자본시장 · 리포트

Bezos는 차세대 실리콘 투자를 추진하면서 Amazon의 chip-supply 수직통합 전략을 신호하고 있다.

Amazon의 인프라 해자 확대를 검증; 맞춤형 실리콘 개발을 캐팍스 우선순위로 신호한다.

업계 전문지Slicast · 2026년 8월 2일 11:24 UTC · 중국 · 출처: 钛媒体

중요도 70

7월 20일, 영국의 AI 재료 기업 CuspAI는 4억 5천만 달러 규모의 Series B 펀딩 완료를 발표했으며, 기업 가치는 26억 달러로 평가됐다.

이번 라운드는 Kleiner Perkins와 New Enterprise Associates(NEA)가 주도했다. 투자자에는 Jeff Bezos의 투자 부서인 Bezos Expeditions, 영국 정부 지원 소버린 AI 펀드, AMD Ventures 및 Samsung Ventures 등 기관들이 포함됐다.

26억 달러의 기업 가치는 AI 네이티브 기업 중에서 전례가 없는 수준은 아니지만, 2년 미만의 역사를 가진 수직 과학 기업으로서는 극도로 높은 평가다.

주류 AI 경쟁이 대규모 언어 모델과 에이전트에 집중되어 있는 반면, CuspAI는 다른 경로를 대표한다. 청동이 청동기 시대를 열었고, 철이 산업혁명을 이루었으며, 규소가 컴퓨터를 만들었고, 리튬이 전기자동차를 가능하게 했다. 지난 수십 년간 반도체 산업은 규소에 의존하여 트랜지스터 크기를 지속적으로 축소함으로써 성능 향상을 주도해왔다. 그러나 공정이 물리적 한계에 접근하면서 업계의 초점은 차세대 돌파구를 찾기 위해 새로운 반도체 재료, 상호연결 재료 및 고급 패키징으로 점점 더 이동하고 있다.

신재생에너지 산업도 유사한 과제에 직면해 있다. 현재 널리 사용되는 리튬이온 배터리와 비교할 때, 고체 전지는 안전성, 에너지 밀도 및 주행거리에서 동시에 이득을 줄 수 있는 것으로 여겨진다. 그러나 Toyota에서 QuantumScape, CATL에 이르기까지, 산업은 아직 대규모 상용화를 보지 못했다.

올해만 해도 학계는 "Breaking Bottlenecks in Solid Electrolyte Discovery with Large Artificial Intelligence Models" 및 "Machine Learning Pipelines for the Design of Solid-State Electrolytes"를 포함한 고체 전해질 발견에 관한 여러 리뷰 논문을 발표했다.

PFAS(과불화알킬 및 폴리불화알킬 물질)—사실상 생분해 불가능한 지속성 오염물질—을 제거하기 위해 연구자들은 더 높은 효율과 낮은 비용의 새로운 흡착제 재료를 계속 탐색하고 있다. 데이터 센터 산업의 증가하는 계산 수요는 또한 열 관리 재료를 에너지 소비에 영향을 미치는 중요한 변수로 만들었다.

그 이유는 간단하다: 새로운 재료를 찾는 것은 데이터베이스를 검색하는 것과 같지 않다. 과학자들은 일반적으로 가설로 시작한 후 재료 구조를 설계하고, 계산 시뮬레이션을 수행하고, 실험을 진행한 후 결과에 따라 조정한다. 한 번의 실패는 처음부터 다시 시작하는 것을 의미한다.

재료의 성능은 원소 조성뿐만 아니라 원자 배열, 결정 구조, 결함 상태 및 제조 공정에도 달려 있다. 극히 미세한 변화도 극적으로 다른 결과를 낳을 수 있다.

이토록 방대한 탐색 공간에 직면하여 인간은 경험과 실험만으로 진정 가치 있는 새로운 재료를 찾기 위해 점점 더 고군분투하고 있다. 재료 개발은 실험실에서뿐만 아니라 무수한 가능성 중에서 테스트할 가치가 있는 어떤 후보 화합물을 식별하는 데 있어 시간이 오래 걸린다.

CuspAI의 Series B는 최근의 사례다. 자본은 새로운 가능성에 베팅을 시작하고 있다: 다음 "규소"는 AI 기반 재료 개발 시스템에서 나타날 수도 있다는 것이다.

