共计 1105 个字符，预计需要花费 3 分钟才能阅读完成。
贝索斯用 AI 寻找下一块硅
AI 的战场正在外溢。 当大模型和智能体仍是行业焦点时 , 贝索斯参与投资的英国 AI 材料公司 CuspAI, 把问题指向了更基础的一层: 能否用 AI 更快找到下一种关键材料。
📌 从“炼模型”到“找材料”:AI 竞争出现新方向
这家公司总部位于英国剑桥, 定位并非通用大模型公司 , 而是把 AI 用于材料发现。它的出现反映出一个变化: 过去 AI 更多处理已有信息, 如文本、图像和代码; 如今资本开始期待 AI 进入科学研发, 帮助人类在未知空间中筛选答案。
🔍 为什么材料发现变得越来越关键
工业进步往往与材料突破相互绑定。 青铜、钢铁、硅、锂 , 都曾在不同阶段支撑新的产业浪潮。如今, 半导体接近制程物理极限, 电池行业期待固态电解质突破, 环保领域也在寻找更有效处理 PFAS 等污染物的新材料。
问题在于, 材料研发并不是简单搜索 。元素组成、晶体结构、缺陷状态和制造工艺都会影响性能, 微小变化可能带来完全不同的结果。传统路径通常要经历假设、模拟、实验、失败后再调整, 周期长且成本高。
💡 CuspAI 押注“逆向设计”
CuspAI 开发的平台名为 MIRA, 采用“逆向设计”思路 。研究人员先设定目标, 比如更高导电性、更强耐高温能力或更低制造成本, 再由 AI 生成可能满足条件的材料结构, 并预测其性质。
不过, 目前 CuspAI 尚未公布足以证明其大规模产业化能力的决定性成果。 已知案例之一是与芬兰化工企业 Kemira 合作 , 围绕去除 PFAS 污染物寻找新材料。公司称 MIRA 曾从约 300 万亿种潜在结构中筛选候选方案, 并缩小至 20 种进入进一步开发, 但相关材料仍处于后续验证阶段。
📊 高估值背后的平台想象
- 算力与芯片: 支持大规模模拟和模型训练。
- 产业需求: 来自汽车、半导体、化工等真实场景。
- 实验验证: 决定 AI 候选材料能否走出计算机。
- 商业化路径: 将材料从样品推向工艺和规模制造。
🚀 行业观察:AI 找到材料, 还不等于材料能量产
CuspAI 并非孤例。Google DeepMind 的 GNoME 曾预测出大量潜在晶体结构, 并与实验室合作合成部分新材料;MatNex 也围绕无稀土永磁材料等方向尝试用 AI 缩短研发周期。这些进展说明 AI 正在提升材料探索效率。
但材料科学的难点不止于“发现”。 稳定不等于实用 , 能合成也不等于具备成本优势, 更不意味着可以立刻规模化生产。未来,AI 材料公司的竞争力将取决于模型、数据、实验能力和产业合作能否形成闭环。
贝索斯此次押注 CuspAI, 更像是在押注一种新的研发基础设施 。如果这套模式跑通, 下一轮 AI 竞争可能不只发生在模型参数上, 也会发生在芯片、电池、环保材料和先进制造的底层材料里。
