贝索斯用AI寻找下一块硅

亚马逊创始人杰夫·贝索斯，又投资了一家AI公司。

这一次他押注的是：AI能不能帮助人类找到下一块“硅”。

7月20日, 有一家英国的AI材料公司, 宣布完成了4.5亿美元的B轮融资, 这家公司的估值达到了26亿美元。

这一轮融资, 是由和New （NEA）来进行领投的。其中, 投资方涵盖了贝索斯旗下的投资机构Bezos, 还有英国政府给予支持的主权AI基金。另外, 包括AMD、三星投资等机构也属于投资方。

在AI原生公司当中, 26亿美元的估值并非绝无仅有, 然而对于垂直科学领域的公司来讲, 这一估值相当显著, 并且该公司成立时间尚不足两年。

要是讲主流的AI竞争是环绕着大模型以及Agent去开展的, 那呈现出来的便是另外的一条路线。

AI能否从处理已有信息，走向帮助人类发现未知。

01

人类一直在寻找下一块材料

假使把工业文明的发展进行极大程度的浓缩, 使其成为极简短的一句话, 那么它宛如一部始终未曾间断地寻觅全新材料的历程。

开启青铜时代的是青铜, 撑起工业革命的是钢铁, 创造计算机的是硅, 推动新能源汽车发展的却是锂。

每一次重要的产业变革，背后几乎都有一种关键材料作为支撑。

今天，人类仍然在寻找下一块“硅”。

走过过去的几十年, 半导体这个行业凭借着硅, 持续不断地缩小晶体管的尺寸, 进而使得计算机的性能得以持续提升。然而, 随着制程渐渐地逼近物理极限, 该行业越来越频繁地将目光投向新的半导体材料, 以及互连材料和先进封装, 期望能够寻找到下一代的突破口。

新能源行当同样面临相似问题, 相较于当下普遍运用的液态锂电池, 固态电池被视作有望同步提高安全性、能量密度以及续航能力, 然而从丰田起, 直至宁德时代, 业内始终未曾迎来大规模商业化情况。

今年, 仅仅是围绕固态电解质发现这一情况, 在学术界, 就接连出现了《in Solid with Large （利用大模型突破固态电解质发现瓶颈）》, 以及《for the of Solid-State （用于固态电解质设计的机器学习流程）》等多篇综述论文。

催化剂、航空航天、先进制造以及环保领域，同样难以避免。

研究人员仍在马不停蹄地持续寻觅效率更高、成本更低的新型吸附材料, 目的在于把PFAS（全氟和多氟烷基物质）这种近乎没有办法可以自然降解的“永久性污染物”给去除掉, 数据中心持续增长的算力需求, 致使散热材料成了影响能耗的一个重要变量。

越来越多的行业察觉到, 在工程能力方面, 其进步的速度正呈现出快速的态势, 然而, 材料突破的情形, 却愈发明显地变得缓慢起来。

难处并非难以明白: 寻觅一种全新的材料, 并非如同于数据库里查找答案那般简单。科学家一般而言得先去提出臆测的情况, 接着再着手设计材料的架构, 开展计算模拟、实验验证, 随后针对结果持续变动方案。一旦失败, 便意味着得另行起始。

并且，材料世界的可能性几乎是无限的。

一种材料具备的性能, 不但由元素组成所决定, 而且会被原子排列、晶体结构、缺陷状态以及制造工艺共同作用影响。就算仅仅是细微的改变, 都极有可能产生完全不一样的结果。

