CuspAI启动AI材料铸造厂：英伟达、Meta、三星等45+巨头组建全球研发网络

AI 不只在写代码、生成图片，它正在进入更慢、更昂贵也更接近实体产业的材料研发。英国材料智能公司 CuspAI 推出的 AI Materials Foundry，已经聚集 NVIDIA、Meta、Samsung、Hyundai、Applied Materials、Lam Research、Merck、Fujifilm、SoftBank 等超过 45 家企业和科研机构。

这并不是一座传统意义上的单体工厂，而是一张跨区域研发网络：CuspAI 用 MIRA 智能体平台进行材料生成与任务编排，合作伙伴提供原子模型、GPU 算力、结构数据、实验设施和工业场景，目标是把“设计—模拟—合成—验证”压缩成一条连续管线。

CuspAI是谁：两年时间聚集超过6.5亿美元资本

CuspAI 成立于 2024 年，由 Chad Edwards 与机器学习研究者 Max Welling 联合创办，总部位于英国剑桥。公司专注用生成式 AI 与分子模拟发现半导体、能源、气候和先进制造所需的新材料。

2026 年 7 月，公司宣布完成 4.5 亿美元 B 轮融资，并同步推出 AI Materials Foundry。官网披露其累计融资已超过 6.5 亿美元，投资方包括 Kleiner Perkins、NEA、Temasek、NVentures、Bezos Expeditions、Samsung 和 Hyundai Motor Group。巨额融资的落点不是继续做一个孤立模型，而是建设能够触达真实实验和工业需求的材料研发基础设施。

45+成员如何协作：模型、数据、算力、实验四层闭环

AI Materials Foundry 可以拆成四层：

1. 模型与智能体层：MIRA 负责从目标性能出发生成候选材料，安排模拟、合成路线规划和协同实验；Meta FAIR 的 UMA 提供跨元素体系的原子相互作用建模能力。
2. 模拟与算力层：CuspAI 与 NVIDIA ALCHEMI 团队开发开源分子模拟工具 kUPS，并用 NVIDIA 加速计算把候选生成连接到 GPU 规模的物性预测。
3. 数据层：ICSD、Wiley 等伙伴提供结构化晶体数据与经过同行评议的科学内容，企业还可在保密框架下利用私有数据。
4. 实验与工业层：材料公司、设备商、大学和实验室负责合成、表征、验证与工艺适配，把计算候选变成可测试实体。

这套架构最重要的变化，是让 AI 不再停留在“生成一张候选清单”，而是进入有反馈的闭环：实验结果回流模型，模型再调整下一轮搜索。

MIRA为什么被称作“物质世界搜索引擎”

传统材料研发常常从已知化学体系出发，依靠专家经验和大量试错寻找可用配方。MIRA 的思路更像带约束的生成搜索：用户先描述目标强度、导电性、耐温、吸附能力、可合成性或成本边界，系统再在巨大的化学空间中生成候选，并调用模拟工具排除明显不合格的结构。

这不是穷举所有分子。算法需要学习结构与性能之间的关系，把近乎无限的组合压缩为一小批值得进入实验室的候选。真正的效率提升来自“少做无意义实验”，而不是让 AI 替代化学定律或实验验证。

PFAS案例：6个月从300万亿结构缩小到约20个候选

CuspAI 与芬兰化工企业 Kemira 的合作，为这套方法提供了一个具体样本。双方希望设计用于去除水中 PFAS“永久化学品”的新型金属有机框架材料。

Kemira 官方披露，项目探索了约 300 万亿种可能结构，为 GenX、PFBS 和 PFOS 三类目标分子生成超过 5000 个带完整属性数据的新设计，最终缩小到约 20 个优先候选，第一阶段用时 6 个月。

这里必须区分“计算候选”和“商业材料”。这些候选仍在进入进一步开发与测试，需要验证合成成功率、水环境稳定性、选择性、再生能力、成本和规模化生产。AI 把数年探索压缩到数月，说明它显著加快了早期发现，但尚不等于产品已经量产。

