AI 能否创造出从未存在过的材料？

来源： YouTube (Agents of Tech) | Max Welling | May 14, 2026 分类： 其他 原文发表： May 14, 2026 纪要生成： 2026-06-25

全集重点

搜索引擎式材料发现：CuspAI 旨在打造一个材料界的“搜索引擎”，输入需求即可获得全新材料设计方案。
从数字世界到原子世界：与纯软件不同，CuspAI 的核心挑战在于将 AI 生成的分子在现实世界中成功合成、验证并大规模制造。
2026年兑现承诺：Max Welling 预测 2026 年将在半导体领域率先看到由 AI 设计并投入实际产品应用的材料突破。
合作伙伴是关键：通过与 Hyundai、Kemira 等行业伙伴深度绑定，利用其领域专长和实验设施来克服现实世界的摩擦。
超越聊天的AI价值：团队坚信材料科学是 AI 产生最大正面影响的领域，尽管他们也在内部使用 LLM（大语言模型），但其最终目标远不止于聊天机器人。

嘉宾/话题简介

Max Welling 是 CuspAI 的联合创始人，也是现代 AI 领域的先驱之一。与当前大部分 AI 公司专注于构建聊天机器人（LLM）不同，他的公司致力于利用 AI 发现和创造全新的材料，旨在解决碳捕获、水净化、塑料替代品及高效电池等重大全球性挑战。本期节目深入探讨了 CuspAI 的技术路线、从理论到现实的规模化障碍，以及该公司豪言在数月内而非数千年内实现万亿级材料突破背后，2026 年具体能“交付”什么。

分节详述

00:00 引言：AI 先驱的另类押注与 CuspAI 的宏大愿景

本节重点

CuspAI 专注于利用 AI 发现新材料，而非开发聊天机器人。
公司估值据传超 5 亿美元，但尚未有材料大规模部署。
节目组对 AI 驱动科学发现的可实现性存在分歧，引出了 AlphaFold 的对比与挑战。

详细精要

节目开篇定调——AI 先驱的共识与分歧：
诺奖得主 Geoffrey Hinton 与图灵奖得主 Yann LeCun 在 AI 风险上几乎观点相左，但他们都共同支持了 Max Welling 创立的 CuspAI。
这家公司的独特之处在于，它不追逐聊天机器人（Chatbot）的热潮，而是专注于通过 AI 寻找从碳捕获到高效电池等领域的全新材料。
对 CuspAI 当前状态的观察与质疑：
有估计称，CuspAI 的公司估值已超过 5 亿美元。
然而，至今尚未有任何一种由其发现的材料实现了大规模商业部署。
核心疑问在于：如果 AI 能发现新物质，这是一项足以改变一切的底层逻辑，但它真的能做到吗？何时能实现？
节目组内部的正面期待与现实怀疑：
主持人之一表示非常兴奋，因为终于不用再讨论 LLM（大语言模型），而是谈论真正实际且有用的东西，就像打造一个输入需求即可获得新物质的“材料搜索引擎”。
他喜欢这是一个大胆的声明，能在几个月内带来价值数万亿美元的材料突破，以及像现代汽车（Hyundai）这类的实质性合作。
另一位主持人则表达了对 AI 推动科学的高度怀疑，认为科学家的智慧极高，AI 生成新物质并在现实世界中制造出来极其困难。
她引用了 AlphaFold 的例子作为对比。尽管 AlphaFold 最终成功并获得诺奖，但其过程极其艰难，经历了多次失败和迭代，这得益于 DeepMind 拥有的大量、可靠、长期积累的实验数据。
CuspAI 与 AlphaFold 的关键差异分析：
AlphaFold 的成功建立在数十年积累的海量、干净的蛋白结构数据库之上，具备立即验证的条件。
CuspAI 面对的材料科学领域缺乏如此大规模的现成数据、计算验证慢、实验验证更慢，这暗示了他们面临的是一条比 AlphaFold 更加崎岖的道路。

💬 精华片段（中文）

"I think the best comparison for me is AlphaFold. And I think because we've spoken to John Jumper... CuspAI doesn't have all the luxuries that the AlphaFold team had, which was data, which was scale, just reliable, experimental data..."