이 회사는 상호 보완적인 두 명의 지도자에 의해 공동 설립되었다. CEO Chad Edwards는 이전에 양자 컴퓨팅 회사 Cambridge Quantum Computing(CQC)을 공동 설립했으며 Honeywell의 양자 사업과의 합병을 감독하여 Quantinuum을 창설했다. 공동 설립자 Max Welling은 저명한 기계학습 학자이자 Microsoft Research의 전직 Distinguished Scientist이며, 생성 모델링에서 상당한 영향력을 미친 논문 "Auto-Encoding Variational Bayes"의 공저자다.

역사적으로 재료 개발은 기존 재료에서 시작했다. 과학자들은 새로운 구조를 설계한 후 계산 시뮬레이션과 실험을 통해 그 특성을 테스트했다. 결과가 만족스럽지 못하면, 그들은 조정하고 처음부터 다시 시작했다.

CuspAI는 "역설계" 접근 방식을 채택한다: 과학자들이 먼저 "어떤 재료를 설계해야 할까"라고 생각하는 대신, 그들은 먼저 목표를 정의한다—예를 들어 더 높은 전도도, 더 큰 내열성 또는 더 낮은 제조 비용—그 다음 AI가 이 요구 사항을 충족할 수 있는 가능한 재료 구조를 역엔지니어링하고 그들의 특성을 예측하여 과학자들이 검증할 가장 유망한 후보를 식별하도록 돕는다.

다시 말해, 그것은 실험 작업을 대체하지 않고 과학자들이 무한히 많은 가능성을 맹목적으로 검색하는 것보다 가장 유망한 재료를 검증하는 데 더 많은 시간을 소비하도록 하는 것을 목표로 한다.

CuspAI는 Google DeepMind의 GNoME처럼 대표적인 새로운 재료를 발표하지 않았으며, AI 설계 재료가 상용화에 도달했다고 주장하지도 않는다.

CuspAI의 가장 상업적으로 검증된 사례 중 하나는 핀란드 화학 회사 Kemira가 PFAS 오염을 제거하기 위한 새로운 재료를 찾도록 돕는 것이다. 이 회사는 자신의 모델이 약 3조 개의 잠재적 구조에서 후보 재료를 스크리닝하여 추가 개발을 위해 20개로 좁혔다고 보고하지만, 이 후보들은 현재 검증 단계에 있으며 발표된 상업적 결과는 없다.

7월 20일 CuspAI는 4억 5천만 달러 Series B 펀딩뿐만 아니라 AI Materials Foundry의 구성을 발표했다. 이번 라운드는 Kleiner Perkins와 NEA가 주도했으며, Bezos Expeditions, AMD Ventures, Samsung Ventures 등이 참여했다. 동시에 AI Materials Foundry는 NVIDIA, Meta, Applied Materials 및 Hyundai Motor Group을 포함한 45개 이상의 파트너를 모았다.

일부는 컴퓨트와 칩을 제공하고, 일부는 제조 능력을 통제하고, 일부는 실제 산업 수요를 보유하고 있으며, 일부는 후속 실험과 산업 검증을 관리할 수 있다.

이 목록의 중요성은 CuspAI가 구성한 파트너의 수에만 있는 것이 아니라 자본에 신호하는 바에 있다: 개별 재료 개발보다 훨씬 더 큰 시장이다.

전통적인 재료 회사의 가치는 일반적으로 특정 재료를 생산하고 계약을 이기고 있는지 여부에 따라 달려 있다. CuspAI는 전체 연구 체인을 포괄하려고 한다—재료 필요를 식별하는 것부터 후보를 생성하고, 특성을 예측하고, 검증을 완료하고, 산업 배포에 이르기까지.

이 모델이 실행 가능하다면, 재료 진전에 의존하는 모든 산업—반도체, 자동차, 배터리, 화학, 항공우주—이 고객 기반이 될 수 있다.

26억 달러 기업 가치 뒤에 있는 상상력이 이것이다: CuspAI는 새로운 재료를 찾는 회사에서 여러 산업에 걸쳐 사용되는 연구 플랫폼으로 진화할 기회를 가졌다.

AI Materials Foundry와 NVIDIA, Meta, Applied Materials, Hyundai 및 기타 회사의 참여는 이 비전에 대한 실질적인 발판을 제공한다. 이는 CuspAI가 모델, 컴퓨트, 산업 수요 및 실험 능력을 협업 네트워크로 조직하고 있으며, 투자자들에게 이 인프라 구축에 참여할 기회가 있다고 확신시킨다.

재료 개발이 결국 새로운 협업 모델로 진화한다면—AI가 후보 재료를 생성하고, 산업이 필요를 명시하고, 컴퓨트가 시뮬레이션을 수행하고, 실험실이 결과를 검증한다면—경쟁 우위는 더 이상 단일 회사의 연구 능력만으로는 아니지만 이 시스템에 진입하고 재료 연구를 완료하기 위해 더 많은 참여자와 협력할 수 있는 누구인지에 달려 있을 것이다.

