Discovered Materials: 'Bầy' AI Agent Giúp Chip AI 'Hạ Nhiệt' Chỉ Trong Vài Tháng

Các chip AI hiện đại tỏa ra nhiệt lượng lên tới hơn 140 watt trên mỗi centimet vuông — một nút thắt nhiệt đang kìm hãm hiệu suất và làm tăng chi phí năng lượng tại các trung tâm dữ liệu . Một startup mới tên là Discovered Materials tin rằng giải pháp nằm ở việc khám phá các vật liệu tốt hơn với tốc độ nhanh hơn, bằng cách sử dụng hàng loạt AI agent (tác tử AI) có thể thực hiện trong vài tháng những công việc mà thông thường phải mất hơn một thập kỷ.

Được thành lập bởi hai cựu sinh viên IIT Madras và hậu thuẫn bởi Lightspeed India Partners, Y Combinator, cùng các nhà đầu tư thiên thần như Paul Graham, công ty nổi lên từ lứa Spring 2026 của Y Combinator với một sứ mệnh trọng tâm: tìm ra các vật liệu giao diện nhiệt (thermal interface materials - TIM) mới có khả năng dẫn nhiệt ra khỏi những con chip ngày càng mạnh mẽ .

Discovered Materials là gì?

Discovered Materials là một startup deep-tech có trụ sở tại San Francisco, xây dựng các AI agent — những hệ thống phần mềm tự động — hoạt động song song để tạo ra, mô phỏng và xác thực các vật liệu bán dẫn tiềm năng. Mục tiêu đầu tiên của công ty là các vật liệu giao diện nhiệt, tức là các hợp chất được đặt giữa các lớp của chip (ví dụ, giữa miếng silic và bộ tản nhiệt kim loại) để dẫn nhiệt ra ngoài .

Luận điểm trung tâm của công ty là quy trình R&D vật liệu, thường mất 10 năm hoặc hơn từ khi phát hiện trong phòng thí nghiệm đến khi được ứng dụng thương mại, có thể được nén xuống còn vài tháng hoặc thậm chí vài ngày thông qua tự động hóa ở quy mô lớn .

Phương pháp 'AI Whack-a-Mole' hoạt động như thế nào

Đồng sáng lập Advaith Sridhar mô tả phương pháp của công ty như một trò chơi "AI đập chuột chũi" — tạo ra hàng nghìn ứng viên vật liệu cùng lúc, sau đó sàng lọc một cách có hệ thống để tìm ra những ứng viên hứa hẹn nhất . Quy trình này kết hợp các mô hình AI tiên tiến với các mô phỏng vật lý tùy chỉnh:

• Tạo ứng viên: Các mô hình Claude của Anthropic, cùng với một số mô hình khác, đề xuất các thành phần vật liệu mới dựa trên các ràng buộc khoa học .
• Mô phỏng nhanh: Các mô hình vật lý nền tảng do startup tự huấn luyện sẽ chạy mô phỏng để kiểm tra độ ổn định, độ dẫn nhiệt và các đặc tính khác của từng ứng viên .
• Sàng lọc lặp lại: Hệ thống kiểm tra chéo kết quả, loại bỏ các ứng viên không khả thi và đưa những ứng viên triển vọng nhất trở lại vòng lặp tạo mới để tinh chỉnh.

Quy trình này có quy mô vượt trội so với nghiên cứu chỉ dựa vào con người. Trong thời gian làm tiến sĩ, đồng sáng lập Akash Ramdas ước tính ông chỉ xem xét khoảng 20 ứng viên vật liệu mỗi ngày . Các AI agent của Discovered Materials có thể đánh giá hàng nghìn ứng viên mỗi ngày, hoạt động 24/7 trên cơ sở hạ tầng đám mây .

Xác thực sớm: Bắt kịp các 'ông lớn' hóa chất chỉ trong 90 ngày

Cùng với thông báo gọi vốn vào tháng 8 năm 2026, Discovered Materials tuyên bố rằng các AI agent của họ đã bắt kịp hiệu suất của các công thức TIM thương mại hiện có từ các công ty hóa chất lớn chỉ trong vòng 90 ngày . Startup cho biết họ đạt được điều này bằng cách sử dụng các AI agent dựa trên đám mây hoạt động liên tục, mà không cần truy cập vào dữ liệu độc quyền của các đối thủ .

Công ty cũng đã công bố hàng trăm vật liệu do AI khám phá và ra mắt "Material Discovery Bench" — một tiêu chuẩn mở (benchmark) được thiết kế để cho phép các bên trong ngành so sánh kết quả từ các phương pháp khám phá vật liệu dựa trên AI khác nhau .

Cần lưu ý rằng tuyên bố xác thực trong 90 ngày này vẫn chưa được tái lập một cách độc lập hoặc công bố trên các tạp chí khoa học có phản biện . Đây mới chỉ là một tín hiệu ban đầu, chứ chưa phải là một đột phá thương mại đã được kiểm chứng.

Đội ngũ sáng lập

Các đồng sáng lập mang đến những chuyên môn bổ sung cho nhau, bao trùm toàn bộ bài toán:

Đồng sáng lập	Nền tảng	Chi tiết chính
Akash Ramdas	Tiến sĩ Khoa học Vật liệu, Đại học Stanford; Cử nhân IIT Madras	11 năm nghiên cứu vật liệu bán dẫn; công trình của ông về kết nối nano đã được đưa vào lộ trình của Intel và TSMC
Advaith Sridhar	Theo học AI tại Carnegie Mellon; Nhà khoa học ứng dụng sáng lập tại Persona AI (đã được mua lại) và kỹ sư nghiên cứu tại Luma Labs	Đã xây dựng các tác tử tự động dài hạn cho các công ty viễn thông và tiền điện tử lớn trước khi đồng sáng lập Discovered Materials

Cả hai gặp nhau hơn một thập kỷ trước khi còn là sinh viên tại IIT Madras, một trong những học viện kỹ thuật hàng đầu của Ấn Độ . Con đường của họ — một người đi sâu vào khoa học vật liệu tại Stanford, người kia vào kỹ thuật AI tiên tiến — đã hội tụ tại bài toán thúc đẩy quá trình khám phá vật liệu bán dẫn .