“对我来说，最好的对比对象就是 AlphaFold。因为我们采访过 John Jumper……CuspAI 并没有 AlphaFold 团队所拥有的那些奢华条件，那就是数据、规模，以及可靠、可快速获取且长期积累的实验数据。”

03:00 Max Welling 对话：2026年“交付”蓝图

本节重点

2026 年目标是设计材料并与合作伙伴共同在现实世界中合成与测试。
工作流始于需求检索，然后通过生成模型在茫茫化学空间中创造全新分子，再由数字孪生进行筛选。
建立快速反馈循环是关键，包括对接高通量、自驱动的湿实验设施。

详细精要

2026年具体交付目标与平台构建：
2026 年主要工作是搭建平台，并结合客户需求，设计新物质并实际合成，将它们带入现实世界。
设计领域广泛，涵盖了半导体材料、电池材料、燃料电池材料，以及用于吸附水中污染物（PFAS——全氟和多氟烷基物质）或大气中二氧化碳的材料。
目标是到 2026 年底前，将这些材料通过合作伙伴送入现实。
理论到实践的完整工作流揭示：
第一步——需求输入：客户提出具体需求，例如想要一种具有特定属性集的新材料。
第二步——文献检索与评估：系统会启动一个 AI 代理（Agent），从内部数据库和开源文献中进行搜索，评估现有材料的适配性。
第三步——生成全新候选材料：如果现有材料均不满足需求，CuspAI 的生成式模型就会介入，创造出前所未有的、成千上万乃至数百万种的潜在新材料结构。
第四步——数字孪生验证：利用被称为“数字孪生（digital twin）”的系统进行筛选。这分为两个层次：
- 快速的、低成本的属性预测器，用于初步判断材料是否能合成、其基础属性是否符合理论要求。
- 更精密的分子动力学模拟，精确评估材料的高保真度属性。
第五步——提供合成配方：通过筛选的材料，系统会生成一份详细的合成配方（synthesis recipe），交由客户的化学家去合成与测试。
加速现实世界反馈的战略：
在 2026 年的另一个核心目标是连接高通量自驱动实验设施（high throughput self-driving lab experimental facilities）。
他们在全球范围内拥有合作伙伴，可以借此接收物理世界实验的反馈。
这种反馈比传统方式快得多，能将实验测量结果带回平台，重新训练 AI 模型，形成一个“数字世界模拟”与“物理世界实验”之间高速互动的闭环。

💬 精华片段（中文）

"...our generative models come into play. They will then generate entirely new… materials that have never seen the light of day in this universe... after all that is done, we then typically generate a synthesis recipe. And with our customers, we then start to synthesize these materials..."

“……我们的生成模型就开始发挥作用了。它们会创造出全新的……在这个宇宙中从未被见证过的材料……在所有这些完成之后，我们通常会生成一份合成配方。然后，与我们的客户一起，我们就开始合成这些材料……”

08:10 合成之难：从反应釜到规模化生产的沟壑

本节重点

合成过程极度困难且不可预测，同一配方在不同实验室可能失败。
解决方案是前置合成约束以引导生成过程，或采用高通量、AI 驱动的高效系统。
验证（奖励）信号不清晰，是 AI 在材料科学中面临的挑战。

