贝索斯用 AI 寻找下一块硅

亚马逊创始人杰夫·贝索斯，又投资了一家AI公司。

这一次他押注的是：AI能不能帮助人类找到下一块“硅”。

7月20日，英国AI材料公司CuspAI宣布完成4.5亿美元B轮融资，公司估值达到26亿美元。

本轮融资由Kleiner Perkins和New Enterprise Associates（NEA）领投。投资方包括贝索斯旗下投资机构Bezos Expeditions、英国政府支持的主权AI基金，以及AMD Ventures、三星投资等机构。

26亿美元的估值在AI原生公司里并不是史无前例，但对垂直科学领域公司来说算得上非常突出，而CuspAI成立还不到两年。

如果说主流的AI竞争围绕大模型和Agent展开，那么CuspAI代表的是另一条路线：

AI能否从处理已有信息，走向帮助人类发现未知。

人类一直在寻找下一块材料

如果把工业文明的发展浓缩成一句话，它就像一部不断寻找新材料的历史。

青铜开启了青铜时代，钢铁撑起了工业革命，硅创造了计算机，而锂推动了新能源汽车的发展。

每一次重要的产业变革，背后几乎都有一种关键材料作为支撑。

今天，人类仍然在寻找下一块“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。

催化剂、航空航天、先进制造以及环保领域，同样难以避免。

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。

越来越多行业发现，工程能力正在快速进步，但材料突破却越来越慢。

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。

并且，材料世界的可能性几乎是无限的。

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。

面对如此庞大的搜索空间，人类越来越难依靠经验和实验，一点一点找到真正有价值的新材料。

于是，一个新的想法开始出现：

材料研发真正费时费力的不只有实验，还有在无数种可能性中找到那几个值得实验的候选方案。

而这，恰恰是AI最擅长的问题。

正是在这样的背景下，一批专注于AI材料发现的新公司开始获得资本关注。

CuspAI的这轮融资，正是最新的一个代表案例。资本开始为一种新的可能性下注：下一块“硅”，或许将诞生于AI驱动的材料研发体系。

贝索斯为什么押注这家公司？

CuspAI是一家成立于2024年的英国AI材料公司，总部位于剑桥。

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。

CuspAI开发的MIRA，则试图改变这个流程。

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。

不过，截至目前，CuspAI并没有交出一份足以震惊行业的成绩单。

它没有像Google DeepMind的GNoME那样公布具有代表性的新材料，也没有宣布某一种AI设计的新材料已经实现产业化。

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。

那么问题来了：一家还没有交出决定性成果的AI公司，为什么能拿到26亿美元估值？

一个细节或许值得注意。

7月20日，CuspAI公布的并不只是4.5亿美元B轮融资，同时还宣布成立AI Materials Foundry。

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。

这份名单横跨AI、半导体、先进制造、汽车和材料行业。

有人提供算力和芯片，有人掌握制造能力，有人拥有真实的工业需求，也有人能够承担后续实验与产业验证。

名单的意义不只在于CuspAI拉来了多少合作伙伴，更重要的是，它让资本看到了一个远大于单项材料研发的市场。

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。

一旦这套模式成立，芯片、汽车、电池、化工、航空航天等所有依赖材料进步的行业，都可能成为它的服务对象。

这正是26亿美元估值背后的想象力：CuspAI有机会从一家寻找新材料的公司，变成多个产业共同使用的研发平台。

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。

26亿美元，定价的是CuspAI成为材料研发平台的可能性。

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。

AI已经找到新材料了吗？

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。

这些玩家选择了不同路径，也共同回答了一个问题：AI材料发现，究竟已经走到了哪一步？

Google DeepMind是其中最受关注的代表。

如果说AlphaFold让AI进入生命科学领域，那么GNoME（Graph Networks for Materials Exploration）则是DeepMind探索材料科学的重要尝试。

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。

其中包括528种潜在锂离子导体，数量约为此前同类研究成果的25倍，为下一代电池提供了更多候选方案。

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。

但计算机预测一种材料稳定，并不意味着这种材料能够在现实中被制造出来。

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。

如果说DeepMind回答的是"AI能不能找到新材料"，那么MatNex更关心另一个问题：AI能不能按照产业需求设计材料。

MatNex原名Materials Nexus，成立于2020年，是一家从剑桥大学孵化的深科技公司。

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。

公司最早切入的方向之一，是无稀土永磁材料。

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。

AI的价值因此不再只是“发现更多可能”，还能帮助研发团队更快找到一组值得被制造出来的答案。

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。

AI材料赛道的另一位典型玩家，同样来自英国。

Orbital Materials成立于2022年，总部位于伦敦，后更名为Orbital Industries。

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。

2024年，公司发布材料模拟模型Orb，并开放相关模型，希望降低研究者进行原子级材料模拟的门槛。

但随着业务推进，它逐渐把重心从材料发现转向工业应用，开始围绕能源、碳捕获和AI基础设施设计具体方案。

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。

从Google DeepMind到MatNex、Orbital和CuspAI，AI材料领域已经出现了几条不同的发展路线。

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。

这些进展说明，AI材料发现并非完全建立在概念之上。

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。

因此，AI目前最明确的价值，仍然是缩短搜索过程，把有限的实验资源留给更有希望的方向。

它可以让“大海捞针”变得更快，却还不能保证被捞起来的那根针，最终能够撑起一个新的产业。

下一块“硅”或许会由AI率先找到，但真正定义“下一块硅”的，仍然是现实世界。

本文来自微信公众号“字母AI”，作者：袁心玥，36氪经授权发布。