文 | 字母AI
杰夫·贝索斯再次出手，将资金投向了人工智能领域。
这次的标的很明确：看看AI能不能替人类挖出下一座“硅矿”。
7月20日，英国AI材料初创公司CuspAI宣布拿下4.5亿美元的B轮融资，估值由此攀升至26亿美元。
这轮钱由Kleiner Perkins和New Enterprise Associates（NEA）带头领投。跟投的阵容相当豪华，既有贝索斯的个人投资机构Bezos Expeditions，也有受英国政府支持的主权AI基金，还有AMD Ventures、三星投资等行业巨头。
在AI原生公司遍地开花的当下，26亿美元的估值不算什么惊天数字，但对于一家成立不到两年的垂直科学领域企业而言，这个成绩足够亮眼。
如果把当前AI圈的竞争格局简化一下，主流玩家都在卷大模型和Agent。而CuspAI走的是一条截然不同的路：
它试图让AI从“处理已知信息”进化到“协助人类发现未知”。
人类对新材料的渴求从未停止
如果要用一句话概括工业文明史，那便是一部不断寻找新材料的历史。
青铜器划开了青铜时代，钢铁铸就了工业革命，硅芯片开启了计算机纪元，而锂电池则驱动了新能源汽车的爆发。
几乎每一次产业级的跃迁，背后都站着一种关键材料的影子。
如今，我们依然在寻找那块属于未来的“硅”。
过去几十年，半导体行业靠着硅不断缩小晶体管尺寸，换取算力的持续飞跃。但随着制程逼近物理极限，行业不得不把目光转向新型半导体材料、互连技术以及先进封装，指望从中找到下一个突破口。
新能源赛道也卡在类似的瓶颈上。相比现在主流的液态锂电池，固态电池被寄予厚望，因为它有望同时解决安全、能量密度和续航三大痛点。但从丰田、QuantumScape到宁德时代，各大厂商迟迟未能实现大规模商业化落地。
今年学术界也没闲着，围绕固态电解质发现，接连抛出了《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）》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）》等多篇综述论文。
不仅是半导体和电池，催化剂、航空航天、先进制造以及环保领域同样面临困境。
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”，研究人员仍在苦苦搜寻效率更高、成本更低的吸附材料；数据中心算力需求激增，也让散热材料成了决定能耗的关键变量。
越来越多的行业共识是：工程能力在飞速进步，但材料层面的突破却日益缓慢。
原因其实不难理解。找新材料不像查字典那样有现成答案。科学家得先提出假设，搭建结构，跑计算模拟，做实验验证，再根据结果反复调整。一次失败，就得推倒重来。
更麻烦的是，材料世界的组合几乎是无限的。
一种材料的性能，不仅看元素配比，还受原子排列、晶体结构、缺陷状态甚至制造工艺的共同左右。哪怕只是微小的变动，结果可能天差地别。
面对如此浩瀚的搜索空间，单靠经验和试错，人类越来越难从中捞出真正有价值的新材料。
于是，一个新的思路浮现出来：
材料研发最耗时的，或许不是实验本身，而是在无数种可能性中，筛选出那几个值得去实验的候选项。
而这，正是AI的强项。
基于此背景，一批专注AI材料发现的创业公司开始进入资本视野。
CuspAI这一轮融资，就是最新的注脚。资本正在押注一种新可能：下一块“硅”，可能就诞生于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，大本营设在剑桥。
创始团队背景互补。CEO Chad Edwards曾参与创立量子计算公司Cambridge Quantum Computing（CQC），并推动其与霍尼韦尔量子业务合并，组建了如今的Quantinuum；联合创始人Max Welling则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。
传统材料研发往往是从已有材料出发。科学家设计新结构，通过模拟和测试看性能，不行就改结构重来。
CuspAI开发的MIRA系统，试图颠覆这一流程。
它采用“逆向设计”逻辑：研究人员无需预先构思“该造什么材料”，而是直接定义目标——比如更高的导电性、更强的耐热性或更低的成本——然后让AI反向生成满足条件的材料结构，预测其性质，帮科学家筛出最值得验证的候选名单。
说白了，它不替科学家做实验，而是帮科学家把时间花在验证最有希望的材料上，而不是在茫茫可能中大海捞针。
不过，截至目前，CuspAI还没拿出一份足以震撼行业的成绩单。
它没有像Google DeepMind的GNoME那样公布代表性新材料，也没有宣布某款AI设计材料已实现产业化。
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300万亿种潜在结构中筛选候选，最终缩至20种进入后续开发，但这些材料尚在验证阶段，暂无商业化成果公布。
那么问题来了：一家尚未交出决定性答卷的AI公司，凭什么值26亿美元？
一个细节或许能说明问题。
7月20日，CuspAI公布的不仅是4.5亿美元B轮融资，还同步宣布了成立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投；与此同时，AI Materials Foundry已集结超过45家合作伙伴，涵盖英伟达、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、汽车及材料五大行业。