遭遇到这般巨大的搜索范围, 人类依靠经验以及实验, 逐渐难寻真正具备价值的新型材料。从而难以一点一点寻觅到真正有价值的新材料。

于是，一个新的想法开始出现：

真正耗费时间精力的, 并非仅仅是材料研发中的实验, 而是要在数不清的可能性里头, 去寻觅出那屈指可数的、值得拿来做实验的候选方案, 这也很费工夫。

而这，恰恰是AI最擅长的问题。

就在这样的背景状况之下, 有一批新公司专门致力于AI材料发现, 它们开始得到资本的关注了。

这最新的, 正是一轮融资的代表案例。资本开始为一种新可能性下注, 什么可能性呢? 是下一块“硅”, 它或许将诞生于, AI驱动的材料研发体系。

02

贝索斯为什么押注这家公司？

是一家成立于2024年的英国AI材料公司，总部位于剑桥。

该公司是由两位有着互补背景的创始人一同创立的, CEO Chad曾参与到量子计算公司（CQC）的创办之中, 还促使其与霍尼韦尔量子业务合并, 从而形成了如今的公司；而联合创始人Max是机器学习领域里的关键学者, 曾担任微软研究院的杰出科学家, 还是经典论文《Auto- Bayes》的作者之一, 在生成模型领域具备关键影响力。

曾经, 材料研发一般是从一种已有的材料着手, 科学家先是设计出一种全新的结构, 接着借助计算模拟对其性能予以测试查验, 要是效果并不理想, 就让该结构进行调整后再次重头开始进行。

开发的MIRA，则试图改变这个流程。

它运用“逆向设计（）”的想法, 这想法是, 研究人员并非先去思索“应当设计怎样的材料”, 而是先界定目标, 像更高的导电性能、更强的耐受高温的能力或者更低的制造耗费成本, 接着借助AI逆向去生成有可能契合这些条件的材料架构, 并且预估它们的特性, 以此来协助科学家挑选出最值得去加以验证的候选方案。

换一种说法来讲, 它并非为科学家去完成实验, 而是期望能使科学家把更多的时间用于验证最具希望的材料之上, 并非是在那无数的可能性当中像大海捞针那样去寻找。

不过，截至目前，并没有交出一份足以震惊行业的成绩单。

它未曾如同 的GNoME那般公布具备代表性的全新材料, 并且也未宣告某一种经由AI设计的全新材料已然达成产业化。

当下, 最为贴近商业验证的案例中的某一个, 乃是助力芬兰的那家化工企业寻觅能够去除PFAS污染物的新型材料。这家公司宣称, MIRA往昔曾从大约300万亿种潜在的材料结构里头筛选出候选方案, 最终缩减到20种进而步入更深层次的开发进程, 然而相关的候选材料当下依旧处于后续的验证环节，并未公布商业化的成果。

那么, 问题就出现了: 有这样一家AI公司, 它尚未交出具有决定性意义的成果, 可是, 它为何能够获得26亿美元的估值?

一个细节或许值得注意。

在7月20日, 所公布的并不仅仅是一笔4.5亿美元的B轮融资, 然而与此同时还去宣布成立了AI。

本轮融资, 是由和NEA带头投资, 贝索斯旗下的Bezos 、AMD 、三星风险投资等机构参与其中进行投资；在这同时, AI已经召集了超过45家合作伙伴, 这些合作伙伴包含英伟达、Meta、 、现代汽车集团等企业。

这份名单横跨AI、半导体、先进制造、汽车和材料行业。

有人给出算力以及芯片, 有人把控制造能力之处的情况, 有人持有真实存在的工业方面的需求, 也有人具备以承担后续实验和参与产业验证该项工作的能力。

把名单的意义单纯归结于拉来合作伙伴的数量, 这远远不够。更为关键的是, 它能促使资本发现一个市场, 这个市场比单项材料研发所涉及的范围要大得多。

有一家传统属性的材料公司, 其价值一般是由能不能做出某一种材料、拿到多少订单去决定的, 然而, 它尝试去涵盖的可是会出现如下情况的整一条较为复杂的研发链条, 即这种材料从被提出使用需求开始, 以后历经生成候选、对性能进行预测、得以完成相关验证, 最终到达进入产业应用的阶段。

倘若这个模式得以确立, 芯片行业, 汽车行业, 电池行业, 化工行业, 航空航天行业等一切依靠材料进步的行业, 皆有可能成为其服务对象。

这恰是那26亿美元估值背后所蕴含的想象力之所在, 存在着这样一种机会, 作为一家寻觅新材料的公司, 能够转变成为供多个产业共同加以运用的研发平台。

参与其中的有英伟达、Meta、现代汽车等诸多企业, 还有 AI 等, 它们为这种想象提供了现实支点, 这意味着正把模型、算力、产业需求以及实验能力组织进一个协同网络里, 同时也使得投资者坚信, 自己存在参与这套基础设施建设的机会。

