最新

各位 HN 的朋友们，我们是 Advaith 和 Akash，来自 Discovered Materials（<a href="https://discoveredmaterials.com/">https://discoveredmaterials.com/</a>）。我们构建人工智能代理，为半导体行业发现新材料。 如今的 GPU 面临散热问题。英伟达（Nvidia）和 AMD 在发布的每一款芯片中，TDP（热设计功耗）几乎翻倍——H100（2022 年发布）的 TDP 为 700W，Blackwell（2024 年发布）为 1.2 kW，Rubin（2026 年发布）将达到 2.3 kW 的热量。这一趋势预计将持续下去，而处理这些散热问题是数据中心如今消耗大量电力和水的主要原因之一——它们需要这些资源来在运行过程中保持芯片的冷却。 芯片产生的热量以及其散热能力都受到制造材料的影响。例如，通过 3D 封装芯片（将 HBM 内存堆栈直接放置在逻辑芯片之上，而不是放在 2D 电路板上与逻辑芯片并列），我们可以将逻辑和内存之间传输数据的每比特能耗降低 10-50 倍。然而，由于 HBM 中使用的电介质材料（如 SiO2）导热性很差，会在逻辑和内存之间积聚热量，导致运行过程中温度急剧升高，因此我们目前无法实现这一点。同样，GPU 中还有许多其他材料正在被重新评估，例如热界面材料和基板。然而，将一种新材料引入晶圆厂需要数年时间和数亿美元的研究投入——这就是所谓的“从实验室到工厂的死亡之谷”。 在 Discovered Materials，我们相信 AI 代理能够缩短半导体芯片新材料的引入时间并降低成本。我们已经看到了一些初步的成果——我们测试了来自 Anthropic、OpenAI 和 Kimi 的 7 个模型，发现它们都能够通过计算发现具有动态稳定性和有前景特性的新材料。这让我们感到惊讶——通常情况下，一个博士生需要几周时间才能发现这些模型在 8 小时运行中找到的材料！ 然而，计算发现只是相对容易的部分。材料的发现只有在实验室能够制造并测试该材料时才算有效（例如，石墨烯的特性在 1947 年就被预测出来，但直到 2004 年才首次被制造出来）。目前的模型在提供实验室材料合成配方方面表现不佳。即使它们在这方面有所改进，我们也不确定这会有多大帮助——制造新材料是一个高度经验性的过程，涉及大量实验的试错。即使是人类专家也无法“一蹴而就”地完成这项任务，但我们预计一个能力极强的模型将减少制造新材料所需的实验迭代次数。在 Y Combinator 的三个月项目中，我们已经看到了一些证据——我们模拟、合成并测试了热界面材料（TIMs），其性能与世界顶尖化工公司保密了二十多年的 TIMs 相媲美。 我们正在发布由前沿 AI 模型发现的数百种新材料，以及我们衡量模型在材料发现方面能力的基准（也包含在帖子链接中）：<a href="https://discoveredmaterials.com/research">https://discoveredmaterials.com/research</a>。它涵盖了我们上面讨论的内容，以及我们观察到的模型各种奇怪的行为，例如 Claude 倾向于“奖励黑客”或者 GPT-5.6 在处理约 5000 万个 token 后偶尔会“失控”。 我们的商业模式：我们旨在许可和销售我们发现的材料的知识产权，以及制造这些材料的知识产权。我们也在探索一种替代的商业模式，即向半导体和化工公司出售我们用于发现材料的工具和平台，使他们能够自行发现材料。我们倾向于先采用后者，但预计长远来看我们会两者兼顾。 我们的背景：Akash 拥有斯坦福大学材料科学博士学位，并在过去 11 年里一直致力于研究半导体芯片的新材料。他关于新型纳米级互连线的工作是 2025 年斯坦福工程学院最受欢迎的故事。Advaith 在卡内基梅隆大学学习人工智能，并曾在 Persona AI（已被收购）和 Luma Labs 担任研究工程师，负责构建视频模型和代理。 我们非常希望听到您的意见！半导体行业相当保密，您对行业发展路线图或我们应该关注的材料的看法将非常有帮助。我们也希望听听有实验室实验经验的朋友们的声音——我们能从你们的经验科学实践中学到什么？

我是一名拥有四年以上经验的开发者，擅长为初创公司和客户构建生产级 Web 应用。 我的主要技术栈是 React、Next.js、TypeScript 和 Node.js。我也使用过 React Native、Three.js 和 GSAP，开发过从 SaaS 仪表盘到交互式网站的各种项目。 我正在寻找自由职业或合同制的工作机会（短期或长期）。如果您感兴趣，请在 Discord 上（kiyo151）私信我。