贝佐斯押注AI造芯片材料：两岁公司估值10个月涨5倍

一家成立两年的英国公司，公开项目中尚未有一个候选材料走出实验室，却在约 10 个月内将估值从 5.2 亿美元推高至 26 亿美元。2026 年 7 月 20 日，CuspAI 宣布完成 4.5 亿美元 B 轮融资，贝佐斯旗下投资机构参与；它还拉来英伟达、Meta、三星、应用材料、东京电子等超过 45 家机构，组建 AI Materials Foundry（AI 材料铸造厂）。资本押注的是一个尚未得到工业验证的判断：AI 不仅能写代码，也能为下一代芯片寻找现实世界中还不存在的材料。

本轮融资由 Kleiner Perkins 和 New Enterprise Associates 领投，贝佐斯的个人投资机构 Bezos Expeditions “重大参与”。英国主权 AI 基金、Lux Capital、AMD Ventures、荷兰国家投资机构 Invest-NL 以及硅谷投资人 John Doerr 成为新股东，淡马锡、Prosus 等老股东继续跟投。

不到一年前，CuspAI 刚完成 1 亿美元 A 轮融资，当时的估值为 5.2 亿美元。新一轮融资让其估值增长至原来的 5 倍。公司计划把资金投入剑桥、新加坡和旧金山湾区的合作实验室，并向美国、亚太和欧洲扩张。

前苹果机器学习与 AI 战略高级副总裁 John Giannandrea 也加入其中。他曾负责 Google 的 AI 研究和搜索业务，现在以兼职方式协助 CuspAI 建立美国材料铸造业务。AMD 董事、Lam Research 董事长 Abhi Talwalkar 则进入公司顾问委员会。

图丨CuspAI 联合创始人 Max Welling 和 Chad Edwards（来源：CuspAI）

这份人员名单呈现出 CuspAI 的野心：联合创始人 Max Welling 长期研究生成模型，Giannandrea 带来大型 AI 系统经验，Talwalkar 熟悉半导体设备和制造。公司希望把算法、材料科学和晶圆厂连成一条研发链。

传统材料研发通常从一种已知结构出发。科学家先合成材料，再测量导电性、稳定性和耐热性，随后调整配方、重新实验。一个新材料从发现到进入工业生产，往往需要数年甚至十余年。

CuspAI 采用“逆向设计”。客户先提出目标，例如寻找一种导电性接近钌、供应风险更低、能够在特定温度下沉积的材料，模型再生成候选结构，预测性能，并排除明显不稳定或难以合成的配方。

其核心平台 MIRA 覆盖材料生成、原子级模拟、合成路线规划和实验验证。CuspAI 还获得剑桥结构数据库、无机晶体结构数据库等材料数据的 AI 训练权，并使用 Meta 的通用原子模型（Universal Model for Atoms，UMA）模拟原子之间的作用。

生成模型并非整套系统中最稀缺的环节。英伟达为 AI 材料铸造厂提供算力，Meta 提供开放模型；应用材料、东京电子和 Lam Research 掌握半导体工艺设备；大学和研究机构提供实验设施。合作伙伴的测试结果还可以回流平台，成为下一轮训练的数据。

CuspAI 此次推出的更像一套材料研发网络。它试图控制从数据、计算到合成验证的完整闭环，又无需独自建造所有实验室和晶圆设备。这个网络能否持续产生独有数据，可能比单个模型的性能更能决定公司的长期价值。

CuspAI 最初把碳捕集和水净化作为主要方向，2025 年后开始向半导体材料倾斜。CEO Chad Edwards 称，芯片供应链的需求非常强烈，公司 2026 年约 80% 的研究资源将投向材料发现。

先进芯片不断微缩，铜互连线也越来越窄，电阻随之上升，芯片性能和能效受到影响。应用材料已在先进制程中引入钌钴合金薄膜，为铜互连提供衬层；其公开数据显示，该方案可将线路电阻最多降低 25%，支持 2 纳米及更先进节点。