假如在未来的时候, 材料研发渐渐演变成一种新的协作模式, 在这种模式里, AI的职责是生成候选材料, 产业的任务是提出需求, 算力要去完成模拟计算, 实验室负责验证结果, 这样的话, 决定竞争力的层面, 就不会仅仅只是某一家公司的研发能力了, 而是要看谁能够进入这一套体系, 跟更多的参与者一同去完成材料研发。

26亿美元，定价的是成为材料研发平台的可能性。

这份估值, 当然依旧是建立在还没有兑现的未来之上的。然而, 在AI材料领域, 资本愿意提前付钱的, 正是那一条链条一旦跑通之后, 有可能覆盖的巨大市场。

03

AI已经找到新材料了吗？

它不是头一家尝试借助AI来重新构建材料研发的公司, 在它之前, 已然证实, AI能够将材料搜索拓展到往昔难以想象的规模, 能够着手围绕具体工业需求去设计材料。并且进而又会逐步再将材料模型推进到真实工业场景之中, 此情形确实是客观存在的。

不同路径被众多玩家所选择, 一个问题也由他们共同进行了回应: AI材料发现究竟已经进展到了什么样的地步呢?

是其中最受关注的代表。

倘若讲使AI踏入生命科学的范畴之时, 那GNoME（Graph for）便是探究材料科学的关键尝试。

2023年, 有项目发布, 名为GNoME项目, 该项目所涉及的系统借助图神经网络去预测晶体结构稳定性, 此系统总共发现数量超过220万种的潜在晶体结构, 在这些结构当中, 大约38万种被预测成稳定材料, 这一情况相当于把人类已知稳定材料的数量进行了扩大, 扩大的幅度接近十倍。

有528种潜在锂离子导体涵盖其中, 数量大概是此前同类研究成果的25 倍, 这为下一代电池提供了更多候选方案。

传统材料的数据库, 主要是源于过往形成的计算以及实验方面的积累, 研究者一般是在已被人类记录下来的范畴之内去寻觅规律, 然而GNoME呈现出了另外一种可能性, 那就是AI能够依据所学到的材料规律, 主动地去探索还未曾进入到数据库的晶体结构。

可是, 计算机对一种材料稳定性作出预测, 这并不表明, 这种材料就能够在现实状况里得以制造出来。

为了证实这些预估并非仅留存于计算机里, 之后和劳伦斯伯克利国家实验室展开合作, 该实验室所构建的A-Lab系统能够借助算法生成实验规划, 操控机器人施行材料配置、加热以及检验, 最终顺利合成了40多种新型材料。

然而, GNoME所主要处理的依旧是“什么样的晶体结构存在稳定的可能性”。其中, 稳定并不等同于具有实用性, 能够实现合成也并不意味着就具有更优良的导电性、磁性、耐热性或者制造成本情况好转。从现状到达真正切入工业生产这个状态, 两者之间仍然分隔着性能验证程序、工艺开发进程以及规模化制造环节。

倘若所做出的回答是关于“AI能不能找到新材料”, 进而会更加关注另外一个问题, 那便是: AI能不能依照产业需求来设计材料。

有着原名Nexus, 在2020年成立, 属于一家从剑桥大学成功孵化的深科技公司。

与类似, Nexus选取的同样是“逆向设计”途径，依据目标性能需求对新型材料进行研究, 借助AI来寻觅有可能符合要求的全新材质, 并不是凭借传统实验办法逐个进行试错。

公司最早切入的方向之一，是无稀土永磁材料。

稀土永磁体在新能源汽车、电机以及风力发电方面有着广泛的应用, 然而却高度依赖特定的稀土资源与供应链。在2024年, 有宣布, 其AI平台从超过1亿种候选组合当中进行了筛选, 接着并设计出无稀土永磁材料。

