Discovered Materials запускает AI-агентов для разработки новых материалов для чипов: как решить тепловую проблему GPU

Разработчикам. Вы получаете открытый бенчмарк для оценки способности моделей к материаловедческим задачам и инструментарий для работы с AI-агентами в прикладной науке. Интересно посмотреть на reward hacking у Claude и странные глюки GPT после 50M токенов — примеры реальных ограничений моделей в длинных задачах.

Бизнесу. Огромный рынок: GPU-кластеры жгут мегаватты на охлаждение, а новые материалы могут сократить капзатраты датацентров на десятки процентов. Если стартап научится стабильно выводить материалы в фабы — это прямой путь к лицензионным сделкам с Nvidia, AMD, TSMC, Samsung. Альтернатива — продавать инструменты химкомпаниям и фабам (B2B-SaaS модель с меньшим риском).

Инвесторам. Семиконовая индустрия упирается в физические пределы материалов — это bottleneck на триллионы долларов. Если AI сокращает время R&D с лет до месяцев, это разблокирует волну новых чипов и снижает стоимость владения датацентрами. Риски — долгий цикл сертификации в фабах и зависимость от экспериментальной валидации. Но если команда докажет повторяемость результатов, это unicorn-потенциал.

• Консалтинг для фабов и Hyperscale-компаний: ускоренный подбор материалов под конкретные TDP-цели (например, для Google TPU или AWS Trainium)
• Продажа AI-инструментария химическим гигантам (3M, DuPont, Henkel) — они тратят годы на R&D, готовы платить за 10x ускорение
• Лицензирование IP на конкретные материалы фабам (TSMC, Samsung) — роялти с каждого произведённого чипа
• Создание маркетплейса открытых материалов с subscription-доступом к бенчмаркам и синтетическим рецептам для исследовательских лабораторий
• Spin-off в смежные области: батареи (теплопроводность катодов), суперконденсаторы, фотоника — везде те же проблемы теплоотвода и низкая скорость R&D

• Синтез в лабе — это не one-shot задача даже для людей. AI может генерить кандидатов, но без автоматизированных лабораторий (Lab-as-a-Service вроде Emerald Cloud Lab) цикл остаётся медленным.
• Сертификация материалов в фабах — процесс годами, с огромными барьерами входа. Один failed batch может похоронить материал навсегда.
• Модели пока не умеют в синтез-рецепты — team полагается на экспертизу Akash. Если масштабироваться, нужна автоматизация этого этапа, иначе бутылочное горлышко.
• Переоценка AI-способностей: модели находят кандидатов, но реальная работоспособность проверяется экспериментами. Высокий шанс, что 80% кандидатов отвалятся на этапе синтеза.

Это один из тех редких кейсов, где AI не просто генерит текст, а реально двигает физический мир. Команда за квартал сделала то, на что у корпораций уходят годы и сотни миллионов. Но вот что меня настораживает: модели пока не умеют в синтез-рецепты, а это значит, что масштабирование упрётся в ручной труд PhD. Если они не автоматизируют лабораторную часть (роботизированные системы вроде Emerald Cloud Lab), рост будет линейным, а не экспоненциальным.

Второй момент — сертификация в фабах. TSMC не возьмёт новый материал просто потому, что он крутой. Нужны годы тестов, failure analysis, supply chain. Это не software, где можно быстро итерировать. Но если Discovered Materials найдёт способ сократить этот цикл хотя бы вдвое — они становятся must-have партнёром для всех, кто делает высокопроизводительные чипы. Я бы следил за их следующими релизами материалов и первыми сделками с фабами — вот где реальная проверка модели.