Discovered Materials 在做什麼？

Discovered Materials 是一家總部位於舊金山的深度科技新創，其核心技術是建立能夠平行協作的 AI 智能體（AI Agents）——這些自主運作的軟體系統會批次生成、模擬並驗證候選的半導體材料。該公司目前的首要目標是 熱介面材料 (TIMs)，這是一種放置在晶片層之間（例如，矽晶片與金屬散熱蓋之間）的化合物，其作用是將熱量向外傳導 。

該公司的核心理念非常明確：傳統的材料研發，從實驗室發現到商業化應用，平均需要 10 年以上的時間。透過大規模的自動化流程，這個週期可以被壓縮到幾個月，甚至幾天 。

「AI 打地鼠」：獨特的篩選方法

共同創辦人 Advaith Sridhar 將公司的方法比喻為「AI 打地鼠」（AI whack-a-mole）— 同時間生成數千種候選材料，然後系統性地過濾到最有潛力的少數 。其技術流程結合了前沿的 AI 模型與客製化的物理模擬：

• 候選材料生成： 搭載 Anthropic 的 Claude 模型以及其他前沿模型，根據科學限制條件提出新穎的材料組成 。
• 快速模擬篩選： 由公司訓練的基礎物理模型，對每個候選材料的穩定性、導熱係數等關鍵特性進行快速模擬測試 。
• 迭代篩選： 系統會交叉比對結果，剔除不可能成功的候選者，並將最有潛力的材料反饋回生成迴圈中，進行下一輪的優化。

這個流程的規模遠超傳統的人工作業。共同創辦人 Akash Ramdas 博士在攻讀博士學位時，每天大約能審閱 20 種 候選材料 。而 Discovered Materials 的 AI 智能體可以每天評估 數千種 材料，並在雲端基礎設施上 24 小時不間斷 地運作 。

初步驗證：90 天內追上化工巨頭

伴隨著 2026 年 8 月的募資公告，Discovered Materials 宣稱其 AI 智能體在短短 90 天 內，就成功匹配了現有大型化學公司商業化 TIM 配方的性能表現 。該公司表示，它們是透過在雲端持續運行的 AI 智能體達成此成果，且過程中完全未使用競爭對手的專有數據 。

此外，該公司也公開釋出了 數百種由 AI 發現的材料，並推出了一個名為 「Material Discovery Bench」 的開源基準測試平台，旨在讓業界能夠比較不同 AI 驅動材料發現方法的成效 。

需要注意的是，這項為期 90 天的驗證成果目前尚未經過獨立重現或發表在經過同儕審查的學術期刊上 。這只是一個早期的信號，而非一個經證實的商業突破。

黃金團隊：IIT Madras 的夢幻組合

兩位共同創辦人的背景，完美覆蓋了這個問題的兩端：

兩人在十多年前於印度最頂尖的理工學院之一 IIT Madras 求學時相識 。他們的職業生涯看似分道揚鑣（一個深入材料科學，另一個投入前沿 AI），最終卻完美地匯聚在加速半導體材料發現這個問題上 。

Lightspeed India 的合夥人 Hemant Mohapatra 稱讚這個創始團隊結合了「深厚的材料科學專業知識與前沿的 AI 工程能力」。

募資細節

這筆資金將用於擴展 AI 智能體平台、招募技術人才，並加速與半導體公司建立合作，推動從實驗室到晶圓廠的驗證流程 。

最大的挑戰：跨越「實驗室到晶圓廠」的鴻溝

在電腦上找到有潛力的材料是一回事；但要證明它可以大規模量產、整合進晶片製造流程，並在數年內保持穩定可靠的性能，則是另一個難度更高、資本更密集的步驟。這個存在於「發現」與「商業化」之間的 「死亡之谷 (Valley of Death)」 ，被廣泛認為是材料科學領域最困難的部分 。

