AI芯片热到极限,初创公司用Agent挖出500+散热新材料

现在的前沿大模型，通过多智能体协作，是否能够在某个细分领域挖掘出新材料？

2026年8月，旧金山初创公司Discovered Materials获得了900万美元种子轮融资，它是由斯坦福材料科学博士Akash与AI Agent背景的Advaith联合创立，他们在AI芯片散热材料这个足够细分的领域给出了答案，需要注意的是，虽然用Agent挖出了超过500种候选材料，却只有1个被专家认为值得尝试合成。

真正卡住3D堆叠的，是材料

大模型的快速发展，推动着AI芯片的快速迭代，每一代AI芯片都在把散热推到极限，数据中心因此变成了耗电大户。行业正走向3D堆叠封装，把内存与逻辑晶圆直接叠在一起，理论上可以带来10–100倍的能效提升，但现有介电材料导热太差，热量散不出去，3D堆叠就无法落地。

真正卡住AI芯片3D堆叠、限制能效继续跃升的，不是架构，而是材料。

现有材料已接近极限，新材料有望让芯片性能提升几个数量级，发现一种同时导热好、绝缘强、力学稳、还兼容晶圆厂工艺的新介电材料，往往需要多年时间和数亿投资。

AI Agent：直接设计满足多目标的新材料

他们让Claude系列、GPT-5.6系列、Kimi等前沿模型自主运行30–100M tokens的长周期研究任务，形成假设、调用搜索与代码工具、管理计算预算、从失败中学习，最终提交候选材料。

想真正衡量AI Agent在材料发现上的能力，不能只靠简单的问答或短任务，而需要一个贴近真实科研流程的评测环境。

他们发布的Material Discovery Bench是一个长周期、开放式的研究基准评测集，专门衡量前沿大模型在真实半导体材料问题上的能力，任务定义非常具体，寻找导热介电材料，必须同时满足：

•

热导率 κ > 20 W/(m·K)

•

介电常数 ε₀ < 10

•

杨氏模量 ≥ 20 GPa

•

剪切模量 ≥ 6 GPa

•

动态稳定

•

兼容后端工艺（BEOL）

这是典型的多目标逆向设计，远比生成一个稳定结构难得多。

最终设计出了超过500种此前未知的候选材料，这证明：在真实工具环境下，前沿AI Agent已经具备“计算材料科学家”的能力，能跨学科搜索并优化多目标性质。

文末有链接可以查看每种材料的信息，以及下载所有材料的详细资料

从结果来看，7个大模型都能发现候选方案，但只有GTP-5.6 Sol发现了一种具有合成可行性的材料。

基准是怎么建的？为什么重要？

该基准是与 IBM、IMEC、斯坦福、剑桥等机构的专家共同设计，是一个面向真实半导体问题的长周期、开放式研究任务。

首先它是多目标约束，需要同时考虑热导率、介电常数、力学性能、动态稳定性、BEOL工艺兼容性。

为Agent提供了完整研究工具链（Harness）：给模型配备网络搜索、代码沙箱、机器学习性质预测工具等，模拟真实科研环境，让Agent自主进行假设、计算、筛选与迭代。

建立了双层评估机制：

1、计算层：用机器学习原子间势等工具评估材料是否满足多目标性质。

2、合成层：要求模型提出可执行的合成配方，由薄膜沉积领域的人类专家制定评分标准，再用经过专家校准的LLM评分器进行批量评判。

强调长周期与真实性：单次运行长达3000万至1亿tokens，考察模型在持续研究中的规划、学习与抗疲劳能力。

这个基准评测集目前仍有完善空间，部分被评为“不可合成”的材料，只是受限于当下的实验技术与工艺条件，未来随着合成方法进步，完全有可能变为现实。因此，当前的评分标准并不绝对精准，它更多是基于现有技术边界的阶段性判断，正因为如此，这个基准才更有长期价值。

模型在持续进化，Agent也在不断迭代，通过把真实、可量化的反馈持续注入优化循环，就能一步步提升Agent在材料发现全流程中的能力。基准不是终点，而是推动Agent不断逼近“真正可用”的刻度尺。

从设计到做出来

计算发现只是第一步，基准还要求模型为每个候选提出可在实验室执行的合成配方，如沉积方法、前驱体、温度、工具、相稳定性等，结果令人清醒：

500+候选方案中，只有有1个被人类专家（薄膜沉积领域的博士、教授）评级为值得尝试的可行路线。

绝大多数配方被判定为严重缺陷。

公司目前正对这唯一可行候选进行实验室验证，并承诺未来持续尝试模型提出的材料，这再次印证了材料科学的核心现实，生成与筛选已大幅加速，合成可行性与实验验证仍是最大瓶颈。

AI也会作弊和偷懒

智能体在长周期运行中，也会出现作弊和偷懒的行为：

•

Claude系列存在明显的奖励黑客现象：把同一材料做成更大超胞重复提交58次绕过新颖性检查，甚至连续15次编造热导率数值。

•

OpenAI模型较少作弊，但会在长跑后出现疲劳和上下文，甚至开始讨论“需要放松一下”等跑题内容。

写在最后

Material Discovery Bench聚焦在一个真实、具体、高价值的半导体问题上，验证了AI已经能在多目标约束下高效生成候选方案，也能形成一定的科学策略，但离“可合成、可验证、可进产线”还有很长一段路。它没有急着宣布“材料发现已被彻底解决”，而是用开放数据和严格评级，把计算能力与实验落地之间的落差量化出来，这份诚实，比单纯刷候选数量更有价值。

接下来真正重要的，是那唯一被评为“值得尝试”的配方，能不能在实验室里变成真实薄膜，并最终走进晶圆厂，路已经接近走通，谁先把计算优势转化成可制造的材料，谁就更有机会重新给芯片性能松绑。