文 | 字母AI
杰夫·贝索斯再次出手，投资了一家人工智能企业。
这次的靶点很明确：AI能否帮人类挖出下一块“硅”。
7月20日，英国AI材料初创公司CuspAI宣布完成B轮融资，金额达4.5亿美元，投后估值定格在26亿美元。
领投方为Kleiner Perkins和New Enterprise Associates（NEA）。跟投阵容同样豪华，涵盖贝索斯的Bezos Expeditions、英国政府背景的主权AI基金，以及AMD Ventures、三星投资等机构。
在AI原生企业里，26亿美元的估值虽不算惊世骇俗，但对于一家成立不足两年的垂直科学领域公司而言，这已属罕见的高光时刻。
若说当下AI主战场围绕大模型与Agent厮杀，CuspAI则走出了一条截然不同的路径：
从处理存量信息，转向辅助人类探索未知。
寻找新材料，是人类工业文明的底层逻辑
将工业文明的发展史浓缩为一句话，便是一部不断寻觅新素材的演进史。
青铜时代因青铜而开启，工业革命由钢铁支撑，计算机革命源于硅，新能源汽车则依赖锂。
每一次产业阶梯的跨越，背后必有某种关键材料作为基石。
如今，人类仍在渴求那块能定义下一个时代的“硅”。
过去数十年，半导体行业凭借硅不断微缩晶体管尺寸，推动算力指数级增长。然而，当制程逼近物理极限，业界不得不将目光投向新型半导体材料、互连技术及先进封装，试图寻找新的破局点。
新能源赛道亦面临相似困境。相较于当前主流的液态锂电池，固态电池被视为兼具高安全性、高能量密度与长续航潜力的终极方案。但从丰田、QuantumScape到宁德时代，全行业迟迟未能实现大规模商业化落地。
今年，学术界在固态电解质发现领域动作频频，相继发表《利用大模型突破固态电解质发现瓶颈》及《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、先进制造及环保领域，同样深陷这一困局。
为清除PFAS（全氟和多氟烷基物质）这类难以自然降解的“永久性污染物”，科研人员仍在搜寻更高效、低成本的吸附材料；数据中心算力需求的激增，使得散热材料成为制约能耗的关键变量。
越来越多的行业意识到，工程能力正在飞速迭代，但材料突破的步伐却日益迟缓。
原因显而易见：找新材料绝非像查数据库那样直接。科学家需先提出假设，构建结构，再进行计算模拟与实验验证，最后根据反馈调整方案。一次失败，往往意味着推倒重来。
更棘手的是，材料世界的组合近乎无限。
一种材料的性能，受元素组成、原子排列、晶体结构、缺陷状态及制造工艺多重因素耦合影响。细微的差异，都可能引发性能的天壤之别。
面对如此浩瀚的搜索空间，仅凭经验与试错，人类已难以高效捕捉那些真正有价值的新材料。
于是，一个新的共识逐渐形成：
材料研发中最耗时的，并非实验本身，而是从无数种可能性中筛选出那几个值得动手的候选项。
而这，正是AI的强项。
在此背景下，一批专注AI材料发现的初创企业开始受到资本青睐。
CuspAI的这轮融资，便是最新注脚。资本正为一种新范式下注：下一块“硅”，或许就孕育在AI驱动的材料研发体系中。
贝索斯为何看好CuspAI？
CuspAI成立于2024年，总部位于剑桥，是一家英国AI材料公司。
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），并促成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知名学者，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。
传统材料研发多遵循正向逻辑：从已有材料出发，设计新结构，通过模拟和测试验证性能；若效果不佳，则调整结构重头再来。
CuspAI开发的MIRA系统，旨在颠覆这一流程。
它采用“逆向设计”思路：研究人员无需预设“该设计什么材料”，而是直接定义目标——如更高导电性、更强耐高温性或更低制造成本——随后由AI反向生成满足条件的材料结构，并预测其性质，协助科学家锁定最具验证价值的候选方案。
换言之，MIRA并非替科学家做实验，而是让他们将精力集中在验证最有希望的材料上，而非在海量可能中盲目摸索。
不过，截至目前，CuspAI尚未交出一份令行业震撼的成绩单。
它未像Google DeepMind的GNoME那样公布代表性新材料，也未宣称某款AI设计材料已实现产业化。
目前，CuspAI最接近商业验证的案例，是协助芬兰化工巨头Kemira开发去除PFAS污染物的新材料。据公司透露，MIRA曾从约300万亿种潜在结构中筛选候选，最终缩减至20种进入后续开发阶段。但这些候选材料仍处于验证期，暂无商业化成果公布。
这就引出一个问题：一家尚无决定性成果的AI公司，何以获得26亿美元估值？
一个细节或许揭示了答案。
7月20日，CuspAI不仅公布了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、三星风险投资等参与；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、现代汽车集团等巨头。
这份名单横跨AI、半导体、先进制造、汽车及材料五大行业。
有人提供算力与芯片，有人掌握制造能力，有人拥有真实工业需求，也有人负责后续实验与产业验证。
这份名单的价值，不仅在于CuspAI拉拢了多少伙伴，更在于它让资本窥见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，取决于其能否产出特定材料及获取订单；CuspAI试图覆盖的，是从需求提出、候选生成、性能预测、实验验证到产业应用的全链条。
一旦此模式跑通，芯片、汽车、电池、化工、航空航天等所有依赖材料进步的行业，皆可为其服务对象。
