Discovered Materials 籌得 900 萬美元，用 AI 智能體尋找更涼的晶片材料

AI 產業面臨一個棘手的散熱難題——而一家從 Y Combinator 誕生的新創公司認為，AI 本身或許就是解方。

2026 年 8 月 10 日，TechCrunch 報導指出，由 Advaith Sridhar 和 Akash Ramdas 共同創辦的 Discovered Materials 已完成 900 萬美元種子輪融資，由 Lightspeed India Partners 領投，Peak XV Partners 跟投，天使投資人陣容包括 Paul Graham、Gokul Rajaram 和 Thariq Shihipar 等知名人士。這家公司的使命看似簡單：利用大量 AI 智能體（AI agents）來發掘新型半導體材料，讓晶片運作時產生更少熱量、更有效散熱，從而降低現代 AI 資料中心龐大的能源消耗。

AI 熱潮背後的散熱危機

隨著 AI 模型的參數量膨脹到數兆級，運行這些模型的 GPU 和專用加速器變得極度耗電。結果是嚴重的熱瓶頸：運行大型語言模型和其他 AI 工作負載的晶片會產生大量廢熱，需要精密且昂貴的冷卻基礎設施。如今資料中心的用電量已創歷史新高，單單冷卻系統就可能佔據整個設施能源預算的 40%。

半導體產業多年來一直在突破現有材料的極限——矽、氮化鎵、各種介電材料和導線——但進展有限。要找到能在更高功率密度下運作、同時又能大規模量產的全新材料，傳統上是一個緩慢而艱辛的過程。半導體領域的材料發現，從初步假設到商業化部署，通常需要 10 到 15 年，涉及大量的實驗室工作、試錯合成和反覆表徵分析。

這正是 Discovered Materials 試圖填補的缺口。

運作原理：AI 智能體結合物理模擬

Discovered Materials 建構了一套軟體管線，結合兩種強大的方法。首先，公司使用 Anthropic 的大語言模型，透過自訂框架來生成候選材料——本質上是讓 AI 智能體提出可能具備理想熱學和電學性質的新化學組合與晶體結構。這些智能體在雲端基礎設施上全天候運行，自主探索由團隊專業知識引導的研究方向。

其次，候選材料生成後，會利用公司自行訓練的基礎物理模型進行驗證，從第一性原理模擬材料性質。這些模擬能預測候選材料是否真正具備半導體應用所需的熱導率、電氣性能和穩定性。只有最有潛力的候選材料才能進入下一階段。

速度優勢非常顯著。共同創辦人 Akash Ramdas 在史丹佛大學攻讀博士學位期間，每天大約只能做 20 個材料猜測。借助 AI 智能體管線，Discovered Materials 現在每天可以探索數千個猜測，加速了數個數量級。

「現在透過讓這些智能體在雲端 24/7 運行，探索他（Ramdas）提供的研究方向，我們每天能做數千次猜測。」

在融資消息公布的同時，公司還發布了數百種新材料的範例，並推出了 「材料發現基準」（Material Discovery Bench）——一套評估前沿 AI 模型在材料發現任務上表現的基準測試框架，旨在推動 AI 材料科學領域的整體進步。

打地鼠難題

在模擬中找到候選材料只是起點。領投此輪的 Lightspeed 合夥人 Hemant Mohapatra 解釋，真正的挑戰在於他所說的工程權衡空間。一種材料可能減少了熱量產生或改善了散熱，但同時可能太難製造，或者電氣性能受損，或者在操作條件下缺乏長期穩定性。

「這有點像在原子結構中打地鼠。一種材料只有在所有特性同時達標時才有實用價值，這正是讓這成為一個非常有趣的搜尋問題的原因。」

這種多目標最佳化——同時平衡熱學、電學、機械和可製造性等約束條件——正是半導體材料發現如此困難的原因。Mohapatra 認為，隨著 AI 模型的進步，預測新物質的能力將被商品化。真正的差異化因素將是正確篩選候選材料並將其合成——而 Discovered Materials 結合 AI 驅動預測和實體實驗室驗證的策略，正是為了建立持久的競爭壁壘。

