文 | 字母AI

杰夫·贝索斯再次出手，投资了一家AI初创企业。

这次他看中的方向很明确：利用人工智能，帮人类挖掘出下一个“硅”。

7月20日，总部位于英国的AI材料公司CuspAI宣布完成4.5亿美元的B轮融资，估值随之跃升至26亿美元。

领投方包括Kleiner Perkins以及New Enterprise Associates（NEA）。跟投阵容同样豪华，涵盖贝索斯的Bezos Expeditions、英国政府支持的主权AI基金，还有AMD Ventures和三星投资等机构。

在AI原生领域，26亿美元的估值虽不算罕见，但对于一家成立不足两年的垂直科学类公司而言，这绝对是个亮眼的数字。

如果当下的AI博弈焦点集中在大模型与Agent上，那么CuspAI代表的则是另一条路径：

AI如何从单纯处理已知信息，进化为协助人类探索未知领域。

人类对新材料的渴求从未停止。

若将工业文明的演进浓缩为一句话，便是一部不断发现新材质的历史。

青铜时代因青铜而起，工业革命靠钢铁支撑，计算机时代由硅奠定，而新能源汽车则因锂而兴。

每一次产业巨变的背后，几乎都有一种关键材料在托底。

如今，人类仍在寻觅下一块“硅”。

过去数十年，半导体行业通过不断缩小硅晶体管尺寸，推动了算力的飞跃。但随着制程逼近物理极限，行业目光逐渐转向新型半导体材料、互连技术及先进封装，试图寻找新的突破点。

新能源赛道也面临相似瓶颈。相比现有的液态锂电池，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下一代方案。然而，从丰田、QuantumScape到宁德时代，大规模商业化至今仍未到来。

今年，学术界围绕固态电解质发现密集发表了多篇综述，如《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）》和《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）》。

催化剂、航空航天、先进制造及环保领域亦然。

为了清除PFAS（全氟和多氟烷基物质）这种极难自然降解的“永久性污染物”，研究人员仍在攻关更高效、低成本的吸附材料；数据中心算力需求的激增，也让散热材料成为能耗控制的关键变量。

各行业逐渐意识到，工程能力飞速进步，但材料突破的步伐却日益迟缓。

原因显而易见：找新材料不像在数据库里检索答案。科学家需先提出假设，构建结构，进行模拟计算与实验验证，再根据反馈调整方案。一次失败，往往意味着推倒重来。

更棘手的是，材料世界的组合近乎无限。

材料性能受元素组成、原子排列、晶体结构、缺陷状态及制造工艺等多重因素制约。微小的变动，可能导致结果天壤之别。

面对浩瀚的搜索空间，仅凭经验和试错，人类已难以高效筛选出真正有价值的新材料。

于是，一种新思路浮现：

材料研发耗时费力的核心，不在于实验本身，而在于从海量可能性中锁定少数值得验证的候选项。

而这，正是AI的强项。

在此背景下，专注AI材料发现的初创公司开始受到资本青睐。

CuspAI此轮融资，便是最新例证。资本正在押注一种新可能：下一块“硅”，或许将在AI驱动的研发体系中诞生。

贝索斯为何看好这家公司？

CuspAI成立于2024年，是一家源自英国的AI材料企业，大本营设在剑桥。

两位创始人背景互补。CEO Chad Edwards曾参与创立量子计算公司Cambridge Quantum Computing（CQC），并促成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是机器学习领域的重量级学者，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，在生成模型领域影响深远。

传统材料研发通常遵循“正向”逻辑：基于已有材料设计新结构，经计算模拟和实验测试评估性能，若不理想则调整结构重来。

CuspAI开发的MIRA系统，旨在颠覆这一流程。

它采用“逆向设计”理念：研究人员无需预先构思具体材料，只需设定目标——如更高导电性、更强耐高温性或更低成本——AI便会反向生成符合要求的材料结构，并预测其性质，辅助科学家筛选最具潜力的候选方案。

换言之，MIRA并非替代科学家做实验，而是让他们将精力集中于验证最有希望的材料，而非在无数可能中盲目摸索。

不过，截至目前，CuspAI尚未交出震撼行业的答卷。

它未像Google DeepMind的GNoME那样公布代表性新材料，也未宣布某款AI设计材料实现产业化。

目前最接近商业验证的案例，是协助芬兰化工巨头Kemira寻找去除PFAS污染物的新材料。据公司透露，MIRA曾从约300万亿种潜在结构中筛选出20种进入后续开发，但这些候选材料尚处验证阶段，未公开商业化成果。

问题来了：一家尚无决定性成果的AI公司，凭什么值26亿美元？

一个细节或许揭示了答案。

7月20日，CuspAI公布的不仅是4.5亿美元B轮融资，还同步成立了AI Materials Foundry。

本轮融资由Kleiner Perkins和NEA领投，贝索斯的Bezos Expeditions、AMD Ventures、三星风险投资等跟进；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。