有人提供算力和芯片，有人掌握制造能力，有人拥有真实工业需求，也有人能承担后续实验与产业验证。
这份名单的价值，不只在于CuspAI拉来了多少伙伴，更在于它让资本看到了一个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想覆盖的，却是从需求提出、候选生成、性能预测、实验验证直至产业应用的全链条。
一旦这套模式跑通，芯片、汽车、电池、化工、航空航天等所有依赖材料进步的行业，都可能成为它的客户。
这正是26亿美元估值背后的想象空间：CuspAI有机会从一家寻找新材料的公司，蜕变为多个产业共用的研发平台。
AI Materials Foundry，以及英伟达、Meta、Applied Materials、现代汽车等巨头的加入，为这种想象提供了现实支点。它表明CuspAI正在将模型、算力、产业需求和实验能力编织进一个协同网络，也让投资者相信，自己有机会参与这套基础设施的建设。
如果未来材料研发演变为一种新的协作范式——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，而是谁能融入这套体系，与更多参与者共同推进材料研发。
26亿美元，买的是CuspAI成为材料研发平台的可能性。
这份估值当然建立在尚未兑现的未来之上。但在AI材料领域，资本愿意提前买单的，恰恰是这条链条一旦打通后所能覆盖的巨大市场。
AI已经找到新材料了吗？
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。
这些玩家路径各异，却共同指向一个问题：AI材料发现，究竟走到了哪一步？
Google DeepMind无疑是其中最受瞩目的代表。
如果说AlphaFold让AI闯入生命科学领域，那么GNoME（Graph Networks for Materials Exploration）则是DeepMind在材料科学领域的重要试探。
2023年，Google DeepMind发布了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更多候选方案。
传统材料数据库多源于过去的计算和实验积累，研究者通常在已被记录的范围内寻找规律。而GNoME展示了另一种可能：AI可依据学到的材料规律，主动探索尚未进入数据库的晶体结构。
但计算机预测材料稳定，并不意味着它在现实中能被制造出来。
为验证预测并非纸上谈兵，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好的导电性、磁性、耐热性或更低成本。距离真正进入工业生产，中间仍隔着性能验证、工艺开发和规模化制造这道坎。
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也走“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、电机和风力发电，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全流程。
AI的价值因此不再仅是“发现更多可能”，还能帮助研发团队更快锁定一组值得被制造出来的答案。
但MagNex被成功合成，并不等同于已完成商业化。它证明了AI可以缩短早期研发周期，但它能否将这种速度延伸至规模化生产，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最初选择了一条与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，旨在降低研究者进行原子级材料模拟的门槛。
但随着业务推进，它逐渐将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，这种材料的性能已提升约10倍。
Orbital关注的已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：材料发现仍是其核心能力，但最终出售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和CuspAI，AI材料领域已涌现几条不同的发展路线。
DeepMind试图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则希望将模型、算力、实验和产业伙伴组织成一套可被多行业使用的研发平台。
这些进展表明，AI材料发现并非完全建立在概念之上。
AI已能预测过去未被记录的晶体结构，也已助研究者合成出新材，甚至开始围绕具体工业需求缩短设计和测试周期。
但无论选择哪条路线，它们都必须面对同一道难题：AI找到一种可能存在材料，不等于人类已拥有一种可使用材料。
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。
它能让“大海捞针”变得更快，却还不能保证捞起来的那根针，最终能撑起一个新产业。
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。
