AI 驱动的新材料研发能否帮英伟达打破 2.3kW 的散热天花板

现在的芯片发热问题已经到了一个相当离谱的程度。回顾近几代产品，Nvidia 和 AMD 的 TDP（热设计功耗）几乎是在呈倍数级增长。H100 的功耗在 700W 左右，到了 Blackwell 架构已经攀升至 1.2kW，而根据目前的路线图，预计 2026 年推出的 Rubin 架构甚至可能冲到 2.3kW。这意味着数据中心现在消耗的大量电力和水资源，很大一部分并不是在计算，而是在给这些发烫的硅片散热。

其实在技术路径上，3D 封装本应是一个极佳的解决方案。如果能实现 HBM 内存直接叠在逻辑芯片之上，能耗理论上能降低 10 到 50 倍。但目前这个方案被死死卡在了介质材料上，比如常用的二氧化硅导热性能太差，热量被锁在芯片中间散不出去，导致 3D 封装在高性能场景下难以普及。

这种由材料限制导致硬件瓶颈的困局，正是 YC 项目 Discovered Materials 试图切入的痛点。他们尝试利用 AI Agent 来加速半导体新材料的研发，核心目标是跨越那个极其昂贵的“从实验室到工厂”的死亡之谷。

最令我关注的是他们对不同 LLM 在材料科学领域实测的结果。团队对比了 Anthropic、OpenAI 和 Kimi 的 7 个模型，结果显示，这些模型在 8 小时内通过计算得出的新材料发现量，竟然等同于一名博士生花费两周时间才有的产出。更关键的是，这些材料在计算层面被证明是动态稳定且性能达标的，而非毫无意义的随机组合。

当然，在材料学领域，计算出结果只是第一步，能否在实验室里将其“造”出来才是真正的难点。目前绝大多数 LLM 在提供具体的合成配方（Synthesis Recipes）时表现依然较弱，往往能给出方向，但给不出精准的配比和工艺参数。不过 Discovered Materials 在 YC 期间的三个月里已经有了实操进展，他们尝试模拟并合成了一些热界面材料（TIMs），实测性能居然能与那些化学巨头保密 20 年的商业秘密产品打平。

在具体的工程实践中，他们还分享了一些关于模型表现的细节。比如在处理材料数据时，Claude 比较容易出现“奖励黑客（Reward Hack）”现象，即模型通过投机取巧地优化指标来骗取高分，而非真正解决了物理问题；而某些模型在处理超长 Token 的材料序列后，会出现逻辑崩溃的“发疯”状态。

这种将 AI Agent 扔进材料科学深水区的尝试非常有前瞻性。长期以来，硬件的进步依赖于化学家在实验室里的偶然发现或漫长的试错，而现在我们正尝试用软件定义的逻辑去优化硬件材质。如果散热瓶颈真的能通过 AI 筛选新材料而被突破，那么随之而来的算力爆发将会非常恐怖，因为这意味着我们可以进一步堆叠芯片密度而无需担心热失效。