AI正在开启材料研发新纪元

贝佐斯押注的下一代AI， 开始寻找"世界上还不存在的材料"

4.5亿美元、300万亿种结构，以及AI从屏幕走进物质世界的关键一步

2026年7月20日｜深度科技观察

当AI能够在几个月内检索300万亿种潜在材料结构，问题就不再是它会不会写文章、做视频，而是：它能否为芯片、能源、净水和制造业，设计出自然界与实验室尚未提供的答案？

材料科学的故事，通常没有大模型发布会那么热闹。

一种新材料从构想到可用，往往要经历计算、合成、测试、失败、重新设计，再进入漫长的工程化验证。许多技术不是没有想法，而是一直等不到那块更耐热的材料、更高效的催化剂、更安全的电池电解质，或者一种能够被稳定制造的芯片涂层。

7月20日，一笔4.5亿美元的融资，把这个长期藏在实验室里的问题推到了AI产业的聚光灯下。

01

4.5亿美元，资本没有押注聊天机器人

英国AI材料公司CuspAI宣布完成4.5亿美元B轮融资，估值达到26亿美元。融资由Kleiner Perkins与NEA领投，贝佐斯旗下Bezos Expeditions、英国主权AI风险基金、AMD Ventures和荷兰Invest-NL等参与。

同一天，它启动了"AI Materials Foundry"。首批合作伙伴超过45家，名单里有英伟达、Meta、三星、现代汽车、Henkel，以及Applied Materials、东京电子、Lam Research等半导体产业链企业。

这份名单很像一张需求地图：算力公司需要更高效的芯片和散热材料，半导体设备企业需要面向新工艺的化学品与薄膜，汽车企业需要更轻、更强、更安全的结构和电池材料，水处理行业则在寻找能够捕获顽固污染物的新结构。

投资人看中的不是"又一个会说话的AI"，而是一套可能重写工业研发速度的系统。

融资金额和合作阵容当然不能直接证明技术已经成熟，但它们至少说明：AI产业的资本叙事，正在从模型参数和应用入口，向材料、实验室与制造流程继续下沉。

02

300万亿种结构，人类无法逐一寻找

理解这家公司，最好的入口不是融资，而是一杯水。

PFAS常被称为"永久化学物质"。它们被用于防水、防油、工业涂层等场景，也因为结构稳定而难以处理。CuspAI与化工企业Kemira合作，希望设计能够在低浓度条件下吸附PFAS的新材料。

项目探索的候选空间约为300万亿种潜在材料结构。生成式AI给出超过5000个带有属性数据的新设计，再收缩到约20个优先候选，进入后续开发和测试。完成这一阶段，用了六个月。

300万亿

潜在结构 → 5000多个设计 → 约20个优先候选 → 实验验证

这不是"六个月解决了PFAS问题"。候选材料仍需被合成、测试、评估成本与可制造性，距离商业应用可能还有很长的路。

但它改变了起点。过去，人类只能在有限经验和有限计算能力中选择实验方向；现在，AI可以先穿过一个人类不可能穷举的空间，把最值得花时间验证的少数答案推到实验台前。

03

从筛选答案，到设计答案

AI进入材料科学，并不是突然发生的。

第一步，是扩大搜索。

Google DeepMind在2023年公布GNoME：它预测了220万种新晶体，其中38万种被列为最稳定、最值得实验合成的候选。DeepMind同时指出，外部研究团队在同期工作中已经独立实验制备了其中736种结构。

第二步，是按目标生成。

微软MatterGen不再只是在数据库里筛选现有候选，而是根据化学、机械、电子或磁性等目标条件，直接生成新的无机材料结构。微软与中国科学院深圳先进技术研究院合作合成了模型提出的TaCr₂O₆：目标体积模量为200 GPa，实验测得169 GPa，相对误差低于20%。

第三步，是连接完整流程。

CuspAI现在试图把生成设计、性能模拟、合成路线规划和实验验证放进同一条闭环。AI不只负责提出一个结构，还要回答：它是否稳定、怎样合成、应该先验证哪一个，以及实验结果如何反馈给下一轮设计。

关键变化

搜索引擎在已经存在的信息中寻找答案；生成式材料模型，试图设计此前并不存在的答案。

04

芯片、能源和机器人，都在等新材料

大模型竞赛常被描述为算法和算力之争，但算力最终必须住进物质世界。

芯片制程继续缩小，需要新的光刻材料、沉积材料、互连和封装方案；数据中心功率继续上升，需要更高效的散热、储能与输电材料；机器人要进入工厂与家庭，需要更轻的结构、更灵活的驱动器以及更高能量密度的电池。

这也是为什么CuspAI的合作名单横跨英伟达、Meta、三星、现代汽车和多家半导体设备公司。它们面对的是不同产品，却共享同一种约束：

技术可以先在论文和模型里抵达未来，工业却必须等材料追上来。

于是，AI材料不再是一个边缘科学选题。它可能成为芯片性能、清洁能源、先进制造和物理AI继续增长时，共同依赖的底层基础设施。

05

"AI材料铸造厂"到底在造什么

"铸造厂"这个名字容易让人想到一座自动化工厂，但CuspAI目前宣布的更像是一张全球协作网络：把数据、算力、材料模型、产业需求、实验设施与专家知识接到一起。

企业先给出具体约束——例如吸附某类污染物、承受某种温度、满足某个磁性或机械指标；AI生成候选结构并模拟性能；系统规划可能的合成路线；合作实验室再验证真实结果；新数据回到模型，继续缩小误差。

它真正试图制造的，不只是一种材料，而是一条新的研发生产线。

一条理想的AI材料闭环

产业需求 → 生成候选 → 性能模拟 → 合成路线 → 实验验证 → 制造评估 → 数据反馈

这也解释了为什么实验室与产业伙伴如此重要。一个模型可以生成漂亮的晶体结构，但只有真正参与制造的人，才能告诉它哪些原料昂贵、哪些工艺危险、哪些结构在真实环境里会失效。

06

AI让猜想变便宜，现实验证却更昂贵

这场变化最容易被忽略的地方，是速度并没有在每一个环节同时提升。

模型可以在极短时间内提出海量候选，但实验设备、试剂、样品制备、安全测试、长期寿命评估和规模化制造，仍受制于真实世界的时间与成本。

Google DeepMind近期在讨论AI智能体与科学发现时，把这称为新的"验证瓶颈"：当假设和候选解越来越丰富，实验设施的排期和验证能力反而会更加稀缺。

材料在计算中稳定，不代表能够被合成；实验室能够合成，不代表能够量产；单项性能优秀，也不代表成本、毒性、寿命和供应链同时合格。

AI可以提出答案，但现实世界拥有最终否决权。

因此，4.5亿美元融资真正值得观察的，不只是CuspAI能训练出多强的模型，而是它能否获得足够多的高质量实验数据、足够快的验证设施，以及真正愿意把材料导入生产线的产业伙伴。

07

下一场AI竞争，要把答案变成物质

过去几年，人们习惯用一块屏幕判断AI的进步：它能不能写文章、生成视频、完成代码，或者替人操作软件。

材料科学把标准换掉了。

答案不再是一段看起来合理的文字，而是一种能否被合成的结构、一块能否承受高温的芯片材料、一种能否从水中捕获污染物的多孔介质、一枚能否反复充放电的电池，或者一条能够被工厂稳定重复的制造路线。

这可能是AI从数字生产力走向物质生产力的关键一步。

写在最后

技术不是把世界变成计算，而是让计算重新接受世界的裁决。

下一场AI竞争，或许不再是谁能更快说出答案，而是谁能把答案，真正变成这个世界的一部分。

资料