Discovered Materials 正在用 AI 寻找更凉爽的芯片——因为发热壁垒如今已与计算壁垒同样真实

一家初创公司正在利用人工智能搜索可能的半导体和散热材料空间。在每芯片1000W的功耗下，热管理正成为数据中心密度的限制因素。

简言之： Discovered Materials 公司利用人工智能寻找用于芯片的新型半导体和热管理材料。商业价值在于：随着 AI 训练芯片功耗突破 700-1,000W/单元，散热已成为与计算密度同等重要的制约因素。

他们要解决的问题

现代 AI 加速器（如 H100、B200 级别）产生的热量规模限制了其在机架中的密集部署。液冷技术虽有助于散热，但无法从根本上解决问题——即材料本身的限制。更好的热导体、相变材料及新型半导体基板，能让芯片在不降频的情况下运行更高温度，或在相同性能下运行更低温度。

Discovered Materials 采用“AI 循环搜索”模式：生成候选材料成分，通过计算预测其性能，基于可制造性约束筛选，并迭代优化。TechCrunch 将其形容为“AI 打地鼠”——搜索空间广阔，而有用的候选材料稀少。

技术细节

人工智能材料发现领域包括 DeepMind 的 GNoME（220 万种晶体结构）、微软的 MatterGen 及 Meta 的 Open Catalyst Project。Discovered Materials 专注于半导体的热管理应用——这是一个比广义晶体结构发现更具体、商业化更近的目标。

重要性

计算规模的瓶颈正逐渐演变为物理问题。材料 AI 是一个可信的长期杠杆，但从“模拟发现”到“可量产”的差距仍然巨大。这是一项为期 5 年的基础设施赌注，而非下季度的解决方案。若你关注 AI 堆栈的硬件层面，值得持续关注。