文 | 字母AI
亚马逊创始人杰夫·贝索斯再次出手，注资一家人工智能企业。
这次他的目光锁定在一个核心命题上：AI能否协助人类发掘出下一块关键的“硅”。
7月20日，英国专注于AI材料研发的初创公司CuspAI宣布完成4.5亿美元B轮融资，投后估值攀升至26亿美元。
这笔资金由Kleiner Perkins与New Enterprise Associates（NEA）领衔领投。跟投阵容颇为豪华，涵盖贝索斯旗下的Bezos Expeditions、获英国政府支持的主权AI基金，以及AMD Ventures、三星投资等机构。
在AI原生企业中，26亿美元的估值虽非绝无仅有，但对于成立不足两年的垂直科学领域公司而言，这一数字相当亮眼。
若将当前主流AI竞争聚焦于大模型与Agent视为一条赛道，CuspAI则代表另一条路径：
AI是否具备从处理存量信息，跃迁至协助人类探索未知领域的能力？
人类从未停止对新材料的寻觅
纵观工业文明史，其进程宛如一部不断寻找新材料的编年史。
青铜器开启了青铜时代，钢铁奠定了工业革命基石，硅芯片催生了计算机革命，而锂元素则推动了新能源汽车的爆发。
每一次重大产业变革的背后，几乎都有一种关键材料作为底层支撑。
当下，人类依然在寻找下一块“硅”。
过去数十年间，半导体行业依托硅基技术，通过不断缩小晶体管尺寸，推动计算机性能持续跃升。然而，随着制程逼近物理极限，业界正将视线转向新型半导体材料、互连材料及先进封装技术，试图寻找下一个突破点。
新能源领域同样面临瓶颈。相较于目前主流的液态锂电池，固态电池被视为能同时提升安全性、能量密度及续航能力的理想方案。但从丰田、QuantumScape到宁德时代，全行业尚未迎来大规模商业化落地的时刻。
今年，仅围绕固态电解质发现这一细分方向，学术界便接连发表《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）》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、先进制造及环保等领域亦难独善其身。
为去除PFAS（全氟和多氟烷基物质）这类极难自然降解的“永久性污染物”，科研人员仍在不懈寻求更高效、低成本的新型吸附材料；数据中心算力需求的激增，也使得散热材料成为制约能耗的关键变量。
越来越多的行业意识到，工程能力提升迅速，但材料层面的突破却日益迟缓。
原因显而易见：寻找新材料并非简单的数据库检索。科学家需先提出假设，设计材料结构，经计算模拟与实验验证，再根据反馈调整方案。一次失败，往往意味着从头再来。
此外，材料世界的可能性近乎无限。
材料性能不仅取决于元素组成，更受原子排列、晶体结构、缺陷状态及制造工艺的共同制约。哪怕微小的参数变动，都可能引发截然不同的结果。
面对如此庞大的搜索空间，仅凭经验与试错实验，人类越来越难以筛选出真正有价值的新材料。
于是，一种新思路应运而生：
材料研发中耗时费力的，不仅是实验本身，更是在无数种可能性中甄别出值得投入实验的候选方案。
而这，正是AI擅长的领域。
在此背景下，一批专注AI材料发现的初创公司开始获得资本青睐。
CuspAI的这轮融资，便是最新案例。资本正在为一种新可能下注：下一块“硅”，或许将诞生于AI驱动的材料研发体系之中。
贝索斯为何看好这家公司？
CuspAI是一家2024年成立的英国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），并促使其与霍尼韦尔量子业务合并，组建如今的Quantinuum；联合创始人Max Welling则是机器学习领域的知名学者，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，在生成模型领域颇具影响力。
传统材料研发通常以已有材料为起点。科学家设计新结构，通过计算模拟和实验测试其性能；若效果不佳，则调整结构重来。
CuspAI开发的MIRA系统，旨在改变这一流程。
它采用“逆向设计（Inverse Design）”逻辑：研究人员无需预先构思“该设计何种材料”，而是先定义目标——如更高导电性、更强耐高温性或更低制造成本——随后由AI反向生成可能满足这些要求的材料结构，预测其性质，从而帮助科学家筛选出最值得验证的候选方案。
换言之，它并非替代科学家进行实验，而是让科学家将精力集中在验证最具潜力的材料上，避免在海量可能性中盲目摸索。
不过，截至目前，CuspAI尚未交出令行业震撼的成绩单。
它未像Google DeepMind的GNoME那样公布代表性新材料，也未宣布某款AI设计的新材料实现产业化。
目前，CuspAI最接近商业验证的案例，是协助芬兰化工企业Kemira寻找去除PFAS污染物的新材料。公司透露，MIRA曾从约300万亿种潜在材料结构中筛选候选方案，最终缩窄至20种进入后续开发，但这些候选材料仍处于验证阶段，暂无商业化成果公布。
那么问题来了：一家尚未拿出决定性成果的AI公司，何以获得26亿美元估值？
一个细节值得玩味。
7月20日，CuspAI公布的不仅是4.5亿美元B轮融资，还同步宣布成立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；与此同时，AI Materials Foundry已汇聚超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、汽车及材料行业。
有人提供算力与芯片，有人掌握制造能力，有人拥有真实工业需求，也有人能承担后续实验与产业验证。
这份名单的意义，不只在于CuspAI拉拢了多少伙伴，更在于它让资本窥见了一个远超单项材料研发的市场前景。
传统材料公司的价值，通常取决于其能否产出特定材料、获取多少订单；而CuspAI试图覆盖的，是从需求提出、候选生成、性能预测、验证完成直至产业应用的全链条研发过程。
一旦该模式跑通，芯片、汽车、电池、化工、航空航天等所有依赖材料进步的行业，都可能成为其服务对象。
这正是26亿美元估值背后的想象空间：CuspAI有望从一家寻找新材料的公司，转型为多个产业共用的研发平台。