该材料, 从设计开始, 接着进行合成, 而后开展测试, 仅仅用了3个月, 跟传统工业材料相比, 研发周期大幅度缩短了。公司预计, 成本能够达到传统稀土磁体的大约20%, 与此同时, 还可以减少70%的材料碳排放。

有着这样一个案例, 它并非只是单纯地去预测一种材料, 而是在此基础上更进了一步, 它围绕着一个清晰明确的工业方面的需求, 先是完成了设定目标这一环节，接下来又进行了算法筛选, 随后开展了实验合成, 最后还做了性能测试, 历经了这些流程。

于是, AI的价值, 不再仅仅是“发现更多可能”, 而是能够助力研发团队, 更快地寻找到一组, 值得被制造出来的答案。

但是, 即便被成功合成了起来, 也绝对不能够简单地径直等同于已然完成了商业化, 它确实证明了AI存在着能够去缩短早期研发周期这样的情形, 然而, 它究竟能不能够把这种速度延伸至规模化生产的范畴之内, 仍然有待去进行观察。

AI材料赛道的另一位典型玩家，同样来自英国。

成立于2022年，总部位于伦敦，后更名为 。

一开始所挑选的, 是一条跟类似的、以“AI for ”作为标识的路线, 此路线是, 先去训练那种能够领会原子结构、材料性质以及物理规律的基础类模型, 而后借助这些模型来对材料性能进行预测, 还要筛选出候选结构。

在2024年的时候, 那个公司向外发布了材料模拟模型Orb, 并且还开放了与之相关联的模型, 其目的便是期望能够把研究者进行原子级材料模拟时所面临的门槛给降低掉。

但是, 随着业务不断向前推进, 它渐渐将重心从材料发现方面转移至工业应用领域, 随后开始围绕能源、碳捕获以及AI基础设施设计具体的方案。

有一项工作, 是借助AI去设计用于直接空气捕集的多孔CO₂吸附材料, 并且试着把它部署到数据中心。公司讲, 从2024年建立实验室开始, 这种材料的性能就已经提高了大约10倍。

要关注的, 已不单单是能不能找到性能更优的材料, 还涵盖了这些材料怎样进入具体的设备以及工业场景。材料模型因此变成了解决实际问题的起始点, 而非最终的产品了。

这使得它愈发像是一家AI工业公司 , 材料发现依旧是其核心能力 , 然而到头来出售的或许并非仅仅是模型或者材料 , 而是一套依据具体工业问题所设计的解决方案。

从 到、和，AI材料领域已经出现了几条不同的发展路线。

以扩大人类可探索的材料空间为目的, 围绕清晰需求, 将AI设计朝着合成及测试方向推进, 把材料模型嵌入碳捕获、数据中心等具体场景, 进而期望把模型、算力、实验以及产业伙伴组合成一套能供多个行业运用的研发平台。

这些进展说明，AI材料发现并非完全建立在概念之上。

AI已然具备预测往昔未曾被记录下来的晶体结构的能力, 还已然助力研究者合成出新型的材料, 甚至于已然着手围绕具体的工业需求来缩短设计以及测试周期。

但不管选取哪一条路线，它们都得直面同一道难题, AI寻得一种有可能存在的材料, 并不等同于人类已然拥有了一种能够使用的材料。

先是从计算预测开始, 接着到实验合成, 随后是从实验样品进展到稳定制造, 再往后到规模化应用, 其中每一步都极有可能淘汰为数不少的候选方案, 自然世界是不会凭着模型能力的提升进而改变其验证规则之状态的。

因此, 目前AI最为明确的价值, 依旧是让搜索过程得以缩短, 从而将有限的实验资源, 留给更具希望的方向。

它能够使得“大海捞针”这种举动变得更为迅速, 然而却并没办法确保经由众多举措才好不容易捞起来的那一根针, 在最终阶段能够成功支撑起一个全新的产业。

也许率先找到下一块“硅”的会是AI, 然而, 真正对“下一块硅”进行定义的, 却是现实世界。