이 기업 가치는 확실히 아직 실현되지 않은 미래에 기반을 두고 있다. 그러나 AI 재료 분야에서, 자본은 정확히 이 체인이 완전히 작동하면 나타날 수 있는 거대한 시장을 선제적으로 지급할 의향이 있다.

CuspAI는 AI를 사용하여 재료 개발을 재편성하려는 첫 번째 시도가 아니다. 그 전에, Google DeepMind는 이미 AI가 재료 탐색을 한 때 상상할 수 없었던 규모로 확장할 수 있음을 증명했다. MatNex는 구체적인 산업 필요 주변에서 재료를 설계하기 시작했다. Orbital은 재료 모델을 실제 산업 시나리오로 더욱 밀어 붙였다.

이 플레이어들은 다른 경로를 선택했지만 집합적으로 한 가지 질문에 대답했다: AI 재료 발견은 실제로 얼마나 멀리 왔는가?

AlphaFold가 AI를 생명 과학으로 가져왔다면, GNoME(Graph Networks for Materials Exploration)는 DeepMind가 재료 과학으로 가져온 중요한 진출을 나타낸다.

2023년, Google DeepMind는 GNoME 프로젝트를 출시했다. 이 시스템은 그래프 신경망을 사용하여 결정 구조 안정성을 예측했으며 220만 개 이상의 잠재적 결정 구조를 발견했으며, 그 중 약 38만 개는 안정적이라고 예측되었다—인류가 알고 있는 안정적인 재료의 약 10배이다. 여기에는 약 528개의 잠재적 리튬이온 전도체가 포함되어 있으며, 이는 이전 작업의 약 25배로, 훨씬 더 많은 배터리 후보를 제공한다.

전통적인 재료 데이터베이스는 과거 계산 및 실험 축적에서 비롯되며, 연구자들은 일반적으로 인간에 의해 이미 기록된 범위 내에서 패턴을 찾는다. GNoME는 다른 가능성을 입증했다: AI는 학습된 재료 원리를 적용하여 어느 데이터베이스에도 아직 없는 결정 구조를 활발히 탐색할 수 있다.

이 예측들이 단순히 계산 아티팩트가 아닌지 검증하기 위해 DeepMind는 Lawrence Berkeley National Laboratory와 협력했다. 이 기관의 A-Lab 시스템은 알고리즘을 사용하여 실험 계획을 생성하고, 재료 혼합, 가열 및 테스트를 위해 로봇을 제어할 수 있으며, 궁극적으로 40개 이상의 새로운 재료를 성공적으로 합성했다.

그러나 GNoME는 주로 "어떤 결정 구조가 안정적일 수 있는가"를 다룬다. 안정성은 유용성과 같지 않다; 성공적인 합성이 더 나은 전도도, 자성, 내열성 또는 더 낮은 제조 비용을 보장하지 않는다. 진정한 산업 생산 이전에 간격이 남아 있다: 성능 검증, 공정 개발 및 확장.

DeepMind가 "AI가 새로운 재료를 찾을 수 있는가?"라고 대답했다면, MatNex는 다른 질문을 던진다: AI가 산업 요구 사항에 따라 재료를 설계할 수 있는가?

MatNex는 원래 Materials Nexus였으며 2020년에 설립되었으며 Cambridge University에서 분사된 딥테크 회사다.

CuspAI와 마찬가지로 Materials Nexus는 "역설계" 접근 방식을 사용한다: 목표 성능 요구 사항에 기반하여, 그것은 AI를 사용하여 전통적인 시행착오 실험에 의존하는 것보다 필요를 충족할 수 있는 가능한 새로운 재료를 찾는다.

희토류 영구 자석은 전기자동차, 모터 및 풍력 터빈에서 널리 사용되지만 특정 희토류 자원과 공급망에 크게 의존한다. 2024년 MatNex는 자신의 AI 플랫폼이 1억 개 이상의 후보 조합에서 희토류 부자유 영구 자석 재료 MagNex를 스크리닝하고 설계했다고 발표했다.

이 재료는 설계, 합성에서 테스트까지 단 3개월만에 진행되었다—전통적인 산업 개발 주기보다 극적으로 짧다. 회사는 MagNex 비용이 전통적인 희토류 자석의 약 20%에 도달할 수 있으며 재료 탄소 배출을 70%까지 감소시킬 수 있을 것으로 예상한다.

