贝索斯追求下一代硅芯片投资,显示亚马逊芯片供应垂直整合战略。

2026年7月20日，英国AI材料公司CuspAI宣布完成4.5亿美元B轮融资，公司估值达26亿美元。

本轮融资由Kleiner Perkins和New Enterprise Associates（NEA）领投。投资者包括杰夫·贝佐斯旗下投资部门Bezos Expeditions、英国政府支持的主权AI基金，以及包括AMD Ventures和Samsung Ventures在内的多家机构。

26亿美元的估值在AI原生公司中并非前所未有，但对于存在不足两年的垂直科学公司而言，这个估值异常高昂。

主流AI竞争聚焦于大型语言模型和智能体，而CuspAI代表了另一条赛道。青铜开创了青铜时代，钢铁推动了工业革命，硅晶体创造了计算机，锂使得电动汽车成为现实。过去几十年来，半导体产业通过持续缩小硅基晶体管尺寸来不断推动性能提升。但当工艺流程逼近物理极限时，业界焦点日益转向新型半导体材料、互联材料和先进封装，寻求下一个突破。

可再生能源产业面临类似的挑战。相比目前广泛使用的锂离子电池，固态电池被视为有可能同时实现安全性、能量密度和续航里程的提升。然而从丰田到QuantumScape再到CATL，业界至今尚未看到大规模商业化。

仅在今年，学术界就发表了多篇关于固体电解质发现的综述论文，包括《利用大型人工智能模型突破固体电解质发现的瓶颈》和《固态电解质设计的机器学习流程》。

为了消除PFAS（全氟和多氟烷基物质）——这些几乎不可生物降解的持久性污染物——研究人员继续寻找效率更高、成本更低的新型吸附材料。数据中心产业日益增长的计算需求也使得热管理材料成为影响能耗的关键变量。

原因很直接：发现新材料不像搜索数据库那样。科学家通常从假设开始，接着设计材料结构，进行计算模拟，运行实验，然后根据结果进行调整。一次失败就意味着要重新开始。

材料的性能不仅取决于其元素组成，还取决于原子排列、晶体结构、缺陷状态和制造工艺。哪怕是微小的变化也会产生截然不同的结果。

面对如此巨大的搜索空间，人类越来越难以仅凭经验和实验来找到真正有价值的新材料。材料开发耗时不仅在实验室，还在于从无数可能性中辨别哪些候选化合物值得测试。

CuspAI的B轮融资是最近的一个案例。资本开始押注一种新的可能性：下一个"硅"可能会从AI驱动的材料开发系统中出现。

该公司由两位互补的领导者共同创立。CEO Chad Edwards曾共同创立量子计算公司Cambridge Quantum Computing（CQC），并监督了它与霍尼韦尔量子业务的合并以成立Quantinuum。联合创始人Max Welling是知名机器学习学者、微软研究院前杰出科学家，也是影响深远论文《自动编码变分贝叶斯》的合著者，在生成建模领域有重大影响力。

从历史来看，材料开发始于一种现有材料。科学家设计新结构，然后通过计算模拟和实验测试其性能。如果结果不理想，他们进行调整后重新开始。

CuspAI采用"逆向设计"方法：与其科学家先想"我应该设计什么材料"，不如先定义目标——例如更高的导电性、更强的耐热性或更低的制造成本——然后让AI反向工程可能满足这些要求的材料结构并预测其性能，帮助科学家识别最有前景的候选材料进行验证。

换句话说，它不是取代实验工作，而是旨在让科学家花更多时间验证最有前景的材料，而不是盲目搜索无数种可能性。

CuspAI并未像Google DeepMind的GNoME那样宣布代表性的新材料，也没有声称任何AI设计的材料已达到商业化。

CuspAI最具商业验证的案例之一是帮助芬兰化工公司Kemira找到除去PFAS污染的新材料。该公司报告称，其模型从大约3万亿个潜在结构中筛选候选材料，将其缩小到20种进一步开发——尽管这些候选目前仍处于验证阶段，未宣布商业结果。

2026年7月20日，CuspAI不仅宣布了4.5亿美元B轮融资，还宣布成立AI Materials Foundry。本轮融资由Kleiner Perkins和NEA领投，Bezos Expeditions、AMD Ventures、Samsung Ventures等参与。同时，AI Materials Foundry已聚集超过45家合作伙伴，包括NVIDIA、Meta、Applied Materials和现代汽车集团。

有的提供计算和芯片，有的掌控制造能力，有的拥有真实的工业需求，有的可以管理后续实验和工业验证。

这份名单的重要性不仅在于CuspAI已经聚集了多少合作伙伴，还在于它向资本发出了什么信号：一个远大于单个材料开发的市场。

传统材料公司的价值通常取决于它是否能生产某种材料并赢得合同。CuspAI试图贯穿整个研究链——从识别材料需求、生成候选、预测性能、完成验证，到工业部署。

如果这一模式被证明可行，每个依赖材料进步的行业——半导体、汽车、电池、化工、航空航天——都可能成为其客户群。

这就是26亿美元估值背后的想象空间：CuspAI有机会从一家寻求新材料的公司进化为被多个行业使用的研究平台。

AI Materials Foundry以及NVIDIA、Meta、Applied Materials、现代等的参与为这一愿景提供了真实的立足点。它显示CuspAI正在将模型、计算、工业需求和实验能力组织成一个协作网络，并说服投资者他们有机会参与构建这一基础设施。