AI Materials Foundry，以及英伟达、Meta、Applied Materials、现代汽车等企业的加入，为这种想象提供了现实支点。这表明CuspAI正将模型、算力、产业需求与实验能力整合至协同网络中，也让投资者相信，自己有机会参与这套基础设施的建设。
若未来材料研发演变为一种新协作模式——AI负责生成候选，产业提出需求，算力完成模拟，实验室负责验证——那么决定竞争力的，将不再是单一公司的研发实力，而是谁能融入该体系，与更多参与者共同完成研发任务。
26亿美元，定价的是CuspAI成为材料研发平台的可能性。
尽管该估值仍建立在尚未兑现的未来之上，但在AI材料领域，资本愿意提前支付的，恰恰是这条链条一旦贯通后可能撬动的巨大市场。
AI真的找到新材料了吗？
CuspAI并非首家尝试用AI重构材料研发的公司。此前，Google DeepMind已证明AI可将材料搜索扩展至以往难以想象的规模；MatNex开始围绕具体工业需求定制材料；Orbital则进一步将材料模型推向真实工业场景。
这些玩家选择不同路径，共同回应一个问题：AI材料发现究竟处于何种阶段？
Google DeepMind无疑是其中最受关注的代表。
如果说AlphaFold让AI闯入生命科学领域，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稳定性，共发现超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数量扩大近十倍。
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，为下一代电池提供更多候选方案。
传统材料数据库多源于过往计算与实验积累，研究者通常在人类已有记录范围内寻找规律；而GNoME展示了另一种可能：AI可依据所学材料规律，主动探索尚未录入数据库的晶体结构。
但计算机预测材料稳定，并不意味着其在现实中可被制造。
为验证预测非纸上谈兵，DeepMind随后与劳伦斯伯克利国家实验室合作。后者建设的A-Lab系统可利用算法生成实验方案，控制机器人完成材料配比、加热及检测，最终成功合成40多种新材料。
不过，GNoME主要解决的是“哪些晶体结构可能稳定”。稳定不等于实用，能合成也不等于具备更优导电性、磁性、耐热性或更低制造成本。距离真正进入工业生产，中间仍隔着性能验证、工艺开发与规模化制造等环节。
若说DeepMind回答的是“AI能否找到新材料”，那么MatNex更关注另一问题：AI能否按产业需求设计材料。
MatNex原名Materials Nexus，成立于2020年，是一家源自剑桥大学孵化的深科技公司。
与CuspAI类似，Materials Nexus也采用“逆向设计”路线：依据目标性能需求，利用AI寻找可能满足要求的新材料，而非依靠传统实验逐一试错。
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、电机及风力发电，但高度依赖特定稀土资源与供应链。2024年，MatNex宣布，其AI平台从超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、合成到测试仅耗时3个月，较传统工业材料研发周期大幅缩短。公司预计，MagNex成本可达传统稀土磁体的约20%，同时可减少70%的材料碳排放。
此案例比单纯预测一种材料更进一步——它围绕明确工业需求，完成了从设定目标、算法筛选，到实验合成和性能测试的全流程。
AI的价值因此不再仅是“发现更多可能”，更能帮助研发团队更快锁定一组值得量产的答案。
但MagNex的成功合成，不等同于已完成商业化。它证明了AI可缩短早期研发周期，但其速度能否延伸至规模化生产，仍有待观察。
AI材料赛道另一位典型玩家，同样来自英国。
Orbital Materials成立于2022年，总部伦敦，后更名为Orbital Industries。
Orbital最初选择了一条与DeepMind相似的“AI for Science”路线：训练能理解原子结构、材料性质及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，旨在降低研究者进行原子级材料模拟的门槛。
但随着业务发展，其重心逐渐从材料发现转向工业应用，开始围绕能源、碳捕获及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，并尝试部署至数据中心。公司称，自2024年建立实验室以来，该材料性能已提升约10倍。
Orbital关注的已不只是能否找到性能更优的材料，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，而非最终产品。
这也使Orbital愈发像一家AI工业公司：材料发现仍是其核心能力，但最终交付的可能不只是模型或材料，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及CuspAI，AI材料领域已浮现几条不同发展路线。
DeepMind致力于扩大人类可探索的材料空间；MatNex围绕明确需求，将AI设计推进至合成与测试；Orbital将材料模型嵌入碳捕获和数据中心等具体场景；CuspAI则希望将模型、算力、实验和产业伙伴组织成一套可供多行业使用的研发平台。
这些进展表明，AI材料发现并非完全基于概念。
AI已能预测未被记录的晶体结构，已助研究者合成新材料，甚至开始围绕具体工业需求缩短设计与测试周期。
但无论选择哪条路线，它们都必须面对同一难题：AI找到一种可能存在材料，不等于人类已拥有一种可用材料。
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，仍是缩短搜索过程，将有限实验资源留给更有希望的方向。
它能让“大海捞针”变得更快，却无法保证捞起的这根针，最终能撑起一个新产业。
下一块“硅”或许会由AI率先发现，但真正定义“下一块硅”的，依然是现实世界。