其他挑戰還包括：

• 競爭與先進者的優勢： 大型化學與半導體材料公司擁有數十年的專有數據、深厚的客戶關係以及自己的 AI 研發項目。新創公司必須證明自己能比它們跑得更快、成本更低。
• 數據稀缺性： 高品質、有標記的材料數據極為稀少且產生成本高昂；AI 輸出結果的品質，高度取決於用來訓練或提示智能體的數據品質。
• 工程上的取捨： 一種能有效降低熱量的材料，可能硬度太高、成本太高或者太不穩定而無法製造。要駕馭這些工程上的取捨，需要與晶圓廠的專家進行緊密整合 。

更廣闊的 AI 驅動材料發現版圖

Discovered Materials 並非孤軍奮戰。它所處的領域——常被稱為「AI for Science」或「材料資訊學（Materials Informatics）」——正在急速擴張。無論是學術界還是創投支持的新創公司，其核心論點都是相同的：AI 模型搜尋化學和晶體結構空間的速度，遠超人類的直覺或傳統的實驗試錯。

在這個領域中值得注意的參與者與計畫包括：

• Google DeepMind 的 GNoME — 使用圖神經網路發現了數十萬種穩定的晶體結構。
• Microsoft 的 MatterGen — 用於材料設計的生成式 AI。
• Materials Project (LBNL) — 一個被 AI 模型廣泛使用的開放資料庫。
• Orbital Materials, Kebotix, Citrine Informatics — 創投支持的新創公司，將 AI 應用於不同領域的材料發現。

Discovered Materials 的差異化優勢在於：它非常專注地鎖定一個高價值的半導體問題——熱管理，而非廣泛地探索所有材料；同時，它採用的是多智能體群（multi-agent swarms）的架構，而非單一模型 。

下一步展望

未來幾年將是關鍵，這將決定 AI 驅動的材料發現能否從令人振奮的運算成果，擴展為對晶片製造業產生真正的商業影響。Discovered Materials 的商業模式是為其發現的材料申請專利，然後授權給晶片製造商 。對於正在關注此領域的資料中心營運商與半導體高階主管而言，這家新創的進展——無論成功與否——都將是觀察 AI 能否最終攻克硬體領域最古老瓶頸之一的重要風向球。

Discovered Materials 在做什麼？

Discovered Materials 是一家總部位於舊金山的深度科技新創，其核心技術是建立能夠平行協作的 AI 智能體（AI Agents）——這些自主運作的軟體系統會批次生成、模擬並驗證候選的半導體材料。該公司目前的首要目標是 熱介面材料 (TIMs)，這是一種放置在晶片層之間（例如，矽晶片與金屬散熱蓋之間）的化合物，其作用是將熱量向外傳導 。

該公司的核心理念非常明確：傳統的材料研發，從實驗室發現到商業化應用，平均需要 10 年以上的時間。透過大規模的自動化流程，這個週期可以被壓縮到幾個月，甚至幾天 。

「AI 打地鼠」：獨特的篩選方法

共同創辦人 Advaith Sridhar 將公司的方法比喻為「AI 打地鼠」（AI whack-a-mole）— 同時間生成數千種候選材料，然後系統性地過濾到最有潛力的少數 。其技術流程結合了前沿的 AI 模型與客製化的物理模擬：

• 候選材料生成： 搭載 Anthropic 的 Claude 模型以及其他前沿模型，根據科學限制條件提出新穎的材料組成 。
• 快速模擬篩選： 由公司訓練的基礎物理模型，對每個候選材料的穩定性、導熱係數等關鍵特性進行快速模擬測試 。
• 迭代篩選： 系統會交叉比對結果，剔除不可能成功的候選者，並將最有潛力的材料反饋回生成迴圈中，進行下一輪的優化。

這個流程的規模遠超傳統的人工作業。共同創辦人 Akash Ramdas 博士在攻讀博士學位時，每天大約能審閱 20 種 候選材料 。而 Discovered Materials 的 AI 智能體可以每天評估 數千種 材料，並在雲端基礎設施上 24 小時不間斷 地運作 。