详细精要

合成过程中的现实挑战与解决路径：
面对主持人关于合成过程艰难且不可预测的提问，Max 举了一个实际案例：在同一项目背景下，他们将同一个材料配方给予合成合作伙伴，在不同实验室尝试合成时，一个竟因大气组分的差异而无法再现。
解决方法一——前置合成约束：让合成伙伴明确告知其能实现快速合成的具体化学工艺约束条件，然后将这些约束条件嵌入到生成模型中，确保 AI 只生成在现有条件下可合成的候选分子。
解决方法二——高通量全参数合成：通过 AI 驱动的高通量实验系统，系统性地改变合成过程中的所有参数（如温度、压力、浓度、时间等），进行海量尝试。在这种模式下，只要某一次尝试过程中成功地合成了某种物质，哪怕其结构并非最初设想，也是有价值的。只需要测出合成了什么即可，无需等待半年才知道能否合成。这种高速反馈能迅速勾勒出“可合成空间”的边界。
验证（奖励信号）的模糊性：
主持人将 CuspAI 面临的验证困境与 AlphaGo（胜负立判）、AI 编程助手（可执行测试）、AlphaFold（有已知蛋白结构库对比）做呼应，问到 CuspAI 如何获得廉价、干净、可验证的反馈或“奖励信号（reward）”。
在材料科学中，验证并非非黑即白。
在数字验证层面，可使用分子动力学模拟，但这仅是现实的近似值。
最终需要实验验证，这是“终极真理”。但实验也分快慢：快速测量仅能给出间接信号，而成本高昂、耗时极长的X射线衍射（X-ray diffraction）等实验才能最终确认结构与目标的一致性。
这意味着整个奖励信号是复杂、多模态且有延迟的，这是系统学习如何“爬坡”优化的核心难点。

💬 精华片段（中文）

"...the real world is, unfortunately, full of friction... once you have, even synthesized the material with the right properties, you will then have to scale it so that it will... be used in the actual real world. And there's many steps there which are quite unpredictable."

“……不幸的是，现实世界充满了摩擦……即使你已经合成了具有正确属性的材料，之后你还需要把它规模化，以便……在现实世界中真正投入使用。这过程中有许多步骤是相当不可预测的。”

11:35 突破前夜：为何半导体领域可能拔得头筹？

本节重点

首个现实突破口很可能出现在半导体领域。
半导体对保持摩尔定律（Moore's law）所需的新材料有持续、明确的需求。
深度技术合作伙伴关系和先进的制造验证设备是关键优势。

详细精要

半导体领域的优先突破预测：
如果一定要预测，Max 认为首个切实的成功将诞生在半导体领域，这既包括芯片制造材料，也包括太阳能电池材料。
这一个预测并非源于 CuspAI 平台在半导体材料上的特有优势，而是基于市场牵引力和伙伴准备度为第一优先级的现实考量。
选择半导体的深层逻辑：
强大的伙伴关系：半导体领域的合作伙伴不仅有意愿，还拥有深厚的领域专长和完善的实验制造设备，能与 CuspAI 的数字平台形成深度互补。
明确的产业驱动力：为延续 摩尔定律（Moore's law），芯片制造在每一个新的工艺节点上大约需要引入三种新材料。如今，光刻技术已趋近于几个原子大小的物理极限，芯片不得不向三维方向堆叠生长，对新材料的渴求比以往任何时候都更加迫切。
快速验证能力：半导体行业所使用的原子层沉积（atomic layer deposition）等制造设备极其先进，能够非常快速地验证 AI 设计的新材料是否真的能被制造出来，并测试其性能。这种即时验证的便捷性是其他化学工业领域难以比拟的。
实验室发现与规模化生产的双重挑战：
Max 对欧洲的规模化能力持乐观态度，他区分了“材料本身的规模化生产”和“公司估值/规模的成长”。
欧洲拥有强大的化工产业，例如 Kemira (合作方) 和 BASF (巴斯夫，世界首个将 金属有机框架（Metal-Organic Frameworks） 材料从毫克级放大到吨级生产的公司)，这些企业具备将实验室成果转化为大规模工业产品的经验和设备。

💬 精华片段（中文）

"In the semiconductor space... to keep Moore's law going, new materials are introduced in about one a year... we are now creating chips that grow in the third dimension... in order to make that happen, we really need new materials."

