贝索斯用AI寻找下一块硅

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。

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。

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。

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。

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。

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。

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。

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？

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。

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 。

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。

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？

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。

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。