初步驗證：90 天內追上化工巨頭

伴隨著 2026 年 8 月的募資公告，Discovered Materials 宣稱其 AI 智能體在短短 90 天 內，就成功匹配了現有大型化學公司商業化 TIM 配方的性能表現 。該公司表示，它們是透過在雲端持續運行的 AI 智能體達成此成果，且過程中完全未使用競爭對手的專有數據 。

此外，該公司也公開釋出了 數百種由 AI 發現的材料，並推出了一個名為 「Material Discovery Bench」 的開源基準測試平台，旨在讓業界能夠比較不同 AI 驅動材料發現方法的成效 。

需要注意的是，這項為期 90 天的驗證成果目前尚未經過獨立重現或發表在經過同儕審查的學術期刊上 。這只是一個早期的信號，而非一個經證實的商業突破。

黃金團隊：IIT Madras 的夢幻組合

兩位共同創辦人的背景，完美覆蓋了這個問題的兩端：

兩人在十多年前於印度最頂尖的理工學院之一 IIT Madras 求學時相識 。他們的職業生涯看似分道揚鑣（一個深入材料科學，另一個投入前沿 AI），最終卻完美地匯聚在加速半導體材料發現這個問題上 。

Lightspeed India 的合夥人 Hemant Mohapatra 稱讚這個創始團隊結合了「深厚的材料科學專業知識與前沿的 AI 工程能力」。

募資細節

這筆資金將用於擴展 AI 智能體平台、招募技術人才，並加速與半導體公司建立合作，推動從實驗室到晶圓廠的驗證流程 。

最大的挑戰：跨越「實驗室到晶圓廠」的鴻溝

在電腦上找到有潛力的材料是一回事；但要證明它可以大規模量產、整合進晶片製造流程，並在數年內保持穩定可靠的性能，則是另一個難度更高、資本更密集的步驟。這個存在於「發現」與「商業化」之間的 「死亡之谷 (Valley of Death)」 ，被廣泛認為是材料科學領域最困難的部分 。

其他挑戰還包括：

• 競爭與先進者的優勢： 大型化學與半導體材料公司擁有數十年的專有數據、深厚的客戶關係以及自己的 AI 研發項目。新創公司必須證明自己能比它們跑得更快、成本更低。
• 數據稀缺性： 高品質、有標記的材料數據極為稀少且產生成本高昂；AI 輸出結果的品質，高度取決於用來訓練或提示智能體的數據品質。
• 工程上的取捨： 一種能有效降低熱量的材料，可能硬度太高、成本太高或者太不穩定而無法製造。要駕馭這些工程上的取捨，需要與晶圓廠的專家進行緊密整合 。

更廣闊的 AI 驅動材料發現版圖

Discovered Materials 並非孤軍奮戰。它所處的領域——常被稱為「AI for Science」或「材料資訊學（Materials Informatics）」——正在急速擴張。無論是學術界還是創投支持的新創公司，其核心論點都是相同的：AI 模型搜尋化學和晶體結構空間的速度，遠超人類的直覺或傳統的實驗試錯。

在這個領域中值得注意的參與者與計畫包括：

• Google DeepMind 的 GNoME — 使用圖神經網路發現了數十萬種穩定的晶體結構。
• Microsoft 的 MatterGen — 用於材料設計的生成式 AI。
• Materials Project (LBNL) — 一個被 AI 模型廣泛使用的開放資料庫。
• Orbital Materials, Kebotix, Citrine Informatics — 創投支持的新創公司，將 AI 應用於不同領域的材料發現。

Discovered Materials 的差異化優勢在於：它非常專注地鎖定一個高價值的半導體問題——熱管理，而非廣泛地探索所有材料；同時，它採用的是多智能體群（multi-agent swarms）的架構，而非單一模型 。

下一步展望

未來幾年將是關鍵，這將決定 AI 驅動的材料發現能否從令人振奮的運算成果，擴展為對晶片製造業產生真正的商業影響。Discovered Materials 的商業模式是為其發現的材料申請專利，然後授權給晶片製造商 。對於正在關注此領域的資料中心營運商與半導體高階主管而言，這家新創的進展——無論成功與否——都將是觀察 AI 能否最終攻克硬體領域最古老瓶頸之一的重要風向球。