字母榜精选

發表了文章 ·

貝索斯用AI尋找下一塊硅

亞馬遜創始人傑夫·貝索斯，又投資了一家AI公司。

這一次他押注的是：AI能不能幫助人類找到下一塊「硅」。

7月20日，英國AI材料公司CuspAI宣佈完成4.5億美元B輪融資，公司估值達到26億美元。

本輪融資由Kleiner Perkins和New Enterprise Associates（NEA）領投。投資方包括貝索斯旗下投資機構Bezos Expeditions、英國政府支持的主權AI基金，以及AMD Ventures、三星投資等機構。

26億美元的估值在AI原生公司裏並不是史無前例，但對垂直科學領域公司來說算得上非常突出，而CuspAI成立還不到兩年。

如果說主流的AI競爭圍繞大模型和Agent展開，那麼CuspAI代表的是另一條路線：

AI能否從處理已有信息，走向幫助人類發現未知。

人類一直在尋找下一塊材料

如果把工業文明的發展濃縮成一句話，它就像一部不斷尋找新材料的歷史。

青銅開啓了青銅時代，鋼鐵撐起了工業革命，硅創造了計算機，而鋰推動了新能源汽車的發展。

每一次重要的產業變革，背後幾乎都有一種關鍵材料作爲支撐。

今天，人類仍然在尋找下一塊「硅」。

過去幾十年，半導體行業依靠硅不斷縮小晶體管尺寸，讓計算機性能持續提升。但隨着製程逐漸逼近物理極限，行業越來越多地把目光投向新的半導體材料、互連材料和先進封裝，希望尋找下一代突破口。

新能源行業也面臨着類似的問題。相比今天廣泛使用的液態鋰電池，固態電池被認爲有望同時提升安全性、能量密度和續航能力。但從豐田、QuantumScape到寧德時代，行業遲遲沒有迎來大規模商業化。

今年，僅圍繞固態電解質發現，學術界就接連出現了《Breaking Bottlenecks in Solid Electrolyte Discovery with Large Artificial Intelligence Models（利用大模型突破固態電解質發現瓶頸）》以及《Machine Learning Pipelines for the Design of Solid-State Electrolytes（用於固態電解質設計的機器學習流程）》等多篇綜述論文。

催化劑、航空航天、先進製造以及環保領域，同樣難以避免。

爲了去除PFAS（全氟和多氟烷基物質）這類幾乎無法自然降解的"永久性污染物"，研究人員仍在持續尋找效率更高、成本更低的新型吸附材料；數據中心不斷增長的算力需求，也讓散熱材料成爲影響能耗的重要變量。

越來越多行業發現，工程能力正在快速進步，但材料突破卻越來越慢。

原因並不難理解：尋找一種新材料，並不像在數據庫裏搜索答案。科學家通常需要先提出假設，再設計材料結構，進行計算模擬、實驗驗證，然後根據結果不斷調整方案。一次失敗，就意味着重新開始。

並且，材料世界的可能性幾乎是無限的。

一種材料的性能，不僅取決於元素組成，還受到原子排列、晶體結構、缺陷狀態以及製造工藝的共同影響。哪怕只是微小的變化，都可能帶來截然不同的結果。

面對如此龐大的搜索空間，人類越來越難依靠經驗和實驗，一點一點找到真正有價值的新材料。

於是，一個新的想法開始出現：

材料研發真正費時費力的不只有實驗，還有在無數種可能性中找到那幾個值得實驗的候選方案。

而這，恰恰是AI最擅長的問題。

正是在這樣的背景下，一批專注於AI材料發現的新公司開始獲得資本關注。

CuspAI的這輪融資，正是最新的一個代表案例。資本開始爲一種新的可能性下注：下一塊「硅」，或許將誕生於AI驅動的材料研發體系。

貝索斯爲什麼押注這家公司？

CuspAI是一家成立於2024年的英國AI材料公司，總部位於劍橋。

公司由兩位背景互補的創始人共同創立。CEO Chad Edwards曾參與創辦量子計算公司Cambridge Quantum Computing（CQC），並推動其與霍尼韋爾量子業務合併，成立如今的Quantinuum；聯合創始人Max Welling則是機器學習領域的重要學者，曾任微軟研究院傑出科學家，也是經典論文《Auto-Encoding Variational Bayes》的作者之一，在生成模型領域具有重要影響力。

過去，材料研發通常從一種已有材料出發。科學家先設計一種新的結構，再通過計算模擬和實驗測試它的性能；如果效果不理想，就調整結構重新開始。

CuspAI開發的MIRA，則試圖改變這個流程。

它採用「逆向設計（Inverse Design）」思路：研究人員不用先思考「應該設計什麼材料」，而是先定義目標——例如更高的導電性、更強的耐高溫能力或更低的製造成本——再由AI反向生成可能滿足這些要求的材料結構，並預測它們的性質，幫助科學家篩選最值得驗證的候選方案。

