7个AI挖出500多种散热材料，这家初创要给AI芯片“降温”

近日，来自旧金山的材料 AI 初创公司 Discovered Materials 宣布完成 900 万美元种子轮融资，由 Lightspeed India Partners 领投，Y Combinator、Peak XV Partners，以及 Paul Graham、Gokul Rajaram 等参与。与融资同时公布的，还有数百种由 AI 找到的新材料，以及一套测试 AI 材料发现能力的 Material Discovery Bench。

这家公司盯上的，是 AI 芯片越来越难处理的发热问题。

随着 GPU 功耗和计算密度不断提高，散热已经成为先进封装继续扩展的重要约束之一。尤其在 3D 封装中，内存与逻辑芯片被更紧密地堆叠，可以缩短数据搬运距离、降低能耗，但也会让热量更难排出。问题的一部分不只在风冷、液冷等外部冷却系统，也在芯片内部材料本身：一些介电材料电绝缘性能很好，却并不擅长导热。因此，Discovered Materials 因此把高导热介电材料作为重点搜索方向。

这家公司成立于 2026 年，两位创始人的背景分别来自 AI 与材料科学。Advaith Sridhar 曾从事长程 AI Agent 相关工作；Akash Ramdas 则在斯坦福大学完成材料科学博士和博士后研究，长期研究半导体材料。Ramdas 读博时，一天大约只能提出和测试 20 个材料猜想；而现在，这家公司的 Agent 可以全天候运行，一天探索数千种候选方案。

图｜Akash Ramdas（左）和 Advaith Sridhar（右）（来源：Discovered Materials）

这个探索的过程并不是简单地让大模型回答“什么材料导热更好”。按照公司披露的流程，Discovered Materials 会把大模型装进一套定制的 Agent harness 中，让它们不断提出新的材料结构和研究方向，再调用材料数据库、代码工具和物理模型，对候选材料的稳定性和性能进行计算筛选。模型得到结果后继续修改方案，再进入下一轮搜索。过去需要研究人员逐个提出假设、计算、失败后再尝试的过程，由此被变成一个可以并行运行的搜索循环。

最近公开的 Material Discovery Bench 更具体地展示了这套方法。测试中，模型可以使用网页检索、Python 和 Bash 环境，以及 pymatgen、ASE 等材料科学工具，并接入用于计算动态稳定性、晶格热导率、介电常数和机械性质的机器学习模型。模型需要自己决定搜索方向、提出候选、调用工具验证，再根据失败结果继续迭代。

但这些都不是最大的门槛。材料发现真正困难的地方在于，它不只是把一个指标推到最高。

以公司寻找的高导热介电材料为例，一个候选材料不仅要把热快速导出去，还必须保持足够好的绝缘能力；与此同时，它还要有足够的机械强度，并在原子结构上保持稳定。Material Discovery Bench 设定的门槛包括热导率高于 20 W/(m·K)、静态介电常数低于 10、杨氏模量至少 20 GPa、剪切模量至少 6 GPa，同时要求材料具有动态稳定性。

这是一个多目标优化问题：某种结构可能导热很好，却介电性能不合格；另一种材料计算性能不错，却太脆，或者无法用现有半导体工艺制造。Lightspeed 投资人 Hemant Mohapatra 将这一过程比作在原子结构上不断“打地鼠”：解决一个问题，另一个问题又可能冒出来，只有多个指标同时进入可用区间，材料才真正有价值。

从计算结果看，AI 已经能够迅速扩大候选空间。Discovered Materials 称，Material Discovery Bench 测试的 7 种前沿模型都找到了此前未知、在计算上具有动态稳定性且满足多项性能要求的候选材料，累计超过 500 种。公司还表示，它已经在内部找到数种性能可匹配现有芯片材料的候选品，并对部分材料进行了实验验证，不过没有公开具体组成，也尚未有产品进入商业部署。

图丨不同前沿模型发现的候选散热材料。（来源：Discovered Materials）

在这 500 多种计算候选中，公司还要求模型给出实验室可以执行的薄膜合成路线，包括沉积方式、前驱体、反应条件和相稳定控制。最终，只有 1 种材料的合成方案被评估为“值得尝试”。大量方案虽然在计算中成立，却在真正制造时存在致命问题，有些甚至被专家判断为不应执行。

图丨 Material Discovery Bench 排行榜。GPT-5.6 Sol 每次运行平均发现 4 种计算上合格的候选材料，并且是目前唯一找到可行合成路线的模型。（来源：Discovered Materials）

这也暴露了 AI 材料发现目前最明显的边界。纵使生成更多候选正在变得越来越容易，但证明一种新材料能够被合成、稳定制造，并最终进入晶圆厂，仍然需要大量物理实验。相关媒体也指出，目前还没有 AI 发现的新材料真正实现大规模商业部署；Discovered Materials 创始人同样承认，相当一部分工作最终必须进入湿实验室，而这部分过程无法像计算搜索那样被大幅压缩。

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

2.https://discoveredmaterials.com/

3.https://discoveredmaterials.com/research/

4.https://www.businesswire.com/news/home/20260810167426/en/Discovered-Materials-Closes-%249M-Seed-Round-to-Accelerate-the-Adoption-of-New-Materials-for-Semiconductor-Chips

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成