Hemant Mohapatra, Đối tác tại Lightspeed India, mô tả đội ngũ sáng lập đã kết hợp "một sự kết hợp hiếm có giữa chuyên môn sâu về khoa học vật liệu và kỹ thuật AI tiên tiến" .

Thông tin gọi vốn

Mục	Chi tiết
Tổng số tiền huy động	$9 triệu (khoảng 85 crore INR) vòng seed
Nhà đầu tư chính	Lightspeed India Partners
Các nhà đầu tư tổ chức khác	Y Combinator, Peak XV Partners
Nhà đầu tư thiên thần	Paul Graham (đồng sáng lập YC), Gokul Rajaram (HĐQT DoorDash), Thariq Shihipar (Anthropic)
Ngày công bố	Ngày 10-11 tháng 8 năm 2026

Số tiền này sẽ được dùng để mở rộng nền tảng AI agent, tuyển dụng nhân tài kỹ thuật, và đẩy nhanh quá trình hợp tác xác thực từ phòng thí nghiệm đến nhà máy (lab-to-fab) với các công ty bán dẫn .

Thách thức lớn nhất: Vượt qua 'khoảng cách lab-to-fab'

Khám phá ra một vật liệu tiềm năng thông qua tính toán là một chuyện. Chứng minh nó có thể được sản xuất ở quy mô lớn, tích hợp vào các quy trình chế tạo chip, và hoạt động ổn định trong nhiều năm lại là một bước khó khăn và tốn kém hơn nhiều. Khoảng cách này giữa khám phá và thương mại hóa, hay còn gọi là "thung lũng chết", được coi là phần khó khăn nhất của khoa học vật liệu .

Các thách thức bổ sung bao gồm:

• Cạnh tranh: Các công ty hóa chất và vật liệu bán dẫn lớn có nhiều thập kỷ dữ liệu độc quyền, mối quan hệ khách hàng sâu rộng và các nỗ lực AI của riêng họ. Các startup phải chứng minh họ có thể di chuyển nhanh hơn và rẻ hơn.
• Khan hiếm dữ liệu: Dữ liệu vật liệu có gắn nhãn chất lượng cao rất khan hiếm và đắt đỏ; chất lượng đầu ra của AI phụ thuộc rất nhiều vào dữ liệu mà các agent được huấn luyện hoặc cung cấp.
• Sự đánh đổi kỹ thuật: Một vật liệu giảm nhiệt tốt có thể quá cứng, quá đắt, hoặc quá không ổn định để sản xuất. Việc điều hướng những sự đánh đổi này đòi hỏi sự tích hợp chặt chẽ với các chuyên gia chế tạo .

Bức tranh toàn cảnh về khám phá vật liệu dựa trên AI

Discovered Materials là một phần của lĩnh vực đang mở rộng nhanh chóng thường được gọi là "AI cho khoa học" hay "tin học vật liệu". Luận điểm cốt lõi trong cả giới học thuật lẫn các startup được đầu tư mạo hiểm đều giống nhau: Các mô hình AI có thể tìm kiếm trong không gian hóa học và cấu trúc tinh thể nhanh hơn nhiều so với trực giác của con người hoặc thử nghiệm trong phòng thí nghiệm truyền thống.

Các dự án và công ty đáng chú ý trong không gian rộng lớn hơn bao gồm:

• GNoME của Google DeepMind — mạng nơ-ron đồ thị đã khám phá ra hàng trăm nghìn cấu trúc tinh thể ổn định.
• MatterGen của Microsoft — AI tạo sinh cho thiết kế vật liệu.
• Materials Project (LBNL) — cơ sở dữ liệu mở được nhiều mô hình AI sử dụng.
• Orbital Materials, Kebotix, Citrine Informatics — các startup được đầu tư mạo hiểm áp dụng AI vào nhiều lĩnh vực khám phá vật liệu khác nhau.

Discovered Materials tự tạo sự khác biệt bằng cách tập trung hẹp vào một vấn đề bán dẫn có giá trị cao — quản lý nhiệt — thay vì dàn trải ra tất cả các loại vật liệu, và bằng cách sử dụng kiến trúc multi-agent swarms thay vì một mô hình duy nhất .

Điều gì tiếp theo?

Vài năm tới sẽ quyết định liệu việc khám phá vật liệu có sự dẫn dắt của AI có thể mở rộng từ những kết quả tính toán đầy hứa hẹn sang tác động thương mại thực sự trong sản xuất chip hay không. Mô hình kinh doanh của Discovered Materials là cấp bằng sáng chế cho các vật liệu mà họ khám phá và cấp phép cho các nhà sản xuất chip . Đối với các nhà vận hành trung tâm dữ liệu và giám đốc điều hành ngành bán dẫn đang theo dõi lĩnh vực này, sự tiến triển — hay thiếu hụt — của startup này sẽ là một tín hiệu hữu ích cho thấy liệu AI có thể cuối cùng phá vỡ một trong những nút thắt cổ xưa nhất của phần cứng hay không.