競爭格局

Discovered Materials 並非 AI 材料科學領域的唯一玩家。多家公司和研究團隊正在採取類似策略：

• CuspAI，一家劍橋大學背景的新創公司，於 2026 年 7 月推出了「AI 材料工坊」（AI Materials Foundry），建立了一個結合生成式 AI 與物理分子模擬的全球材料發現網絡。
• MatNex 專注於無稀土永久磁鐵，解決半導體和電子產業關鍵供應鏈的脆弱性。
• SandboxAQ 將 AI 應用於量子模擬材料，涵蓋廣泛的應用場景。
• Citrine Informatics 作為更成熟的玩家，與松下等公司合作開發新型半導體材料。

根據投資人的說法，Discovered Materials 的獨特之處在於其對半導體材料散熱問題的專注。公司沒有在整個材料科學領域撒網，而是押注解決晶片散熱危機——AI 基礎設施中最迫切、最具商業價值的問題之一——代表著最高槓桿的機會。

商業化路徑

當 Discovered Materials 發現有價值的新材料時，計畫是申請該材料在 GPU 中的應用專利，或是用該物質製造晶片的製程專利。這些專利隨後將授權給主要晶片製造商——如 NVIDIA、AMD、英特爾、台積電和三星——這些公司迫切需要材料創新來跟上 AI 運算無情擴張的步伐。

Sridhar 表示，公司希望在明年內能有值得申請專利的新材料，這個積極的時程既反映了 AI 管線帶來的加速，也體現了市場需求的急迫性。

然而，這家新創公司對未來的挑戰也保持清醒。儘管 AI 驅動發現已經炒作多年，至今還沒有任何 AI 發現的材料實現重大商業影響。最接近的類比是在藥物發現領域，Insilico Medicine 的 Renterosib 成為第一個進入第二期臨床試驗的生成式 AI 發現藥物。在材料方面，雖然已經找到了有潛力的候選材料——但還沒有一個達到商業化規模部署。

「這其中很大一部分還是需要真正走進濕實驗室去製造東西。而這個過程是無法加速的。」

在這個容易過度承諾的領域，這種誠實的態度令人耳目一新。基本現實是，無論計算預測多麼精密，最終都必須通過物理合成和表徵分析來驗證——這個過程本質上仍然是緩慢且反覆的。

為什麼這很重要

Discovered Materials 的出現時機並非巧合。2025 至 2026 年的 AI 基礎設施建設將資料中心功耗推到了前所未有的水平，設施經常需要數百兆瓦的電力，甚至對當地電網造成壓力。主要雲端服務商和 AI 實驗室正在投資數十億美元於先進冷卻技術——液體浸沒式冷卻、晶片直供微流體冷卻，甚至核能合作——但這些都是下游的緩解措施。材料創新則在上游運作，從源頭解決散熱問題。

如果 Discovered Materials 或類似公司成功找到根本性地更有效率的半導體材料，其影響將波及整個 AI 生態系統：更低的電費、更小的冷卻系統、更高的晶片密度，最終為 AI 運算軍備競賽帶來更永續的發展軌跡。

以 2026 年 AI 新創的標準來看，900 萬美元的種子輪規模並不算大——如今超大輪融資動輒數億美元。但這反映了一個聚焦於特定高價值問題的精準投資，而且匯集了罕見的 AI 工程人才與深厚材料科學專業知識的組合。打地鼠般的搜尋能否產生商業成果還有待觀察，但這種方法代表了將 AI 智能體應用於一個由 AI 自身造成的問題的最有前景的方向之一。

---

資料來源列於上方 frontmatter 中。本文基於 Tim Fernholz 在 TechCrunch 的報導，以及 Hyper.ai 和 MLQ.ai 的相關報導。