如果把整个工业文明浓缩成一句话，那就是每一次材料的发现，都会推动着工业革命的变革。
青铜推动了青铜时代，瓷器造就了景德镇的辉煌，钢铁撑起了工业文明，硅创造了计算机，而锂推动了新能源汽车的发展。材料的发现推动了物种的诞生，新物种的出现又会推动整个人类文明进程的发展。
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，人类依然在寻找下一块硅，过去几十年，半导体行业依靠硅不断缩小晶体管尺寸，让计算机性能持续提升，但随着制程逐渐逼近物理极限，行业越来越多地把目光投向新的半导体材料、互连材料和先进封装，以期寻找下一代突破口。
先以AI产业为例，芯片的制造的逻辑是，把芯片设计图纸通过数百至上千道精密工序，比如设计、晶圆制造、封装测试等，逐层刻在硅晶圆上，再与存储芯片封装成可以使用的计算芯片。
再比如今天广泛使用的液态锂电池，固态电池被认为有望同时提升安全性、能量密度、续航能力，但从丰田到QuantumScape到宁德时代，行业迟迟没有迎来大规模商业化。
今年，仅围绕固态电解质发现，学术界就接连出现了《Breaking Bottlenecks in Solid Electrolyte Discovery with Large Artificial Intelligence Models（利用大模型突破固态电解质发现瓶颈）》以及《Machine Learning Pipelines for the Design of Solid-State Electrolytes（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。为了去除PFAS（全氟和多氟烷基物质）这类几乎无法自然降解的"永久性污染物"，研究人员仍在持续寻找效率更高、成本更低的新型吸附材料；数据中心不断增长的算力需求，也让散热材料成为影响能耗的重要变量。
越来越多行业发现，工程能力正在快速进步，但材料突破却越来越慢。原因并不难理解：寻找一种新材料，并不像在数据库里搜索答案。科学家通常需要先提出假设，再设计材料结构，进行计算模拟、实验验证，然后根据结果不断调整方案。一次失败，就意味着重新开始。
并且，材料世界的可能性几乎是无限的。一种材料的性能，不仅取决于元素组成，还受到原子排列、晶体结构、缺陷状态以及制造工艺的共同影响。哪怕只是微小的变化，都可能带来截然不同的结果。
面对如此庞大的搜索空间，人类越来越难依靠经验和实验，一点一点找到真正有价值的新材料。于是，一个新的想法开始出现：材料研发真正费时费力的不只有实验，还有在无数种可能性中找到那几个值得实验的候选方案。
而这，恰恰是AI最擅长的问题。究竟AI能否从处理已有的信息，到帮助人类去发现未知的领域呢，这值得我们关注。
近日，亚马逊创始人杰夫·贝索斯，投资了CuspAI。这是一家成立于2024年的英国AI材料公司，总部位于剑桥。
公司由两位背景互补的创始人共同创立。CEO Chad Edwards曾参与创办量子计算公司Cambridge Quantum Computing（CQC），并推动其与霍尼韦尔量子业务合并，成立如今的Quantinuum；联合创始人Max Welling则是机器学习领域的重要学者，曾任微软研究院杰出科学家，也是经典论文《Auto-Encoding Variational Bayes》的作者之一，在生成模型领域具有重要影响力。