钌和铱属于铂族金属，并非严格意义上的稀土。它们产量小、供应地集中，价格容易受矿山运营和地缘因素影响。美国地质调查局数据显示，2025 年全球最大的铂族金属矿产国南非产量下降约 9%，钌的年度平均价格上涨 53%。

CuspAI 希望为芯片制造寻找能够减少或替代钌、铱使用的材料。不过，一种候选物在模拟中导电，还远远不够。它必须同时满足热稳定性、附着性、沉积均匀性、设备兼容性和大规模生产良率等要求。任何一项不合格，都可能让一份漂亮的计算结果止步于数据库。

应用材料、三星、比利时微电子研究中心 imec 和设备厂商进入联盟，说明 CuspAI 已经把工艺验证视为核心环节。晶圆厂也很少仅为一项理论性能优势，承担改变生产流程的成本与风险。AI 可以压缩寻找候选材料的时间，却无法省略晶圆制造中漫长而昂贵的可靠性测试。

CuspAI 此前的碳捕集项目已经展现了 AI 筛选的速度，但也暴露了数字材料与真实材料之间的距离。

公司曾与 Meta 合作建立一个包含约 300 万亿种金属有机框架（Metal-Organic Frameworks，MOF）结构的数据库，再从中筛选出 10 种碳捕集候选材料。最终合成出的结构不到 10 种，没有一种性能超过市场上的现有材料。Edwards 承认，它们没有达到行业领先水平。截至此次融资，CuspAI 公开项目中仍没有候选分子完成实验室外的产业化验证。

与芬兰化工企业 Kemira 合作的全氟和多氟烷基物质（PFAS）净水项目进展更快。CuspAI 从约 300 万亿种结构中生成超过 5,000 个材料设计，再用 6 个月将范围缩小到约 20 个候选物。项目接下来才进入合成与测试阶段。

从计算结果走到可用材料，是整个 AI 材料领域都在面对的验证关口。Google DeepMind 的图网络材料探索系统（Graph Networks for Materials Exploration，GNoME）预测出 220 万种新晶体，其中约 38 万种被认为具有较高稳定性；论文同时发现，736 种预测结构已在同期的其他研究中被独立合成。这证明 AI 能够扩大材料搜索范围，但“结构可以合成”仍不同于满足特定性能、成本和量产要求。

微软的 MatterGen 向前推进了一步。研究人员根据目标指标生成材料，并合成其中一个候选物，实测性能与设定目标相差不到 20%。这仍属于概念验证，距离稳定生产和商业使用还有多轮测试。CuspAI 组建材料铸造厂，瞄准的正是计算筛选之后更慢、更昂贵的验证环节。

候选材料的数量正在迅速膨胀，实验验证的速度却没有同比增长。模型负责扩大搜索范围，合作实验室负责淘汰不能制造、成本过高或性能不稳定的结果，新的实验数据再进入模型。CuspAI 希望把这个循环变成自己的商业壁垒。

这也解释了贝佐斯的兴趣。CuspAI 的融资发生在他进一步押注工业 AI 之后。2026 年 6 月，贝佐斯参与创办并共同领导的 Prometheus 完成 120 亿美元融资，估值达到 410 亿美元，目标是开发服务于制造、工程和其他物理产业的“通用人工工程师”。

两笔投入指向相似的方向。语言模型已经证明机器能够压缩文字和软件生产周期，下一批高额赌注开始转向材料、工程与制造。那里的数据更少，验证成本更高，却也更接近芯片、能源和工业产品的价值源头。

CuspAI 目前得到的 26 亿美元估值，仍主要建立在模型、人才和合作名单之上。最终决定这份名单价值的，将是第一种 AI 设计的材料何时离开屏幕，进入晶圆厂的生产线。

参考资料：

1. https://medium.com/@CuspAI

2.https://www.cnbc.com/2026/07/20/bezos-cuspai-new-chip-materials-nvidia.html

3.https://www.businesstimes.com.sg/startups-tech/technology/bezos-others-invest-temasek-backed-ai-startup-discover-new-materials-chipmaking

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成