用 AI「发明」新材料：剑桥初创 CuspAI 想造一台分子搜索引擎

TechCrunch 在报道中把 CuspAI 的方法论概括得相当直白：现代材料研发的常规做法是先把东西做出来，再用计算机验证它到底是不是你想要的；CuspAI 把这个顺序整个翻转——先用生成式 AI 设计出满足指标的材料，再进入实验环节。首席 AI 官 Max Welling 给出的比喻是「一台面向所有潜在分子的搜索引擎」：你描述需求，它负责在近乎无限的化学空间里找到答案。这套逆向设计闭环可以拆成五个环节：

1. 1需求即输入把目标性能写成约束条件，例如「在某组温压工况下选择性结合二氧化碳」，替代传统课题立项式的模糊目标。
2. 2生成式搜索模型批量生成候选结构——注意这不是在已知材料库里检索，而是在可能的化学空间中枚举尚未存在的选项。
3. 3快速筛选评估用深度学习势能与分子模拟对候选做稳定性、性能指标的快速打分，把海量候选压缩到可实验的规模。
4. 4实验闭环验证实验室真实合成并测试，结果数据回流用于校准模型。Welling 强调这一步是保证材料「可合成、稳定、可用于生产」的关键。
5. 5交付与应用输出满足指标的材料方案，与合作方共同推向碳捕集等实际工况，具体合作形态以官网披露为准。

AI4Science 方向的公司成色如何，很大程度上取决于团队能否同时压住「算法」和「化学」两端。CuspAI 的两位创始人恰好各占一头：

阿姆斯特丹大学教授，图神经网络方向的代表学者之一，与 Thomas Kipf 合著的 GCN 论文是该领域被引用最多的工作之一；曾担任微软研究院与高通的杰出科学家及副总裁。

化学家出身，职业生涯横跨谷歌、化工巨头巴斯夫（BASF）与量子计算公司 Quantinuum，长期专注深科技的产业化落地，补上了从论文到工厂之间最容易断掉的一环。

围绕两人的外围阵容同样醒目：Hinton 以顾问身份参与；谷歌 DeepMind 出身的 Mehdi Ghissassi 与 Dorothy Chou 以个人投资者身份进入种子轮名单。对一家需要同时说服资本与工业客户的科学初创来说，这种背书组合的价值不亚于融资本身。

公开叙事中，CuspAI 把第一个主攻方向锁定在碳捕集材料上——为 AI 数据中心能耗激增带来的碳排放寻找吸附解决方案，这也是媒体报道反复引用的故事主线。更完整的潜在场景版图大致如下表：

把 CuspAI 放进更大的坐标系看，它的挑战至少有三层。其一，数据壁垒：高质量的材料实验数据远比互联网文本稀缺，模型精度高度依赖自有实验回环的积累速度。其二，验证周期：软件可以周更，材料的衰减、毒性、规模化成本检验却以月和年计，商业化的时间表天然比纯软件公司长。其三，竞争密度：DeepMind 的 GNoME 等研究线、各大化工巨头的内部数字化团队以及多家同赛道初创都在逼近类似目标，差异化最终要靠「交付出真实可用材料」来证明。对观察者而言，判断这类公司的健康度，与其盯估值，不如盯两点：实验回环的吞吐量，以及有没有拿得出手的工业合作订单。