如果材料开发最终进化为一种新的协作模式——AI生成候选材料、行业规定需求、计算执行模拟、实验室验证结果——那么竞争优势将不再单纯取决于任何单一公司的研究能力，而取决于谁能进入这个系统并与更多参与者合作完成材料研究。

这个估值确实基于一个尚未实现的未来。但在AI材料领域，资本恰恰愿意为这条链完全运作后可能出现的巨大市场提前付费。

CuspAI并非首家尝试用AI来重塑材料开发的公司。在它之前，Google DeepMind已经证明了AI可以将材料搜索扩展到曾经不可想象的规模。MatNex开始围绕具体工业需求设计材料。Orbital将材料模型进一步推向真实工业场景。

这些参与者选择了不同的路径，但共同回答了一个问题：AI材料发现实际上已经走到了多远？

如果AlphaFold将AI引入生命科学，那么GNoME（图形网络材料探索）则代表DeepMind在材料科学领域的重要探索。

2023年，Google DeepMind发布了GNoME项目。该系统使用图神经网络来预测晶体结构稳定性，发现了超过220万个潜在晶体结构，其中约38万个被预测为稳定——大约是人类已知稳定材料数量的十倍。这包括528个潜在的锂离子导体，约为以往工作的25倍，为电池提供了远更多的候选。

传统材料数据库源于过往的计算和实验积累，研究人员通常在人类已记录的范围内寻找规律。GNoME展示了另一种可能：AI可以通过应用已学的材料原理主动探索任何数据库中还未出现的晶体结构。

为了验证这些预测不仅仅是计算工件，DeepMind与劳伦斯·伯克利国家实验室合作。该机构的A-Lab系统可以使用算法生成实验计划，控制机器人进行材料混合、加热和测试，最终成功合成了40多种新材料。

然而，GNoME主要解决"哪些晶体结构可能稳定"的问题。稳定性不等于实用性；成功合成不保证更高的导电性、磁性、耐热性或更低的制造成本。在真正的工业生产之前仍存在差距：性能验证、工艺开发和规模化。

如果DeepMind回答了"AI能否找到新材料？"，MatNex提出了另一个问题：AI能否根据工业需求设计材料？

MatNex的前身是Materials Nexus，成立于2020年，是剑桥大学衍生出的深科技公司。

与CuspAI类似，Materials Nexus使用"逆向设计"方法：基于目标性能要求，使用AI寻找可能满足需求的新材料，而不依赖传统的试错实验。

稀土永磁体广泛用于电动汽车、电动机和风力涡轮机，但高度依赖特定稀土资源和供应链。2024年，MatNex宣布其AI平台从超过1亿个候选组合中筛选并设计了不含稀土的永磁材料MagNex。

这种材料从设计、合成到测试仅用了三个月——远短于传统工业开发周期。该公司预计MagNex成本可达传统稀土磁体成本的约20%，同时将材料碳排放减少70%。

这个案例更进一步——它通过设定目标、算法筛选、实验合成和性能测试的完整过程满足了特定的工业需求。

AI的价值因此超越了简单地"发现更多可能性"，转向积极帮助开发团队更快地找到值得制造的答案。

但MagNex的成功合成并不直接等同于完成商业化。它证明了AI可以缩短早期开发周期，但它是否能将这种速度延伸到规模化生产仍有待观察。

Orbital Materials成立于2022年，总部位于伦敦，后来成为Orbital Industries。

Orbital最初选择了与DeepMind类似的路径——"科学AI"方法：训练理解原子结构、材料性质和物理规律的基础模型，然后使用这些模型预测材料性能和筛选候选结构。

随着工作的进展，该公司逐步转变焦点，从材料发现转向工业应用，开始为能源、碳捕获和AI基础设施设计具体解决方案。

一个项目使用AI设计了用于直接空气捕获的多孔CO₂吸附材料，并尝试在数据中心部署。该公司报告称，自2024年建立实验室以来，这些材料的性能提高了约10倍。

Orbital的关注点不仅超越了找到性能更好的材料，还包括这些材料如何进入特定设备和工业背景。因此材料模型成了解决实际问题的起点，而不是最终产品。

这使得Orbital日益类似于一家AI工业公司：材料发现仍是其核心能力，但它最终出售的可能不仅是模型或材料，而是围绕特定工业挑战设计的解决方案。

从Google DeepMind到MatNex、Orbital再到CuspAI，AI材料领域已经出现了几条不同的发展路径。

DeepMind试图扩展人类能够探索的材料空间；MatNex推进AI设计到围绕明确需求的合成和测试；Orbital将材料模型嵌入碳捕获和数据中心等具体场景；CuspAI旨在将模型、计算、实验和工业合作伙伴组织成可被多个行业使用的研究平台。

AI现在可以预测之前未记录的晶体结构，已经帮助研究人员合成了新材料，并开始围绕特定工业需求缩短设计和测试周期。

然而无论选择哪条路径，所有人都必须面对同一个挑战：AI发现一种可能存在的材料，与人类拥有一种可以使用的材料，这两者并不相同。

从计算预测到实验合成，从样品到稳定制造，再到规模化部署，每一步都可能淘汰大量候选。自然界不会因为模型能力的提升就改变其验证规则。

因此，AI最清晰的当前价值仍在于缩短搜索过程，为更有前景的方向保留有限的实验资源。

它可以让"大海捞针"变得更快，但它无法保证找到的针最终会支撑一个新产业。

下一个"硅"可能首先被AI发现，但真正定义"下一个硅"的，仍然是现实世界。