur darin, wie viele Partner CuspAI gewonnen hat, sondern vor allem darin, dass sie der Kapitalseite einen Markt zeigt, der weit größer ist als die Entwicklung einzelner Materialien.

Der Wert eines traditionellen Materialunternehmens hängt normalerweise davon ab, ob es ein bestimmtes Material herstellen und wie viele Aufträge es erhalten kann. CuspAI versucht jedoch, die gesamte Entwicklungskette abzudecken, von der Festlegung der Anforderungen an Materialien über die Generierung von Kandidaten, die Vorhersage von Eigenschaften bis zur Durchführung von Überprüfungen und der schließlichen industriellen Anwendung.

Sobald dieses Modell funktioniert, können alle Branchen, die auf Fortschritte bei Materialien angewiesen sind, wie Chips, Automobile, Batterien, Chemie und Luft- und Raumfahrt, zu seinen potenziellen Kunden werden.

Das ist genau die Vorstellungskraft hinter der Bewertung von 2,6 Milliarden US-Dollar: CuspAI hat die Chance, sich von einem Unternehmen, das neue Materialien sucht, zu einer Entwicklungsplattform zu entwickeln, die von mehreren Branchen gemeinsam genutzt wird.

Die AI Materials Foundry sowie die Beteiligung von Unternehmen wie NVIDIA, Meta, Applied Materials und Hyundai Motor geben dieser Vorstellung eine reale Stütze. Das zeigt, dass CuspAI Modelle, Rechenleistung, industrielle Anforderungen und Experimentierkapazitäten in einem kooperativen Netzwerk organisiert, und lässt die Investoren glauben, dass sie die Chance haben, am Aufbau dieser Infrastruktur teilzunehmen.

Wenn sich die Materialentwicklung in Zukunft allmählich zu einem neuen Kooperationsmodell entwickelt – KI ist für die Generierung von Kandidatenmaterialien zuständig, die Industrie stellt Anforderungen, die Rechenleistung führt Simulationsberechnungen durch und die Labore überprüfen die Ergebnisse – dann wird die Wettbewerbsfähigkeit nicht mehr nur von der Entwicklungskapazität eines einzelnen Unternehmens bestimmt, sondern davon, wer in dieses System eintreten und mit mehr Teilnehmern gemeinsam die Materialentwicklung abschließen kann.

Mit 2,6 Milliarden US-Dollar wird die Möglichkeit bewertet, dass CuspAI zu einer Plattform für die Materialentwicklung wird.

Diese Bewertung basiert natürlich noch auf einer noch nicht realisierten Zukunft. Aber im Bereich der KI-Materialien ist das, wofür die Kapitalseite bereit ist, im Voraus zu zahlen, genau der riesige Markt, der abgedeckt werden kann, sobald diese Kette funktioniert.

Hat KI bereits neue Materialien gefunden?

CuspAI ist nicht das erste Unternehmen, das versucht, die Materialentwicklung mit KI neu zu gestalten. Vor ihm hat Google DeepMind bereits bewiesen, dass KI die Materialsuche auf ein bisher unvorstellbares Ausmaß ausweiten kann. MatNex beginnt, Materialien entsprechend spezifischer industrieller Anforderungen zu entwerfen. Orbital bringt Materialmodelle weiter in reale industrielle Szenarien.

Diese Akteure haben unterschiedliche Wege gewählt und beantworten gemeinsam eine Frage: Wo steht die KI-gestützte Entdeckung von Materialien heute eigentlich?

Google DeepMind ist das am meisten beachtete repräsentative Unternehmen in diesem Bereich.

Wenn AlphaFold die KI in den Bereich der Biowissenschaften eingeführt hat, dann ist GNoME (Graph Networks for Materials Exploration) ein wichtiger Versuch von DeepMind, die Materialwissenschaft zu erforschen.

Im Jahr 2023 veröffentlichte Google DeepMind das GNoME-Projekt. Dieses System nutzt neuronale Netze mit Graphenstruktur, um die Stabilität von Kristallstrukturen vorherzusagen, und hat insgesamt mehr als 2,2 Millionen potenzielle Kristallstrukturen entdeckt, von denen etwa 380.000 als stabile Materialien vorhergesagt wurden, was die Anzahl der den Menschen bekannten stabilen Materialien um fast das Zehnfache erweitert.

Dazu gehören 528 potenzielle Lithium-Ionen-Leiter, deren Anzahl etwa 25 Mal so hoch ist wie die der Ergebnisse ähnlicher früherer Studien, was mehr Kandidaten für die nächste Generation von Batterien bietet.

Herkömmliche Materialdatenbanken stammen hauptsächlich aus den Berechnungen und Experimenten der Vergangenheit. Forscher suchen normalerweise nach Regeln in dem bereits von den Menschen aufgezeichneten Bereich, aber GNoME zeigt eine