“在半导体领域……为了让摩尔定律继续下去，大约每年都有新材料被引入……我们现在正在制造向第三维度生长的芯片……为了让这成为现实，我们真的需要新材料。”

14:51 商业、理想与AGI：CuspAI 的伦理与哲学

本节重点

在商业利益与人类福祉之间寻找交集，避免因纯粹理想而破产。
团队内部有伦理讨论和框架，对承接项目有明确的价值取舍。
Max 认为人类直觉和知识将长期存在，对 AI 完全取代人类持怀疑态度，认为这是过度炒作。
对未来 18 个月的展望是：AI 设计新材料，反过来再用于增强 AI，形成一个正向循环的“第三次革命”。

详细精要

商业利润与宏大使命的对齐：
面对主持人关于如何确保公司研究聚焦于最重要社会问题，而非纯粹商业热点的提问，Max 认为必须走一条精细的路线。
如果只做纯粹的、理想化的事，可能根本没有市场，公司会迅速倒闭，这反而对世界无益。
他们寻找的领域是同时具备巨大的正面净影响（positive net impact）和强劲市场需求的交集，例如电池、光伏电池和芯片，这些既是商业热点，也有益于世界。
CuspAI 内部设有伦理框架，并保持着激烈的讨论，会主动回避一些他们认为不道德的研发方向。
对 AI 角色的独特见解与比较：
外界将它与 AlphaFold 那样的纯科研团队做对比，Max 强调他们是商业企业。
有意思的是，他明确指出即使在 CuspAI，他们也会使用 LLM（大语言模型）来作为整个材料设计计算和流程控制的调度智能体，无论是调用 OpenAI 的模型还是训练内部的开源模型。
他对“超级智能（superintelligence）将解决一切问题”的普遍观点持反对意见，认为这种看法过于乐观。他认为在材料设计中，现实世界的障碍极其复杂，人类的直觉和专业知识将长期保持价值。CuspAI 平台将被视为一个越来越好的工具，由人类使用，而非彻底取代人类。
对未来的展望——人工智能与材料科学的共进化：
当被问及 18 个月后的未来格局时，Max 提出了一个三阶段革命论：工业革命中机器取代体力劳动，数字革命中机器增强或取代脑力劳动。
而第三阶段就是形成一个正向循环：AI 被用来创造具有奇异特性的全新材料，而这些新材料反过来又被用于制造更强大的 AI 硬件。他相信这将彻底改变世界，并且这是他和 CuspAI 为之奋斗的未来。

💬 精华片段（中文）

"...what we are going to see is... a sort of virtuous cycle where AI is being used to generate new materials, and these new materials are going to be used to enhance AI again. And I think this is kind of the third step maybe in the sequence of three revolutions."

“……我们即将见证的是……一个良性循环，AI 被用来创造新材料，然后这些新材料又将被用来进一步增强 AI。我想这可能是三次革命序列中的第三步。”

24:08 评论与总结：现实的摩擦与希望

本节重点

2026 年对于材料科学的突破来说可能为时尚早，存在巨大的不确定性。
从数字世界（Bits）到原子世界（Atoms）的连接充满摩擦，规模化受阻。
节目组肯定 CuspAI 的初衷，认为这是 AI 实现正面影响的正确方向。

