Discovered Materials用AI代理寻找更凉快的芯片材料
TechCrunch AI··作者 Tim Fernholz
关键信息
创始人表示，他们的系统每天可以生成数千个候选材料想法，而传统博士研究流程大约每天只能做20次猜想。公司已经发布了数百种示例材料和一个名为Material Discovery Bench的新基准，但由于制造和商业机密限制，其最有价值的候选材料细节尚未公开。
资讯摘要
Discovered Materials押注AI可以帮助解决半导体行业最棘手的问题之一：让芯片在高强度AI负载下保持足够低的温度，从而更高效地运行。该公司表示，最近完成了由Lightspeed India Partners领投的900万美元种子轮融资，Peak XV Partners以及多位天使投资人也参与了投资，而公司本身刚刚从Y Combinator毕业。公司由Advaith Sridhar和Akash Ramdas联合创立，两人分别拥有AI代理和材料科学研究背景。其工作流程使用Anthropic模型在定制框架中生成候选材料，再借助团队训练的基础物理模型进行仿真，判断这些候选材料是否值得继续推进。Sridhar表示，这让团队每天可以进行数千次材料搜索，而不是传统博士研究项目中每天大约20次猜想的速度。Discovered Materials还发布了数百种示例材料，并推出了名为Material Discovery Bench的新基准，用来衡量前沿模型在这一任务上的表现。
公司刻意聚焦于半导体热问题，认为这种专注策略可能比MatNex、SandboxAQ和CuspAI等更广泛的材料发现 प्रयास更有优势。不过，公司也承认，真正有用的材料不仅要性能合适，还必须能够制造出来，并且不能破坏所需的电学性质。Lightspeed合伙人Hemant Mohapatra把这个过程形容为“在原子结构上玩打地鼠”，并指出关键难点是让所有要求同时满足。公司称已经找到了几种与主要芯片制造商所用材料性质相近的材料，但目前还不能公开更多细节。如果找到有价值的候选材料，公司计划为其在GPU中的用途或相关制造工艺申请专利，并将专利授权给芯片制造商，目标是在未来一年内拿出值得申请专利的新材料。
资讯正文
用于 AI 工作负载的芯片实在太热了：这也是数据中心消耗大量电力并需要冷却系统的原因之一。而且，创业者们不可避免地开始用 AI 来解决它所制造的问题。
Discovered Materials 是最新一家入局的公司，计划使用成群的 AI agents 来寻找可用于制造更高效集成电路的新材料。该初创公司表示，在从 Y Combinator 出来后，刚刚完成了 900 万美元的种子轮融资，投资方包括 Lightspeed India Partners，以及 Peak XV Partners 和天使投资人 Paul Graham、Gokul Rajaram 和 Thariq Shihipar。
创始人 Advaith Sridhar 和 Akash Ramdas 联手创办了这家公司。Ramdas 的经历包括在 Stanford 获得材料科学博士学位，而 Sridhar 则曾在 Persona AI 和 Luma Labs 从事 agents 相关工作。
两人搭建了一条软件流水线，使用 Anthropic 模型在自定义框架中生成材料线索，然后再调用他们训练的基础物理模型进行模拟，验证候选材料是否真的值得关注。
Sridhar 告诉 TechCrunch：“在攻读博士期间，Ramdas 每天大概只能做 20 次猜测。现在我们让这些 agents 在云端 24/7 运行，沿着他提供的研究方向探索，每天可以做成千上万次猜测。”
Discovered Materials 今天发布了数百种新材料的示例，以及他们的 “Material Discovery Bench”，该基准旨在追踪前沿模型如何应对这一挑战。
MatNex、SandboxAQ 和 CuspAI 等公司都已推出类似尝试，但 Discovered Materials 押注于对半导体材料热问题的高度聚焦会是成功之道。该初创公司称，他们已经发现了若干材料，其特性与主要芯片制造商所使用的现有材料相匹配，但无法分享更多细节。
其中一个挑战在于工程上的权衡空间：如果他们找到一种可能降低发热或提升散热的材料，它可能又太难真正制造成芯片，或者其电学性能会受到损害。
Lightspeed 本轮领投合伙人 Hemant Mohapatra 告诉 TechCrunch：“这有点像和原子结构玩打地鼠游戏。只有当所有因素同时收敛时，一种材料在现实世界里才有用，这也正是为什么这是一个非常有意思的搜索问题。”
Mohapatra 预计，随着模型持续进步，对新物质进行预测的业务将逐渐商品化。Discovered Materials 的不同之处在于 Ramdas 在该领域的深厚经验，以及运行一个能够快速实验并验证候选材料的实验室的能力——他说，两位创始人已经用几种新材料做到了这一点。
当他们找到有价值的候选材料时，Sridhar 表示，公司将尝试就这些材料在 GPU 中的用途，或者利用这种物质制造芯片的工艺申请专利，并将其授权给芯片制造商。他希望他们能在未来一年内找到值得申请专利的新材料。
不过，尽管热度很高，我们仍然没有看到任何由 AI 发现的药物或材料真正产生商业影响。最接近的例子也许是 Insilico Medicine 的 Renterosib，它是首个通过生成式 AI 发现并进入 II 期临床试验的药物。在材料领域，研究人员也找到了有前景的候选项，例如 MatNex 的无稀土永磁体，或由 Panasonic 和 Citrine Informatics 研发出的新型半导体材料。但这些成果尚未在商业上大规模部署。
随着 AI 持续进步，这些技术或许正在迎来属于自己的时刻，但这也是 Mohapatra 认为，AI 材料科学的瓶颈并不在于找到更多候选材料的原因；相反，“正确筛选它们并将其合成出来才是瓶颈。”
尽管 Sridhar 认为，Discovered Materials 独特的数据和专业能力将帮助这家初创公司与资金雄厚的前沿实验室竞争，但他也承认，现实是“很多工作实际上还是要进入湿实验室，把东西真正做出来。而这个过程是无法加速的。”
来源与参考
收录于 2026-08-11