AI初创公司Discovered Materials用智能体蜂群寻找更凉爽的芯片材料

“AI打地鼠”法如何运作？

联合创始人Advaith Sridhar将公司的方法描述为“AI打地鼠”——并行生成数千种候选材料，然后系统性地过滤出最有前景的方案 。其流水线结合了前沿AI模型与定制物理模拟：

• 候选生成：使用Anthropic的Claude模型等，依据科学约束条件提出新型材料成分 。
• 快速模拟：公司自研的基础物理模型对每个候选材料的稳定性、导热性等属性进行模拟测试 。
• 迭代筛选：系统交叉验证结果，丢弃可能性较低的候选，将最有希望的线索反馈至生成循环中进行优化。

这种流水线相比纯人工研究具有压倒性优势。联合创始人Akash Ramdas估计，他在读博期间每天只能审阅约20个材料候选 。而Discovered Materials的AI智能体每天可以评估数千个，并且可以全天候在云端运行 。

早期验证：90天匹敌化工巨头

在2026年8月宣布融资的同时，Discovered Materials声称其AI智能体在短短90天内就达到了现有商业TIM配方的性能水平 。该公司表示，这是通过持续在云端运行AI智能体实现的，且没有使用任何竞争对手的专有数据 。

该公司还公开发布了数百种由AI发现的材料，并推出了“材料发现基准”（Material Discovery Bench）——一个开放基准，旨在让业界比较不同AI驱动材料发现方法的结果 。

需要强调的是，这90天的验证结果尚未经过独立复现或发表在同行评审的文献中 。这只是一个早期信号，而非已被证实的商业突破。

创始团队

两位联合创始人的背景互补，覆盖了从材料科学到AI工程的全链路：

两人十年前在印度顶尖理工学院IIT Madras相识 。之后一人深入斯坦福从事材料科学研究，另一人则投身前沿AI工程，最终在加速半导体材料发现这一课题上殊途同归 。

Lightspeed India合伙人Hemant Mohapatra评价创始团队时称，他们具备“罕见的深度材料科学专业知识与前沿AI工程能力的结合” 。

融资详情

所募资金将用于扩展AI智能体平台、招聘技术人才，并加速与半导体公司的实验室到工厂验证合作 。

最大挑战：跨越“实验室到工厂”鸿沟

在计算机上发现一种有潜力的材料是一回事，能够大规模生产、集成到芯片制造工艺中并可靠运行多年，则是另一项更艰巨且资本密集的任务。这一从发现到商业化的“死亡之谷”被公认为材料科学中最困难的部分 。

其他挑战还包括：

• 竞争与在位者优势：大型化学和半导体材料公司拥有数十年的专有数据、深厚的客户关系以及自身的AI投入。初创公司必须证明自己能够更快、更便宜地行动。
• 数据稀缺：高质量的标注材料数据稀缺且生成成本高昂；AI输出的质量关键取决于智能体所训练或提示的数据质量。
• 工程权衡：一种能减少热量产生的材料，可能过硬、成本过高或难以制造。驾驭这些权衡需要与制造专家的紧密结合 。

AI驱动材料发现的大背景

Discovered Materials是“AI for science”或“材料信息学”这一快速扩张领域的一员。无论是学术界还是由风投支持的初创公司，其核心理念都是相同的：AI模型在搜索化学和晶体结构空间时，远快于人类直觉或野蛮的实验室试错。

该领域内的知名参与者和项目包括：

• Google DeepMind的GNoME——发现数十万稳定晶体结构的图神经网络。
• 微软的MatterGen——用于材料设计的生成式AI。
• 材料项目（LBNL）——被AI模型广泛使用的开放数据库。
• Orbital Materials、Kebotix、Citrine Informatics——将AI应用于不同材料发现垂直领域的风投初创公司。

Discovered Materials的差异化在于：它专注于半导体行业中一个高价值的特定问题——热管理，而非广泛涉猎所有材料；并且采用了多智能体蜂群架构，而非单一模型 。

未来展望

未来几年将决定AI引导的材料发现能否从有希望的计算结果，扩展到芯片制造领域真正的商业影响力。Discovered Materials的商业模式是将其发现的材料申请专利，然后授权给芯片制造商 。对于关注这一领域的数据中心运营商和半导体管理者来说，这家初创公司的进展——无论快慢——都将成为一个有用信号：AI是否终于能够攻克硬件领域最古老的瓶颈之一。