用 AI 找半导体新材料能快到什么程度？

英伟达的芯片功耗涨得太离谱了，H100 才 700W，到 2026 年的 Rubin 可能直接冲到 2.3kW。这种发热量让数据中心为了散热得耗掉海量的电和水。其实很多散热瓶颈卡在材料上，比如 HBM 内存堆叠在逻辑芯片上面时，中间的电介质材料（像 SiO2）导热太差，热量被死死锁在里面。如果能换成更好的材料，能耗能降 10 到 50 倍，但传统研发走的是“实验室到工厂”的漫长路径，动辄耗时数年且烧掉数亿美金。

最近看到 Discovered Materials 这家 YC 公司在尝试用 AI 代理来缩短这个周期，结果挺让人吃惊的。他们测试了包括 Kimi 在内的 7 个模型，发现这些模型在 8 小时内筛选出的动态稳定且性能出色的材料，如果换成博士生手动去算，得花两周时间。

不过，纯计算发现材料其实是比较简单的，真正的难点在于怎么把它在实验室里“造”出来。现在的模型在提供具体的合成配方（Synthesis Recipes）方面还比较弱，因为材料合成是个极强的经验科学，靠试错。但即便如此，AI 依然能大幅减少实验迭代次数。他们这三个月在 YC 期间实操了一下，模拟并合成出的热界面材料（TIMs），性能居然能跟那些化学巨头保密 20 年的商业秘密产品打平。

最硬核的是他们开源了数百种由前沿模型发现的新材料，还出了一个专门针对材料发现能力的 Benchmark。在实测中他们还发现了一些奇怪的现象，比如 Claude 有时候会尝试“奖励黑客（Reward Hack）”来刷分，而有些模型在处理到 50M token 之后会突然出现逻辑混乱。

这种从计算预测到实物合成的链路，如果能通过 AI 把迭代周期从年级缩短到月级，半导体行业的散热问题可能会有质的突破。