CuspAI 的 4.5 亿美元 B 轮融资：剑桥 AI 材料初创公司改写化学规则，背后的完整故事

融资历程：从种子轮到估值 26 亿的两年狂飙

CuspAI 成立于 2024 年，当年 6 月便完成了 3000 万美元的种子轮融资，由 Hoxton Ventures 领投 。到 2025 年 9 月，公司完成了 1 亿美元的 A 轮融资，由 NEA 和淡马锡联合领投，估值达到 5.2 亿美元。参与方包括英伟达（Nvidia）的风投部门、三星风投（Samsung Ventures），以及 OpenAI 联合创始人 Durk Kingma 和 Hugging Face 联合创始人 Thomas Wolf 等天使投资人 。

这次 4.5 亿美元的 B 轮融资于 2026 年 7 月 20 日确认。此前，英国《金融时报》在 6 月的报道就已指出，该公司正在洽谈以 26 亿美元估值筹集约 4 亿美元的资金 。最终轮融资金额超出了最初的报道，并引入了一批新的投资者，除领投方外，还包括 AMD Ventures、Glade Brook Capital Partners、Lux Capital，以及来自英国、荷兰（Invest-NL）和新加坡的主权投资者 。部分媒体报道的融资金额约为 5 亿美元，但多数来源仍引用 4.5 亿美元的数据 。

AI 材料工厂：一个 48 个成员的工业联盟

在宣布融资的当天，CuspAI 推出了 AI 材料工厂（AI Materials Foundry）——这是一个全球性的联盟，旨在汇集算力、专有材料数据、实验室能力和制造专业知识，以加速材料设计进程 。创始成员包括英伟达、Meta、三星、现代汽车集团、应用材料（Applied Materials）、泛林集团（Lam Research）、东京电子（Tokyo Electron）、先进太平洋科技（ASMPT）、3M、汉高（Henkel）、日立、JSR、默克、AMD 等数十家巨头 。

英伟达提供加速计算基础设施，而 Meta 则贡献其基础人工智能研究（FAIR）团队的原子化学模型 。各成员公司则贡献各自的专有材料数据、实验室能力和制造需求 。该联盟的既定目标是将传统 10 到 20 年的材料发现周期压缩到 6 个月 。

逆向设计系统（MIRA）的工作原理

CuspAI 的核心平台名为 MIRA，它颠覆了传统的材料发现过程 。传统方法是先合成化合物，然后测试其性能；而 MIRA 允许用户首先指定所需的性能特征——如耐热性、导电性、二氧化碳选择性、耐腐蚀性等——然后由生成式 AI 模型提出针对这些性能进行优化的候选分子结构。关键在于，该系统还会评估这些候选分子的可制造性，确保它们能够被实际合成出来 。

该公司将 MIRA 描述为“物质世界的搜索引擎” 。该平台在庞大的化学空间中筛选候选分子，然后将最优的候选分子发送给联盟伙伴，进行快速合成和现实世界验证 。NEA 作为 A 轮和 B 轮的投资者，将这种方法描述为“逆向设计——从目标性能出发，反向提出候选分子——然后通过快速反馈循环评估其稳定性、性能和可制造性” 。

联合创始人简介

CuspAI 于 2024 年由两位具有互补专业背景的人士共同创立 ：

• 查德·爱德华兹博士 —— CEO。他是一名化学家，曾在谷歌（Google）、巴斯夫（BASF）以及最近的量子计算公司 Quantinuum 从事技术商业化工作 。他还曾是剑桥量子计算（Cambridge Quantum Computing）的商业联合创始人 。
• 马克斯·威林教授 —— 首席 AI 官。他是著名的 AI 研究员，曾担任微软研究院和高通公司的杰出科学家和副总裁，同时也是阿姆斯特丹大学的教授 。威林是现代 AI 的先驱，以其在图形神经网络和变分推理方面的研究而闻名。

公司总部位于英国剑桥，其业务根源可追溯到威林教授所在的城市——阿姆斯特丹 。值得关注的董事会成员包括作为顾问的“AI 教父”杰弗里·辛顿（Geoffrey Hinton）、Yann LeCun，以及前 ASML 首席技术官马丁·范登·布林克（Martin van den Brink）。

竞争对手对比：CuspAI 如何定位

CuspAI 在一个快速增长的赛道中运营，该赛道中还有其他资金雄厚的 AI 材料初创公司。以下是基于现有信息的对比 ：

关键的战略区别在于：CuspAI 不自建实验室。相反，它将物理验证环节外包给联盟伙伴，理论上这可以使其更快地规模化，并利用现有的制造专业知识，但这同时也意味着它放弃了对合成过程的直接控制权 。相比之下，Lila Sciences 和 Periodic Labs 都运营着全自动的湿实验室（wet lab）——这是一种资金更密集、端到端的方法，可能产生更紧密的预测-验证反馈闭环 。Periodic Labs 由 ChatGPT 共同创造者 Liam Fedus 和 Google DeepMind 科学家 Ekin Doğuş Çubuk 联合创立，其更宏大的目标是发现室温超导体 。Lila Sciences 的范畴最广，涵盖了生物学、化学和材料学 。

规模化难题：六个月的周期能否持久？

AI 材料工厂的生存能力，取决于当联盟扩展到 48 个以上合作伙伴时，其“六个月内完成发现到验证”的周期承诺是否还能维持 。每个合作伙伴都拥有专有的数据格式、存在利益冲突的知识产权以及不同的制造约束条件。该模式的承诺是，CuspAI 的中央 MIRA 平台可以高效地将正确的候选分子分配给正确的合作伙伴。但风险在于：协调成本、数据共享摩擦，以及一个物理现实——无论 AI 多么聪明，实际的合成和测试过程仍然是缓慢、昂贵且充满噪声的。

如果该联盟不能在六个月的周期内反复展示出成功的闭环突破，那么该模式可能会沦为一个大规模的“模拟引擎”，而不是一个真正的材料生产管线 。多个消息来源提到了一个关键的注脚：“目前，CuspAI 的任何项目都尚未产出已商业部署的材料”。对于一家估值 26 亿美元的公司来说，承诺与现实之间的这个鸿沟，将是 AI 材料工厂从宣布转向执行时面临的最核心问题。