运行AI工作负载的芯片发热量过高，这是数据中心耗电量巨大、需要大规模冷却系统的重要原因之一。如今，创业者们正在尝试用AI来解决AI自身带来的问题。
Discovered Materials便是最新入局者。该公司计划部署大量AI智能体，用于寻找可用于构建更高效集成电路的新材料。这家初创公司表示，从Y Combinator孵化器毕业后，已完成由Lightspeed India Partners领投的900万美元种子轮融资，Peak XV Partners及天使投资人保罗·格雷厄姆（Paul Graham）、戈库尔·拉贾拉姆（Gokul Rajaram）和塔里克·希希帕尔（Thariq Shihipar）也参与了此轮投资。
联合创始人阿德韦斯·斯里达尔（Advaith Sridhar）与阿卡什·拉姆达斯（Akash Ramdas）携手创立了这家公司。拉姆达斯拥有斯坦福大学材料科学博士学历，斯里达尔则曾在Persona AI和Luma Labs深耕智能体方向，两人的经历形成了互补。
两人共同搭建了一套软件流程：利用Anthropic的模型结合定制化框架来生成候选材料，再借助自研的基础物理模型运行仿真，验证候选材料是否具有实际研究价值。
"拉姆达斯在读博期间每天大概能做20次猜测，"斯里达尔告诉TechCrunch，"而现在，通过让这些智能体7×24小时在云端运行、沿着他给定的研究方向不断探索，我们每天能完成数千次猜测。"
Discovered Materials今日公开了数百种新材料的研究成果，并同步发布了"材料发现基准测试平台"（Material Discovery Bench），用于追踪前沿模型在这一领域的应对能力。
MatNex、SandboxAQ、CuspAI等公司也在开展类似研究，但Discovered Materials认为，专注于解决半导体材料的热管理问题，才是通往成功的正确路径。该公司表示，已发现若干性能与主流芯片厂商现用材料相当的新材料，但暂时无法透露更多细节。
其中一大挑战在于工程层面的权衡取舍：即便找到一种能减少热量产生或改善散热的材料，实际制造芯片时可能面临极大的工艺难度，或者其电气性能会因此受损。
"这有点像在和原子结构玩打地鼠，"领投本轮融资的Lightspeed合伙人赫曼特·莫哈帕特拉（Hemant Mohapatra）告诉TechCrunch，"一种材料要真正在现实中发挥作用，所有性能指标必须同时达标，这正是它成为一个极具价值的搜索问题的原因所在。"
莫哈帕特拉预计，随着模型能力的持续提升，预测新型物质将逐渐成为一项普通商品化技术。Discovered Materials的差异化优势在于：拉姆达斯深厚的专业背景，以及快速进行实验验证的实验室能力——他表示两位创始人已在多种新材料上完成了这一验证流程。
斯里达尔表示，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，或以该物质制造芯片的工艺申请专利，再向芯片制造商进行授权。他希望在未来一年内，能有值得申请专利的新材料问世。
不过，尽管外界热情高涨，AI发现的药物或材料真正实现商业化落地的案例至今仍寥寥无几。目前最接近的案例或许是Insilico Medicine研发的Renterosib——这是首款由生成式AI发现并进入二期临床试验的药物。在材料领域，也有一些颇具潜力的候选成果，例如MatNex发现的无稀土永磁材料，以及松下与Citrine Informatics合作研发的新型半导体材料，但这些成果尚未实现大规模商业化应用。
随着AI能力的持续提升，相关技术或许正迎来真正成熟的时机。但莫哈帕特拉指出，在AI材料科学领域，找到更多候选材料并非当前的瓶颈，"如何正确筛选并合成这些材料，才是真正的挑战所在。"
斯里达尔相信，Discovered Materials独特的数据积累与专业能力，将帮助公司在资金雄厚的前沿实验室面前站稳脚跟。但他也坦言，现实情况是"大量工作仍需要走进湿实验室，亲手去制造和验证材料，而这个过程是无法加速的。"
Q&A
Q1：Discovered Materials是一家做什么的公司？
A：Discovered Materials是一家利用AI智能体寻找新型半导体材料的初创公司，专注于解决芯片散热问题。公司通过让AI智能体7×24小时在云端运行，每天生成数千种候选材料，再结合自研物理模型进行仿真验证，筛选出具有实际应用价值的材料。公司已完成900万美元种子轮融资，由Lightspeed India Partners领投。
Q2：Discovered Materials发现新材料后，打算如何商业化？
A：公司计划对发现的有价值材料申请专利，包括这些材料在GPU中的具体应用，以及使用这些材料制造芯片的工艺流程，然后将专利授权给芯片制造商以获取收益。联合创始人斯里达尔希望在未来一年内找到值得申请专利的新材料。
Q3：AI材料发现领域目前最大的瓶颈是什么？
A：据Lightspeed合伙人莫哈帕特拉分析，当前的瓶颈并不在于找到更多候选材料，而在于如何正确筛选并实际合成这些材料。此外，一种材料要真正投入使用，必须在导热性、电气性能、可制造性等多项指标上同时达标，这使得筛选工作极具挑战性。湿实验室的实验验证流程也无法通过AI来加速。