这份名单横跨AI、半导体、先进制造、汽车及材料五大行业。

有人提供算力芯片，有人掌握制造能力，有人带来真实工业需求，有人承担实验验证。

名单的价值不仅在于拉拢了多少伙伴，更在于让资本看到了远超单项材料研发的广阔市场。

传统材料公司的价值，取决于能否做出特定材料、拿下多少订单；CuspAI试图覆盖的，是从需求提出、候选生成、性能预测、验证直至产业应用的全链条。

一旦模式跑通，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有望从单一材料发现者，转型为多产业共用的研发平台。

AI Materials Foundry，以及英伟达、Meta、Applied Materials、现代汽车等的入局，为这一愿景提供了现实支点。这表明CuspAI正将模型、算力、产业需求与实验能力整合进协同网络，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新型协作模式——AI生成候选、产业提出需求、算力完成模拟、实验室负责验证——那么核心竞争力将不再局限于单一公司的研发实力，而是谁能融入该体系，与更多参与者共同推进。

26亿美元，买的是CuspAI成为材料研发平台的可能性。

尽管估值仍建立在未兑现的未来之上，但在AI材料领域，资本愿意预付的，正是这条链条一旦打通后所覆盖的巨大市场。

AI找到新材料了吗？

CuspAI并非首个尝试用AI重构材料研发的公司。在此之前，Google DeepMind已证明AI可将材料搜索扩展至前所未有的规模；MatNex开始针对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。

这些玩家路径各异，共同指向一个问题：AI材料发现究竟进展到了哪一步？

Google DeepMind无疑是其中最受瞩目的代表。

如果说AlphaFold让AI涉足生命科学，那么GNoME（Graph Networks for Materials Exploration）则是DeepMind探索材料科学的重要里程碑。

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，数量约为此前同类成果的25倍，为下一代电池提供了丰富候选。

传统材料数据库源于过往计算与实验积累，研究者多在已记录范围内寻规律；GNoME展示了另一种可能：AI可依据习得的规律，主动探索数据库外的晶体结构。

但计算机预测的稳定，不等于现实可制造。

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系统可通过算法生成实验方案，操控机器人完成配比、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，可合成不等于具备更优导电性、磁性、耐热性或低成本。距离真正工业化，仍需跨越性能验证、工艺开发和规模化制造三道坎。

若说DeepMind回答了“AI能否找到新材料”，那么MatNex更关注另一个问题：AI能否按产业需求设计材料。

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

与CuspAI类似，Materials Nexus也走“逆向设计”路线：依据目标性能，利用AI寻找新材料，而非依赖传统实验逐一试错。

其早期切入点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，大幅缩短传统研发周期。公司预计，MagNex成本仅为传统稀土磁体的约20%，且可减少70%的材料碳排放。

此案例超越了单纯预测：它围绕明确工业需求，完成了从设目标、算法筛选、实验合成到性能测试的全流程。

AI的价值由此不再仅是“发现更多可能”，更能助力研发团队快速锁定值得制造的方案。

但MagNex的成功合成，不等于已完成商业化。它证明了AI能缩短早期研发周期，至于能否将速度延伸至规模化生产，仍需观察。

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，总部伦敦，后更名为Orbital Industries。

Orbital初期选择了一条与DeepMind相似的“AI for Science”路线：训练理解原子结构、材料性质及物理规律的基础模型，再利用模型预测性能、筛选结构。

2024年，公司发布材料模拟模型Orb并开放相关模型，旨在降低原子级材料模拟门槛。

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关注的已不仅是找到高性能材料，还包括这些材料如何嵌入具体设备与工业场景。材料模型由此成为解决实际问题的起点，而非最终产品。

这使得Orbital越来越像一家AI工业公司：材料发现仍是核心能力，但最终交付的可能不只是模型或材料，而是针对特定工业问题的整套解决方案。

从Google DeepMind到MatNex、Orbital及CuspAI，AI材料领域已涌现多条发展路线。

DeepMind致力于拓展人类可探索的材料边界；MatNex围绕明确需求，将AI设计推进至合成测试；Orbital将材料模型嵌入碳捕获和数据中心等具体场景；CuspAI则希望整合模型、算力、实验及产业伙伴，构建可供多行业使用的研发平台。

这些进展表明，AI材料发现并非空中楼阁。

AI已能预测未被记录的晶体结构，已协助研究者合成新材料，甚至开始围绕具体工业需求压缩设计与测试周期。

但无论选择哪条路线，都必须面对同一难题：AI找到可能存在材料，不等于人类拥有可用材料。

从计算预测到实验合成，从样品到稳定制造，再到规模化应用，每一步都会淘汰大量候选。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”更快，却无法保证捞起的针，最终能撑起一个新产业。

下一块“硅”或许由AI率先发现，但真正定义“下一块硅”的，始终是现实世界。