详细精要

对 Max 乐观预测的再次评估：
一位主持人认为 2026 年过于乐观。她指出，2026 年本身就充满动荡，材料创新可能是人类历史上最艰巨的挑战之一，整个过程每一步都充满不确定性，而这些不确定性是无法在计算机中模拟的。
另一位主持人则猜测，Max 做出这样大胆的预测，是否意味着他们已经取得了某些公众尚不知晓的实际进展。
对科研与工程两种不同“规模化”的深入剖析：
节目组将 Max 的言论拆解为两个层面的规模化：科学的规模化与工程制造的规模化。
他们认可 Max 对于第一点（通过高通量实验和 AI 模型进行科学探索的规模化）给出了不错的答案。
但对于第二点——即将实验室产品变成有利润、可大规模量产的商品化过程——他们持保留态度，认为现实世界中的设备盈利能力、地缘政治和供应链等问题远比一个 AI 算法要复杂得多。
最终定调：为 Max 加油，但对路径存疑：
他们认同“人工智能与能源/材料共进化”的理论闭环是自洽的，这能为人类带来美好前程。
尽管对具体时间线存疑，但他们明确表示，CuspAI 所做的工作极有可能是 AI 对人类产生最重大、最根本正面影响的领域。他们为 Max 团队的方向而喝彩，同时等待现实的检验。

专业术语注释

术语	解释
CuspAI	Max Welling 联合创立的 AI 材料发现公司，利用生成式 AI 设计具有特定属性的全新材料。
LLM（大语言模型）	如 ChatGPT 之类的大型人工智能模型，CuspAI 内将其作为任务调度代理，但主营业务并非开发此模型。
数字孪生（Digital Twin）	本集中指用人工智能和分子动力学模拟构建的虚拟材料测试系统，用于替代部分昂贵、缓慢的实体实验。
生成式模型（Generative Models）	CuspAI 用来创造从未存在过的候选材料结构的 AI 核心算法。
PFAS（全氟和多氟烷基物质）	一种被称为“永久化学品”的持久性环境污染物，CuspAI 的目标之一是利用新材料去除水中 PFAS。
高通量自驱动实验设施（High Throughput Self-Driving Lab）	一种高度自动化、由 AI 控制的实验系统，能快速改变上千种参数合成和测试大量样品，加速物理世界的反馈循环。
X射线衍射（X-ray Diffraction）	用于最终验证合成出的材料其原子尺度晶体结构是否与设计一致的精确但昂贵的测量方法。
AlphaFold	DeepMind 开发的通过氨基酸序列预测蛋白质三维结构的 AI 系统，其成功基于数十年积累的海量已知结构数据。
摩尔定律（Moore's Law）	芯片上可容纳的晶体管数目大约每两年增加一倍的规律，为延续此规律，芯片结构开始向三维化发展。
原子层沉积（Atomic Layer Deposition）	一种高级薄膜沉积技术，常用于半导体制造，能在原子层精度上快速验证新材料的可制造性。
金属有机框架（MOFs）	一类多孔晶体材料，因其在气体吸附（如碳捕获）等方面的潜力而备受关注，但规模化生产常遇挑战。

延伸思考

“AlphaFold时刻”会否降临材料学？ CuspAI 面对的数据稀疏性问题并非它一家独有，这代表了整个 AI for Science 领域的共性瓶颈。一个“穷举式”的高通量机器人实验室能否从根本上取代数十年积累的学术论文和实验数据集，并产生涌现能力？
规模化悖论：Max Welling 的策略高度依赖现有产业巨头（BASF, Hyundai）的制造能力，这是否反而会限制其颠覆性材料的发现方向？如果 AI 发现了一种完美但需要全新生产工艺的材料，合作伙伴会因为沉没成本而拒绝它吗？
伦理框架的极限：当 CuspAI 宣称要“避免某些不道德的研发方向”时，在能源和材料行业，如何界定“不道德”？为制造高性能武器的代工厂提供尖端芯片材料，是算“半导体商业应用”还是“军事不道德”？
AI 增强 AI 的奇点循环：Max 展望的“用 AI 发现的新材料制造下一代 AI”具有极强的逻辑闭环魅力，但也带来自动化递归改进的潜在风险。在硬件层面，这种循环最终会由谁来控制与审查？

原文发表：May 14, 2026 · 纪要生成：2026-06-25