換句話說，它並不是替科學家完成實驗，而是希望讓科學家把更多時間花在驗證最有希望的材料上，而不是在無數可能中大海撈針。

不過，截至目前，CuspAI並沒有交出一份足以震驚行業的成績單。

它沒有像Google DeepMind的GNoME那樣公佈具有代表性的新材料，也沒有宣佈某一種AI設計的新材料已經實現產業化。

目前，CuspAI最接近商業驗證的案例之一，是幫助芬蘭化工企業Kemira尋找去除PFAS污染物的新材料。公司表示，MIRA曾從約300萬億種潛在材料結構中篩選候選方案，最終縮小到20種進入進一步開發，但相關候選材料目前仍處於後續驗證階段，尚未公佈商業化成果。

那麼問題來了：一家還沒有交出決定性成果的AI公司，爲什麼能拿到26億美元估值？

一個細節或許值得注意。

7月20日，CuspAI公佈的並不只是4.5億美元B輪融資，同時還宣佈成立AI Materials Foundry。

本輪融資由Kleiner Perkins和NEA領投，貝索斯旗下Bezos Expeditions、AMD Ventures、三星風險投資等機構參與投資；與此同時，AI Materials Foundry已經聚集了超過45家合作伙伴，包括英偉達、Meta、Applied Materials、現代汽車集團等企業。

這份名單橫跨AI、半導體、先進製造、汽車和材料行業。

有人提供算力和芯片，有人掌握製造能力，有人擁有真實的工業需求，也有人能夠承擔後續實驗與產業驗證。

名單的意義不只在於CuspAI拉來了多少合作伙伴，更重要的是，它讓資本看到了一個遠大於單項材料研發的市場。

一家傳統材料公司，價值通常取決於它能否做出某種材料、拿下多少訂單；CuspAI試圖覆蓋的，卻是材料被提出需求、生成候選、預測性能、完成驗證，直至進入產業應用的整條研發鏈條。

一旦這套模式成立，芯片、汽車、電池、化工、航空航天等所有依賴材料進步的行業，都可能成爲它的服務對象。

這正是26億美元估值背後的想象力：CuspAI有機會從一家尋找新材料的公司，變成多個產業共同使用的研發平台。

AI Materials Foundry，以及英偉達、Meta、Applied Materials、現代汽車等企業的參與，爲這種想象提供了現實支點。它說明CuspAI正在把模型、算力、產業需求和實驗能力組織到一個協同網絡裏，也讓投資者相信，自己有機會參與這套基礎設施的建設。

如果未來材料研發逐漸演變爲一種新的協作模式——AI負責生成候選材料，產業提出需求，算力完成模擬計算，實驗室負責驗證結果，那麼決定競爭力的，將不再只是某一家公司的研發能力，而是誰能夠進入這套體系，與更多參與者共同完成材料研發。

26億美元，定價的是CuspAI成爲材料研發平台的可能性。

這份估值當然仍然建立在尚未兌現的未來之上。但在AI材料領域，資本願意提前付錢的，恰恰是這條鏈條一旦跑通之後可能覆蓋的巨大市場。

AI已經找到新材料了嗎？

CuspAI並不是第一家試圖用AI重構材料研發的公司。在它之前，Google DeepMind已經證明，AI可以把材料搜索擴展到過去難以想象的規模；MatNex開始圍繞具體工業需求設計材料；Orbital則進一步把材料模型推向真實工業場景。

這些玩家選擇了不同路徑，也共同回答了一個問題：AI材料發現，究竟已經走到了哪一步？

Google DeepMind是其中最受關注的代表。

如果說AlphaFold讓AI進入生命科學領域，那麼GNoME（Graph Networks for Materials Exploration）則是DeepMind探索材料科學的重要嘗試。

2023年，Google DeepMind發佈GNoME項目。該系統利用圖神經網絡預測晶體結構的穩定性，共發現超過220萬種潛在晶體結構，其中約38萬種被預測爲穩定材料，相當於將人類已知穩定材料的數量擴大了近十倍。

其中包括528種潛在鋰離子導體，數量約爲此前同類研究成果的25倍，爲下一代電池提供了更多候選方案。

傳統材料數據庫主要來自過去的計算和實驗積累，研究者通常在已經被人類記錄的範圍內尋找規律，而GNoME展示了另一種可能：AI可以根據學到的材料規律，主動探索尚未進入數據庫的晶體結構。

但計算機預測一種材料穩定，並不意味着這種材料能夠在現實中被製造出來。

爲了驗證這些預測並非停留在計算機中，DeepMind隨後與勞倫斯伯克利國家實驗室合作。後者建設的A-Lab系統可以利用算法生成實驗方案，控制機器人完成材料配比、加熱和檢測，最終成功合成了40多種新材料。

