文 | 字母AI
亚马逊创始人杰夫·贝索斯再次出手，注资了一家人工智能企业。
这一次，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“硅”。
7月20日，英国专注于AI材料研发的企业CuspAI宣布完成4.5亿美元B轮融资，公司估值由此攀升至26亿美元。
本轮融资由Kleiner Perkins与New Enterprise Associates（NEA）领衔投资。参与方阵容庞大，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、三星投资等知名机构。
在AI原生企业群体中，26亿美元的估值虽非孤例，但对于一家成立不足两年的垂直科学领域公司而言，这一数字显得尤为耀眼。
若将当前主流AI竞争的焦点归结为大模型与Agent的博弈，CuspAI则指向了一条截然不同的路径：
让AI从单纯处理已有信息，转向协助人类探索未知领域。
人类对新材料的追寻从未止步
若将工业文明的演进浓缩为一句话，它便是一部不断寻找新素材的历史。
青铜器的出现开启了青铜时代，钢铁支撑起工业革命，硅芯片缔造了计算机世界，而锂电池则推动了新能源汽车的浪潮。
每一次重大的产业跃迁，背后几乎都有一种关键材料作为基石。
时至今日，人类仍在寻觅那块能定义下一个时代的“硅”。
过去数十年，半导体行业依靠硅不断微缩晶体管尺寸，推动计算性能持续迭代。然而，随着制程逼近物理极限，行业视线逐渐转向新型半导体材料、互连材料及先进封装技术，试图在此中寻找下一代突破点。
新能源领域同样面临瓶颈。相较于目前广泛应用的液态锂电池，固态电池被视为有望同时提升安全性、能量密度及续航能力的潜在方案。但从丰田、QuantumScape到宁德时代，行业迟迟未能迎来大规模商业化落地。
今年，仅在固态电解质发现这一细分领域，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）》与《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、先进制造及环保等行业亦难以置身事外。
为去除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”，研究人员仍在持续搜寻效率更高、成本更优的新型吸附材料；数据中心算力需求的激增，也让散热材料成为影响能耗的关键变量。
越来越多行业意识到，工程能力正飞速进步，但材料层面的突破却日益迟缓。
原因显而易见：寻找新材料并非像在数据库中检索答案那般简单。科学家通常需先提出假设，设计材料结构，进而进行计算模拟与实验验证，最后依据结果反复调整方案。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。
一种材料的性能，不仅受元素组成制约，更与原子排列、晶体结构、缺陷状态及制造工艺紧密相关。即便细微的变化，也可能导致截然不同的结果。
面对如此庞大的搜索空间，仅凭经验与实验逐一摸索，已越来越难找到真正具备价值的新材料。
于是，一个新思路应运而生：
材料研发中最耗时费力的，或许并非实验本身，而是在无数种可能性中，甄别出那几个值得投入实验的候选方案。
而这，正是AI最擅长的领域。
在此背景下，一批专注AI材料发现的新兴公司开始受到资本青睐。
CuspAI的这轮融资，便是最新案例。资本正为一种新的可能性下注：下一块“硅”，或将诞生于AI驱动的材料研发体系之中。
贝索斯为何看好这家公司？
CuspAI成立于2024年，总部位于剑桥，是一家英国背景的AI材料公司。
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，组建如今的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，在生成模型领域享有盛誉。
传统材料研发多始于一种已知材料。科学家先设计新结构，再通过计算模拟和实验测试其性能；若效果不佳，便调整结构重来。
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“应设计何种材料”，而是先设定目标——例如更高的导电性、更强的耐高温性或更低的制造成本——随后由AI反向生成可能满足这些要求的材料结构，并预测其性质，从而帮助科学家筛选出最值得验证的候选方案。
换言之，它并非替代科学家完成实验，而是希望让他们将更多精力集中于验证最有潜力的材料，而非在海量可能中盲目试错。
不过，截至目前，CuspAI尚未交出一份足以震撼行业的完美答卷。
它未像Google DeepMind的GNoME那样公布具有代表性的新材料，也未宣布某款AI设计的新材料已实现产业化。
目前，CuspAI最接近商业验证的案例之一，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，最终缩小至20种进入进一步开发，但这些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：一家尚未交出决定性成果的AI公司，何以获得26亿美元的估值？
一个细节或许值得玩味。
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跟投；与此同时，AI Materials Foundry已汇聚超过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、汽车及材料行业。
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，也有人能承担后续实验与产业验证。
名单的意义不仅在于CuspAI拉拢了多少伙伴，更在于它让资本看到了一个远大于单项材料研发的市场空间。
一家传统材料公司的价值，通常取决于其能否做出某种材料、拿下多少订单；而CuspAI试图覆盖的，是从需求提出、候选生成、性能预测、完成验证直至进入产业应用的全链条。
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，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、现代汽车等企业的加入，为这种想象提供了现实支点。这表明CuspAI正在将模型、算力、产业需求与实验能力整合至一个协同网络中，也让投资者相信，自己有机会参与这套基础设施的建设。
若未来材料研发逐渐演变为一种新型协作模式——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，将不再仅是某一家公司的研发实力，而是谁能够嵌入这套体系，与更多参与者共同完成研发。
26亿美元，定价的是CuspAI成为材料研发平台的可能性。
这份估值固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贯通后可能覆盖的巨大市场。
AI是否已找到新材料？
CuspAI并非首家试图用AI重构材料研发的企业。在此之前，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。
这些玩家选择了不同路径，也共同回应了一个问题：AI材料发现究竟走到了哪一步？
Google DeepMind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源自过去的计算与实验积累，研究者通常在已被人类记录的范围内寻找规律，而GNoME展示了另一种可能：AI可根据所学材料规律，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，并不意味着其能在现实中制造出来。
为验证这些预测并非仅停留在计算机中，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，能够合成也不等于具备更优的导电性、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、工艺开发和规模化制造。
如果说DeepMind回答的是“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，是一家从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：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、合成到测试仅用时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。
此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可缩短早期研发周期，但其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，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，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关注的已不仅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材料领域已浮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材料发现并非完全基于概念。
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，并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，却还不能保证被捞起的那根针，最终能撑起一个新的产业。
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。