貝索斯用 AI 尋找下一塊硅

亞馬遜創辦人傑夫．貝索斯再度出手投資人工智慧公司，這次他押注的方向不是聊天機器人或自駕系統，而是「AI 能不能幫人類找出下一塊矽」。英國 AI 材料公司 CuspAI 在 7 月 20 日宣布完成 4.5 億美元 B 輪融資，公司估值達到 26 億美元。本輪由知名創投 Kleiner Perkins 與 New Enterprise Associates（NEA）領投，參與方還包括貝索斯旗下的 Bezos Expeditions、英國政府支持的主權 AI 基金，以及 AMD Ventures、三星投資等機構。 CuspAI 是一家 2024 年才成立的新創，總部位於劍橋。兩位創辦人的背景相當互補：執行長 Chad Edwards 曾參與創辦量子計算公司 Cambridge Quantum Computing，並推動它與霍尼韋爾的量子業務合併，成為如今的 Quantinuum；共同創辦人 Max Welling 則是機器學習領域的重量級學者，曾任微軟研究院傑出科學家，也是生成模型經典論文《Auto-Encoding Variational Bayes》的作者之一。對一家垂直科學領域的公司來說，26 億美元的估值並不常見，更別說 CuspAI 成立至今還不到兩年。 這筆投資背後，其實牽動一個更大的命題。當前 AI 競爭大多圍繞大型語言模型與智慧代理展開，但 CuspAI 代表的是另一條路線：讓 AI 從處理已知資訊，走向幫助人類發現未知。回顧工業文明的發展，每一次重大產業變革幾乎都離不開關鍵材料——青銅開啟了青銅時代，鋼鐵撐起工業革命，矽創造了電腦時代，鋰則推動了新能源汽車的崛起。如今半導體製程逐漸逼近物理極限，固態電池的商業化也遲遲未能大規模實現，無論是豐田、QuantumScape 還是寧德時代，都還在摸索階段。催化劑、航空航太、先進製造、環保領域，同樣卡在材料突破緩慢的困境裡。 材料研發之所以困難，在於它不像在資料庫中搜尋答案那麼單純。科學家得先提出假設、設計材料結構，再經過計算模擬與實驗驗證，失敗一次就得重新來過。而且材料的可能性幾乎是無限的——性能不只取決於元素組成，還受原子排列、晶體結構、缺陷狀態與製造工藝的共同影響，任何微小的改變都可能帶來截然不同的結果。傳統仰賴經驗與不斷試錯的做法，面對如此龐大的搜索空間，越來越難以有效率地找出真正有價值的新材料。這正是 AI 被認為能發揮關鍵作用的地方。 CuspAI 開發的 MIRA 平台，改變了傳統材料研發的流程。過去科學家通常從既有材料出發，先設計結構再測試性能；MIRA 則採用「逆向設計」思路，讓研究人員先定義目標——例如更高的導電性、更強的耐高溫能力或更低的製造成本——再由 AI 反向生成可能滿足條件的材料結構，並預測性質，協助科學家篩選出最值得進實驗室驗證的候選方案。換句話說，它並非取代實驗，而是希望把科學家從大海撈針的過程解放出來，把時間花在真正有潛力的材料上。 CuspAI 目前最具體的案例，是協助芬蘭化工企業 Kemira 尋找去除 PFAS 污染物的新材料。PFAS 被稱為「永久性污染物」，幾乎無法在環境中自然降解。CuspAI 表示，MIRA 曾從約 300 萬億種潛在材料結構中篩選出候選方案，最後縮小到 20 種進入進一步開發，但這些材料目前仍在驗證階段，尚未公布商業化成果。也就是說，CuspAI 還沒有交出足以震撼產業的成績單。 即便如此，資本依然願意給出 26 億美元的估值。關鍵或許在於 CuspAI 同時宣布成立 AI Materials Foundry，一個聚集超過 45 家合作夥伴的平台，包括輝達、Meta、Applied Materials、現代汽車集團等。這份名單橫跨 AI、半導體、先進製造、汽車與材料產業，有人提供算力晶片，有人掌握製造能力，有人擁有真實工業需求，也有人能承接後續的實驗與產業驗證。對投資人來說，CuspAI 的想像空間不在於開發出某一種材料，而在於它可能成為多個產業共同依賴的材料研發基礎設施。一旦這套模式跑通，晶片、汽車、電池、化工、航太等所有依賴材料進步的行業，都有機會成為它的客戶。 CuspAI 並非唯一投入 AI 材料發現的公司。Google DeepMind 在 2023 年發布的 GNoME 計畫，利用圖神經網路預測晶體結構穩定性，總共發現超過 220 萬種潛在晶體結構，其中約 38 萬種被預測為穩定材料，差不多是人類已知穩定材料數量的十倍。GNoME 還找出 528 種潛在鋰離子導體，約為先前同類研究成果的二十五倍，為下一代電池提供了更多候選方案。DeepMind 隨後與勞倫斯伯克利國家實驗室合作，藉由 A-Lab 自動化實驗系統成功合成了 40 多種新材料，證明這些預測並非只存在於電腦裡。 另一家從劍橋大學孵化的公司 MatNex（原名 Materials Nexus）則走了不同路線。它成立於 2020 年，同樣採用逆向設計，聚焦無稀土永磁材料。稀土磁體廣泛應用於電動車、電機與風力發電，但供應鏈高度依賴特定資源。2024 年 MatNex 宣布，其 AI 平台從超過 1 億種候選組合中設計出無稀土永磁材料 MagNex，從設計、合成到測試只花了三個月，相較傳統材料研發週期大幅縮短；公司預估成本可達到傳統稀土磁體的約兩成，同時減少約七成碳排放。 倫敦新創 Orbital Industries 則把材料模型推向真實工業場景。公司成立於 2022 年，最初專注打造能理解原子結構與材料性質的基礎模型，2024 年發布並開源材料模擬模型 Orb。隨後它將重心轉向能源、碳捕獲與 AI 基礎設施，利用 AI 設計用於直接空氣捕集的多孔二氧化碳吸附材料，目標是部署到資料中心；公司稱自 2024 年建立實驗室以來，材料性能已提升約十倍。 這些不同路線顯示，AI 材料發現已經不只是停留在概念階段。AI 能預測過去從未被記錄的晶體結構，能協助研究者合成新材料，也能針對具體工業需求縮短設計與測試週期。但每一條路線都必須面對同一個現實：AI 找到一種「可能存在」的材料，不等於人類已經擁有「可以使用」的材料。從計算預測到實驗合成，從實驗樣品到穩定量產，再到規模化應用，每一步都可能淘汰大量候選方案。自然世界不會因為模型變強而改變驗證規則。 AI 目前最明確的價值，是讓搜尋過程變得更快，把寶貴的實驗資源集中在更有希望的方向上。它可以讓「大海撈針」的動作大幅提速，卻還無法保證撈起來的那根針，最終能撐起一個全新的產業。貝索斯與眾多投資人押注的，正是這條鏈路一旦打通後所覆蓋的巨大市場。下一塊「矽」或許會由 AI 率先指出方向，但真正決定它能否改變世界的，依然是現實世界的驗證與製造能力。