这正是26亿美元估值背后的想象空间：CuspAI有望从一家单纯寻找新材料的公司，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。它表明CuspAI正将模型、算力、产业需求与实验能力整合进协同网络，也让投资者相信，自己有机会参与这套基础设施的建设。
若未来材料研发演变为新型协作模式——AI生成候选，产业提出需求，算力完成模拟，实验室验证结果——那么核心竞争力将不再局限于单一公司的研发实力，而在于谁能嵌入这套体系，与更多参与者共同完成研发闭环。
26亿美元，买的是CuspAI成为材料研发平台的潜力。
当然，这一估值仍建立在未兑现的未来之上。但在AI材料领域，资本愿意预付的，正是这条链条一旦打通后所能撬动的巨大市场。
AI找到新材料了吗？
CuspAI并非首家尝试用AI重构材料研发的企业。此前，Google DeepMind已证明AI可将材料搜索扩展至前所未有的规模；MatNex开始聚焦具体工业需求进行材料设计；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材料发现究竟处于何种阶段？
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探索。
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稳定性，共发现超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丰富候选。
传统材料数据库主要源于过往的计算与实验积累，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可依据所学规律，主动探索尚未入库的晶体结构。
但计算机预测的稳定性，不等于现实中可制造性。
为验证预测非纸上谈兵，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，操控机器人完成材料配比、加热与检测，最终成功合成40多种新材料。
不过，GNoME主要解决的是“哪些晶体结构可能稳定”。稳定不等于实用，可合成也不等于具备更优的导电性、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、工艺开发与规模化制造。
若说DeepMind回答了“AI能否找到新材料”，那么MatNex更关注另一命题：AI能否按产业需求定制材料。
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也采用“逆向设计”路线：依据目标性能，利用AI搜寻可能满足要求的新材料，而非依靠传统实验逐一试错。
公司早期切入点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、电机及风力发电，但对特定稀土资源与供应链依赖极高。2024年，MatNex宣布，其AI平台从超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成本仅为传统稀土磁体的约20%，同时可减少70%的材料碳排放。
此案例超越了单纯预测材料更进一步——它围绕明确工业需求，完成了从设定目标、算法筛选、实验合成到性能测试的全流程。
AI的价值由此不再仅是“发现更多可能”，更能帮助研发团队更快锁定一组值得量产的答案。
但MagNex的成功合成，不等同于已完成商业化。它证明了AI可缩短早期研发周期，但其速度能否延伸至规模化生产，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初期选择了一条与DeepMind相似的“AI for Science”路线：训练能理解原子结构、材料性质及物理规律的基础模型，再利用模型预测性能、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，其重心逐渐从材料发现转向工业应用，开始围绕能源、碳捕获及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，并尝试将其部署至数据中心。公司称，自2024年建立实验室以来，该材料性能已提升约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融入具体设备与工业场景。材料模型由此成为解决实际问题的起点，而非最终产品。
这也使Orbital越来越像一家AI工业公司：材料发现仍是其核心能力，但最终交付的可能不只是模型或材料，而是一套针对具体工业问题设计的解决方案。
从Google DeepMind到MatNex、Orbital及CuspAI，AI材料领域已呈现出几条不同发展脉络。
DeepMind致力于拓展人类可探索的材料边界；MatNex围绕明确需求，将AI设计推进至合成与测试环节；Orbital将材料模型嵌入碳捕获及数据中心等具体场景；CuspAI则希望将模型、算力、实验及产业伙伴组织成一套可供多行业使用的研发平台。
这些进展表明，AI材料发现并非纯粹的概念炒作。
AI已能预测未被记录的晶体结构，已协助研究者合成新材料，甚至开始围绕具体工业需求缩短设计与测试周期。
但无论选择哪条路径，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目前最确定的价值，仍是缩短搜索过程，将有限实验资源留给更有希望的方向。
它能让“大海捞针”变得更快，却无法保证捞起的那根针，最终能撑起一个新产业。
下一块“硅”或许会由AI率先发现，但真正定义“下一块硅”的，依然是现实世界。