AI材料真正的难点：不是预测，而是把候选做出来

材料模型可以预测某种结构“可能”具有理想性质，工业落地还要经过一连串更苛刻的问题：

• 候选结构能否用现实可得的原料稳定合成；
• 实验室小样在温度、湿度、压力和杂质存在时是否仍然有效；
• 性能能否在公斤、吨级制造中保持一致；
• 工艺、设备、能耗与供应链成本是否可接受；
• 材料是否满足安全、环保、法规与生命周期要求；
• 合作伙伴之间如何处理私有数据、专利归属和负面实验结果。

因此，Foundry 的价值不只在 MIRA 模型，而在于它把拥有设备、数据和制造经验的企业拉入同一个验证网络。实验反馈越快，模型越能学习哪些预测在现实世界里真正成立。

为什么英伟达、Meta和三星都愿意加入

不同成员在这张网络中的利益并不相同。NVIDIA 获得高性能计算和科学计算的新增长场景；Meta 的 UMA 能在更多真实材料任务中被验证；Samsung、Applied Materials、Lam Research 等半导体企业需要更快寻找介电、光刻、封装、散热和电池相关材料；Hyundai、Kemira 与能源企业则希望解决交通、气候和水处理问题。

对工业公司而言，加入 Foundry 可以减少独自建设基础模型、数据管线和自动化实验平台的成本。对 CuspAI 而言，合作伙伴提供了最稀缺的资源：高质量实验数据、真实工业问题和验证设施。

AI for Science商业化正在从“卖模型”转向“卖闭环”

AI 材料公司的竞争焦点正在变化。单次预测准确率仍然重要，但更决定商业价值的是：能否持续提出可合成候选、快速获取实验反馈、保护客户数据，并把项目推进到可制造阶段。

这也是 AI Materials Foundry 比“材料版搜索引擎”更准确的定位。它更像一个由智能体调度的研发操作系统，通过模型、数据、GPU、实验室和产业伙伴共同缩短从需求到验证的周期。

不过，官网宣称的“全球最大精选实验材料数据集”及效率指标主要来自公司披露。外部评估时仍应要求明确数据覆盖范围、训练测试隔离、实验成功率、失败案例和与传统研发基线的对照条件。

企业评估AI材料平台，应重点看这6个指标

1. 实验命中率：进入实验室的候选中，有多少能合成并达到关键性能。
2. 周期压缩：从需求定义到可验证样品，实际节省多少时间。
3. 综合成本：不仅计算 GPU 费用，也包括实验、原料、设备和失败重做。
4. 规模化差距：小样性能到生产线之间还需要多少工艺开发。
5. 数据治理：客户私有数据是否隔离、可审计，模型训练权和知识产权如何约定。
6. 可复现性：是否保留模型版本、模拟参数、合成路线和实验原始数据。

结论：AI材料“超级工厂”的核心不是大，而是闭环速度

CuspAI 的 AI Materials Foundry 把超过 45 家企业和科研机构组织成一张跨区域网络，阵容确实罕见；但它能否成为材料行业的基础设施，最终取决于有多少计算候选能走过合成、验证、放大和量产。

PFAS 项目已经展示了 AI 在早期探索阶段的速度：300 万亿种可能结构被压缩为约 20 个优先候选，只用了 6 个月。下一阶段更关键的问题，是这些候选中有多少能成为稳定、可制造、具有商业竞争力的材料。

如果这条“模型—数据—算力—实验”闭环能够持续运转，AI for Science 的商业模式就会从提供预测软件，升级为直接交付经过验证的材料研发进度。这才是这座“AI材料铸造厂”最值得关注的地方。

常见问题

AI Materials Foundry是一座实体工厂吗？

不是单一实体工厂，而是由CuspAI协调、连接模型、数据、算力、实验室和产业伙伴的全球研发网络。

CuspAI的核心平台是什么？

核心是MIRA智能体平台，覆盖生成式材料设计、模拟、合成路线规划和协同实验验证。

AI设计出的材料可以直接量产吗？

不能。计算候选仍需经过合成、性能验证、稳定性测试、工艺放大、法规和成本评估。