速递｜用Agent寻找芯片散热材料，AI材料发现初创Discovered Materials获900万美元种子轮融资

图片来源：Discovered Materials

运行AI工作负载的芯片温度过高：这正是数据中心耗电量如此惊人、并需要配备冷却系统的原因之一。而如今，创业者们不可避免地开始尝试利用AI来解决这个由AI自身所引发的问题。

Discovered Materials便是这一趋势下的最新代表，该公司计划利用大量AI Agent集群，寻找可用于制造更高效集成电路的新材料。这家初创公司表示，公司近期从Y Combinator毕业后，已完成一轮900万美元种子轮融资，由Lightspeed India Partners领投，Peak XV Partners以及天使投资人Paul Graham、Gokul Rajaram和Thariq Shihipar也参与其中。

公司由创始人Advaith Sridhar和Akash Ramdas共同创立，两人分别发挥所长：Ramdas拥有斯坦福大学材料科学博士学位背景，而Sridhar此前曾在Persona AI和Luma Labs从事Agent相关研发工作。

两人共同打造了一套软件流水线，利用Anthropic的模型在自定义框架中生成候选材料方向，再借助他们自行训练的基础物理模型运行仿真模拟，验证这些候选材料是否确实具有研究价值。

Sridhar向TechCrunch表示：“Ramdas读博期间，大概每天只能做20次猜测尝试。而现在，我们让这些Agent在云端24小时不间断运行，沿着他给定的研究方向持续探索，每天能够完成数千次猜测尝试。”

Discovered Materials今日发布了数百种新材料的实例，同时还推出了其“材料发现基准测试”（Material Discovery Bench），旨在追踪评估前沿模型在应对这一挑战时的表现。

MatNex、SandboxAQ和CuspAI等公司此前也曾推出过类似的项目，但Discovered Materials押注的是，聚焦于半导体材料的散热问题这一细分方向，才是通向成功的路径。这家初创公司表示，公司已发现若干种材料，其特性可与主要芯片制造商目前所使用的现有材料相媲美，但暂无法透露更多细节。

其中一项挑战在于工程层面的权衡取舍：即便找到一种能够降低发热量或提升散热效果的材料，实际制造芯片时可能仍难以量产，或者其电学性能会因此受到影响。

领投此轮融资的Lightspeed合伙人Hemant Mohapatra向TechCrunch表示：“这有点像是在和原子结构玩打地鼠游戏。一种材料只有当所有特性同时达标，才能在现实世界中真正发挥作用，这正是让这个搜索问题变得如此有趣的原因所在。”

Mohapatra预计，随着模型能力不断提升，预测新物质这项业务本身终将变得商品化、同质化。而Discovered Materials的差异化优势在于，Ramdas在该领域拥有深厚的专业积累，以及公司具备快速开展实验并验证候选材料的实验室能力，他表示，两位创始人已借助这一能力，成功验证了若干种新材料。

Sridhar表示，一旦发现有价值的候选材料，公司将尝试为这些材料在GPU中的应用申请专利，或是为利用该物质制造芯片的工艺流程申请专利，再将其授权给芯片制造商使用。他希望公司能在明年拥有值得申请专利的新材料。

不过，尽管市场热情高涨，我们目前仍未看到任何由AI发现的药物或材料真正在商业层面产生实质影响。最接近的案例或许是Insilico Medicine研发的Renterosib，这是首个通过生成式AI发现、并进入三期临床试验阶段的药物。在材料领域，也已发现一些颇具前景的候选材料，例如MatNex研发的无稀土永磁材料，以及松下与Citrine Informatics共同开发的新型半导体材料。但这些材料目前尚未实现大规模商业化应用。

随着AI能力持续提升，这些技术或许正逐渐迎来真正发挥价值的时刻，但这也正是Mohapatra认为，寻找更多候选材料本身并非AI材料科学领域的瓶颈所在的原因；他表示，真正的瓶颈在于“正确地筛选并合成这些材料”。

尽管Sridhar相信，Discovered Materials所掌握的独特数据和专业积累，将有助于这家初创公司与资金雄厚的前沿实验室展开竞争，但他也坦承，现实情况是，“这其中很大一部分工作，终究还是需要真正走进湿实验室去动手合成材料。而这一环节，是无法被加速的。”

参考资料：

https://techcrunch.com/2026/08/10/discovered-materials-is-playing-ai-whack-a-mole-to-hunt-cooler-chips/

文章来自于微信公众号 “Z Potentials”，作者 “Z Potentials”