不過，GNoME主要解決的仍然是「哪些晶體結構可能穩定」。穩定不等於實用，能夠合成也不等於具備更好的導電性、磁性、耐熱性或者製造成本。距離真正進入工業生產，中間仍然隔着性能驗證、工藝開發和規模化製造。

如果說DeepMind回答的是"AI能不能找到新材料"，那麼MatNex更關心另一個問題：AI能不能按照產業需求設計材料。

MatNex原名Materials Nexus，成立於2020年，是一家從劍橋大學孵化的深科技公司。

與CuspAI類似，Materials Nexus採用的也是「逆向設計」路線：根據目標性能需求，利用AI尋找可能滿足要求的新材料，而不是依靠傳統實驗方式逐一試錯。

公司最早切入的方向之一，是無稀土永磁材料。

稀土永磁體廣泛應用於新能源汽車、電機和風力發電，但高度依賴特定的稀土資源與供應鏈。2024年，MatNex宣佈，其AI平台從超過1億種候選組合中篩選並設計出無稀土永磁材料MagNex。

該材料從設計、合成到測試僅用了3個月，相比傳統工業材料研發週期大幅縮短。公司預計，MagNex成本可達到傳統稀土磁體的約20%，同時可減少70%的材料碳排放。

這個案例比單純預測一種材料更進一步——它圍繞一個明確的工業需求，完成了從設定目標、算法篩選，到實驗合成和性能測試的流程。

AI的價值因此不再只是「發現更多可能」，還能幫助研發團隊更快找到一組值得被製造出來的答案。

但MagNex被成功合成，也不能直接等同於已經完成商業化，它證明了AI可以縮短早期研發週期，但它能否把這種速度延伸到規模化生產，仍有待觀察。

AI材料賽道的另一位典型玩家，同樣來自英國。

Orbital Materials成立於2022年，總部位於倫敦，後更名爲Orbital Industries。

Orbital最初選擇的是一條與DeepMind相似的「AI for Science」路線：訓練能夠理解原子結構、材料性質和物理規律的基礎模型，再利用這些模型預測材料性能、篩選候選結構。

2024年，公司發佈材料模擬模型Orb，並開放相關模型，希望降低研究者進行原子級材料模擬的門檻。

但隨着業務推進，它逐漸把重心從材料發現轉向工業應用，開始圍繞能源、碳捕獲和AI基礎設施設計具體方案。

其中一項工作，是利用AI設計用於直接空氣捕集的多孔CO₂吸附材料，並嘗試將其部署到數據中心。公司稱，自2024年建立實驗室以來，這種材料的性能已經提升約10倍。

Orbital關注的已經不只是能否找到性能更好的材料，還包括這些材料如何進入具體設備和工業場景。材料模型由此成爲解決實際問題的起點，而不再是最終產品。

這也讓Orbital越來越像一家AI工業公司：材料發現仍然是它的核心能力，但最終出售的可能不只是模型或者材料，而是一套圍繞具體工業問題設計的解決方案。

從Google DeepMind到MatNex、Orbital和CuspAI，AI材料領域已經出現了幾條不同的發展路線。

DeepMind試圖擴大人類能夠探索的材料空間；MatNex圍繞明確需求，將AI設計推進到合成和測試；Orbital把材料模型嵌入碳捕獲和數據中心等具體場景；CuspAI則希望把模型、算力、實驗和產業夥伴組織成一套可以被多個行業使用的研發平台。

這些進展說明，AI材料發現並非完全建立在概念之上。

AI已經能夠預測過去未被記錄的晶體結構，也已經幫助研究者合成出新的材料，甚至開始圍繞具體工業需求縮短設計和測試周期。

但無論選擇哪一條路線，它們都必須面對同一道難題：AI找到一種可能存在的材料，並不等於人類已經擁有了一種可以使用的材料。

從計算預測到實驗合成，從實驗樣品到穩定製造，再到規模化應用，每一步都可能淘汰大量候選方案。自然世界不會因爲模型能力提升而改變驗證規則。

因此，AI目前最明確的價值，仍然是縮短搜索過程，把有限的實驗資源留給更有希望的方向。

它可以讓「大海撈針」變得更快，卻還不能保證被撈起來的那根針，最終能夠撐起一個新的產業。

下一塊「硅」或許會由AI率先找到，但真正定義「下一塊硅」的，仍然是現實世界。 $亞馬遜 (AMZN.US)$$明星科技股 (LIST2518.US)$$巴菲特持倉 (LIST2999.US)$$人工智慧 (LIST2136.US)$$人工智慧 (LIST23586.HK)$$科技 (LIST20763.US)$$科技 (LIST20840.HK)$