이 경우는 단순히 한 재료를 예측하는 것을 넘어—목표 설정, 알고리즘 스크리닝, 실험적 합성 및 성능 테스트의 전체 공정을 통해 특정 산업 필요를 충족한다.

따라서 AI의 가치는 단순히 "더 많은 가능성 발견"을 초월하여 능동적으로 개발 팀이 더 빠르게 제조할 가치가 있는 답을 찾도록 돕는다.

그러나 MagNex의 성공적인 합성은 완료된 상용화를 직접 동등하게 하지 않는다. 이는 AI가 초기 개발 주기를 단축할 수 있음을 입증하지만, 그것이 이 속도를 확장 생산까지 확장할 수 있는지는 아직 알 수 없다.

Orbital Materials는 2022년에 설립되었으며 런던에 본사를 두었다가 나중에 Orbital Industries가 되었다.

Orbital은 초기에 DeepMind의 "AI for Science" 접근 방식과 유사한 경로를 선택했다: 원자 구조, 재료 특성 및 물리 법칙을 이해하는 기초 모델을 훈련한 다음, 이 모델을 사용하여 재료 성능을 예측하고 후보 구조를 스크리닝한다.

2024년에 회사는 재료 시뮬레이션 모델 Orb를 출시했으며 관련 모델을 오픈 소스로 공개하여 원자 규모 재료 시뮬레이션을 수행하는 연구자들의 장벽을 낮추려고 노력했다.

그 작업이 진행되면서, 그러나 그것은 점진적으로 초점을 재료 발견에서 산업 응용으로 이동했으며, 에너지, 탄소 포집 및 AI 인프라를 위한 구체적인 솔루션을 설계하기 시작했다.

한 프로젝트는 AI를 사용하여 직접 공기 포집을 위한 다공성 CO₂ 흡착제 재료를 설계하고 데이터 센터에 배포를 시도한다. 회사는 2024년에 실험실을 설립한 이후로 이 재료의 성능이 약 10배 향상되었다고 보고한다.

Orbital의 관심은 더 나은 성능 재료를 찾는 것을 넘어 이 재료가 특정 장비 및 산업 맥락에 어떻게 진입하는지로 확장된다. 그 결과 재료 모델은 최종 제품이 아니라 실제 문제를 해결하기 위한 출발점이 된다.

이는 Orbital을 점점 더 AI 산업 회사처럼 보이게 한다: 재료 발견은 여전히 핵심 능력이지만, 그것이 궁극적으로 판매하는 것은 모델이나 재료가 아니라 특정 산업 과제 주변에 설계된 솔루션일 수 있다.

Google DeepMind에서 MatNex, Orbital 및 CuspAI에 이르기까지, AI 재료 분야에서 여러 가지 뚜렷한 개발 경로가 나타났다.

DeepMind는 인간이 탐색할 수 있는 재료 공간을 확장하려고 한다; MatNex는 명확한 필요 주변에서 AI 설계를 합성 및 테스트로 발전시킨다; Orbital은 재료 모델을 탄소 포집 및 데이터 센터와 같은 구체적인 시나리오에 포함시킨다; CuspAI는 모델, 컴퓨트, 실험 및 산업 파트너를 여러 산업에 걸쳐 사용 가능한 연구 플랫폼으로 조직하는 것을 목표로 한다.

AI는 이제 이전에 기록되지 않은 결정 구조를 예측할 수 있으며, 이미 연구자들이 새로운 재료를 합성하도록 도왔으며, 특정 산업 수요 주변의 설계 및 테스트 주기를 단축하기 시작했다.

그러나 어떤 경로를 선택하든 모두 동일한 과제에 직면해야 한다: AI가 존재할 수 있는 재료를 찾는 것은 인간이 사용할 수 있는 재료를 소유하는 것과 같지 않다.

계산 예측에서 실험적 합성까지, 샘플에서 안정적인 제조까지, 확장 배포를 통해, 각 단계는 방대한 수의 후보를 제거할 수 있다. 자연계는 모델 능력이 향상되었다고 해서 그 검증 규칙을 바꾸지 않는다.

따라서 AI의 가장 명확한 현재 가치는 탐색 과정을 단축하고 제한된 실험 자원을 더 유망한 방향으로 보존하는 것이다.

그것은 "건초더미에서 바늘 찾기"를 빠르게 할 수 있지만, 찾은 바늘이 궁극적으로 새로운 산업을 지원할 것이라고 보장할 수 없다.

다음 "규소"는 AI가 먼저 찾을 수 있지만, 실제로 "다음 규소"를 정의하는 것은 여전히 현실 세계다.

원문 보기