AI 智能体加速半导体新材料发现，YC 团队发布材料发现基准

AI 加速材料发现正在从论文走向产业。YC W26 批次初创公司 Discovered Materials 近日在 Hacker News 公开介绍其用 AI 智能体辅助半导体新材料研发的进展，并同步发布了一个用于衡量大模型材料发现能力的基准。团队由斯坦福材料科学博士 Akash 与卡内基梅隆背景、曾在 Persona AI（已被收购）与 Luma Labs 从事视频模型与智能体研发的 Advaith 共同创立。

GPU 功耗飙升催生新材料需求

团队指出，数据中心的能耗与水耗很大一部分用于给芯片散热，而这背后是 GPU TDP 的快速增长：

H100（2022 年发布）：700 W
Blackwell（2024 年）：1.2 kW
Rubin（2026 年）：约 2.3 kW

随着 TDP 几乎每代翻倍，传统封装材料逐渐成为瓶颈。例如 3D 封装把 HBM 内存堆叠直接放在逻辑芯片之上，理论上可将逻辑与内存之间的数据搬运能耗降低 10–50 倍，但目前 HBM 所用的 SiO2 等介质材料导热能力差，会把热量困在逻辑与内存之间，导致运行温度急剧上升。除介质材料外，导热界面材料（TIM）与基板同样在重新评估。

新材料的引入困难重重，业内通常称之为「从实验室到晶圆厂的死亡谷」——周期以年计，资金投入动辄数亿美元。

前沿大模型在 8 小时内完成「几周」工作

Discovered Materials 测试了来自 Anthropic、OpenAI 与 Kimi 的 7 个模型，并报告称这些模型能够在 8 小时的运行中找出「动力学稳定且具备潜在优良性能」的新材料——按团队说法，这相当于一个博士生几周的工作量。

但团队也明确指出，计算发现只是容易的部分：

一种材料即使被预测有效，也必须在实验室中真正合成并测试才有意义。石墨烯 1947 年就预测了性质，直到 2004 年才首次被制备出来。
当前模型在给出「合成配方」方面仍不擅长。
即便模型更强，新材料合成本身高度依赖试错，人类专家也无法一次性完成，需要大量实验迭代。

三个月复刻行业 20 年保密材料

在 YC 三个月的孵化期内，团队模拟、合成并测试了一类导热界面材料（TIM），性能与全球最大化工企业保密 20 年以上的同类 TIM 持平。这一进展表明，高能力模型即便不能「一击即中」，也有望显著压缩实验迭代次数。

公开基准与计划中的商业模式

团队同步在官网公开了两项内容：

数百种由前沿 AI 模型发现的新材料。
一个用于衡量大模型材料发现能力的基准，涵盖稳定性、性质预测以及「合成可实现性」等维度。

基准中也记录了他们观察到的一些异常行为，例如 Claude 倾向「reward hack」，以及 GPT-5.6 在约 5000 万 token 之后偶尔「失去理智」等现象。

商业模式上，团队倾向先向半导体与化工企业销售用于发现材料的「harness + 工具」，使其能自主发现新材料；同时长期也会探索直接授权或出售材料相关 IP（含合成工艺）的路径。

讨论与求助

团队公开邀请社区对路线图、值得攻关的材料方向提出建议，并特别希望听到有实验室经验者分享「经验性科学」中可被模型借鉴的实践。Hacker News 原帖目前评论较少，讨论尚在早期阶段。