製造全球需求最高的芯片需要消耗大量能源，並依賴獲取稀有礦物資源。英國初創公司CuspAI成立僅兩年，如今已籌集近5億美元資金，押注人工智能(AI)能夠改善這一過程。

智通財經APP獲悉，周一，CuspAI推出「AI材料鑄造廠」(AI Materials Foundry)，這是一個由超過48家科技巨頭、工業企業和研究機構組成的聯盟。該組織的目標是整合計算資源和科學研究能力，開發能夠幫助研究人員以比當前方法更快、更低成本的方式，為芯片製造商及其他行業開發新材料的軟件。

為了實現這一目標，這家總部位於英國劍橋的公司已完成4.5億美元B輪孖展，投資者包括亞馬遜創始人傑夫·貝索斯旗下基金。CuspAI聯合創始人兼首席執行官查德·愛德華茲表示，其中大部分資金將用於支持位於劍橋、新加坡以及舊金山灣區、與鑄造廠合作伙伴共同建設的實驗室。

在研發方面，愛德華茲指出，公司今年80%的研發投入將用於材料發現領域。他補充稱，CuspAI的目標之一，是減少或消除芯片製造過程中對存在供應鏈風險的稀有金屬的使用，例如釕和銥。

CuspAI表示，這筆最新孖展由風險投資機構Kleiner Perkins和NEA領投，貝索斯探險基金(Bezos Expeditions)「大額參與」。此次孖展使該初創公司的估值達到26億美元，較去年9月的5.2億美元大幅提升。

CuspAI最初專注於尋找用於碳捕獲和水淨化的新材料。但愛德華茲表示，過去一年中，公司因芯片製造供應鏈的強烈需求而決定調整方向，而芯片產品對於支撐AI發展至關重要。愛德華茲在接受採訪時表示，芯片製造商和半導體供應商正在「瘋狂尋找新材料」，「我們實際上是被四面八方的需求拉向這個領域的」。

英偉達高級董事吉蒂卡·古普塔‌表示，這家芯片製造商正在整個市場範圍內看到對新材料的巨大需求，從儲能系統到數據中心冷卻技術均包括在內。古普塔‌表示，通過材料鑄造廠，英偉達最有可能參與由CuspAI與第三方合作伙伴開展的「三方合作」項目。她表示：「所有這些公司都將大量相關信息視為自己的核心機密。」

CuspAI是越來越多利用AI探索科學領域、以開拓新市場的AI開發商之一。早期AI系統已經證明，它們能夠從蛋白質結構等生物數據中學習，並有可能用於發現新藥。更新一代的AI模型理論上可以篩選海量分子數據，從而設計出適用於製造業和可再生能源領域的新材料。

投資者紛紛湧入這一領域，支持由前OpenAI和DeepMind研究人員推動的相關項目，以及由貝索斯推出、估值410億美元的新公司Prometheus。谷歌旗下Google DeepMind也表示，將很快開始開展AI材料發現研究。

CuspAI試圖憑藉人才優勢建立差異化競爭力。其另一位聯合創始人馬克斯·韋林是一位備受尊敬的AI研究人員。現代AI技術先驅楊立昆和傑弗裏·辛頓均擔任該公司的顧問委員會成員。

周一，CuspAI還宣佈任命芯片行業資深人士、AMD(AMD.U)董事阿比·塔爾沃卡爾‌加入董事會。AMD旗下風險投資部門參與了CuspAI最新一輪孖展。此外，CuspAI表示，公司已聘請前谷歌和蘋果高管約翰·詹南德雷亞兼職負責建立該公司在加州的業務據點。

劍橋大學分子工程學教授大衛·費倫 - 希門尼斯表示，機器學習系統「確實」已經加快了新材料開發過程。但他警告稱，設計出能夠大幅超越現有材料的新型材料，是一個漫長且成本高昂的過程，人工智能只能提供有限幫助。他表示：「它非常有用。但我不同意的是，僅靠機器學習就會產生某種神奇突破。」費倫 - 希門尼斯曾創辦兩家材料科學初創企業，但目前並未與CuspAI合作或擔任其顧問。

CuspAI已經熟悉AI材料發現過程中需要經歷的大量試錯。該公司的早期項目之一，是與Meta研究人員合作，尋找能夠捕獲導致全球變暖的二氧化碳、減緩氣候變化的新材料。

為實現這一目標，CuspAI建立了一個包含300萬億種潛在結構的數據庫，這些結構屬於一類名為金屬有機框架材料(MOFs)的化學物質。MOF材料由被碳基分子鏈包圍的金屬原子組成，在碳捕獲領域具有特別優勢。隨後，該系統將這一龐大的候選列表篩選至10種。

但將理論研究轉化為實際應用結果被證明更加困難。愛德華茲表示，CuspAI最終只能合成其中不到10種化合物，而且沒有一種性能超過目前市場上已有的商業產品。他表示：「它們並不是最先進的材料。」

不過，CuspAI並未放棄這一方法。目前，該公司正在利用同一個數據庫尋找能夠去除水中有毒「永久化學物質」的新材料。芬蘭化工企業Kemira Oy將在今年嘗試合成並測試其中20種新結構。

儘管擁有衆多知名合作伙伴和投資者，但截至目前，CuspAI的任何項目都尚未產生足以離開實驗室、實現商業化的候選分子。

然而，聯合創始人韋林對此並不擔憂。他指出，可靠數據、測試設施以及計算能力不足，是該領域企業長期面臨的問題，而CuspAI希望通過建設材料鑄造廠來解決這些挑戰。他表示：「人們低估了真正進行實驗所需要克服的阻力。它看起來可能很簡單，但實際上完全不是這樣。」