（本文作者为 字母 AI，钛媒体经授权发布）
Related articles
文 | 字母 AI
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。
更多精彩内容，关注钛媒体微信号 （ID：taimeiti），或者下载钛媒体 App
