CuspAI融资4.5亿美元：用生成式AI重塑新材料发现与工业研发体系

生成式人工智能的第一轮浪潮，主要发生在文本、图像、代码和视频领域。它改变了知识生产和数字内容生产，却尚未完全改变芯片、能源、化工、汽车等实体工业的底层约束。

而CuspAI试图解决的，正是这些产业最难、最慢，也最基础的问题：能否让人工智能直接设计出自然界中尚未被发现、但满足特定工业性能要求的新材料？

2026年7月，成立仅两年的英国材料人工智能公司CuspAI宣布完成4.5亿美元B轮融资，公司估值达到26亿美元。投资方包括亚马逊创始人杰夫·贝索斯相关投资机构、硅谷风险投资机构Kleiner Perkins，以及英国政府设立的主权人工智能基金。此前一个月，《金融时报》曾报道CuspAI正在推进约4亿美元融资，当时交易条款已经签署但尚未完成；最终公开披露的融资规模进一步扩大至4.5亿美元。

与大量围绕办公软件、营销、客服和编程展开的AI公司不同，CuspAI的目标不是制造又一个聊天机器人，而是建立一套面向材料科学的“发现引擎”：

企业提出一种材料需要具备的性能，人工智能负责搜索可能的分子或晶体结构，预测其物理化学性质，模拟其在现实环境中的表现，并将数以万亿计的候选方案压缩为少量值得进入实验室验证的材料。

这也是资本市场愿意在公司成立两年后给予其26亿美元估值的核心原因。投资者押注的并不只是一个软件产品，而是一种可能改变半导体、能源、化工和先进制造业研发方式的新基础设施。

一、创立背景：材料科学正在成为AI进入物理世界的关键入口

CuspAI创立于2024年，总部位于英国剑桥，由Chad Edwards和Max Welling共同创办。

两位创始人的组合很有代表性：一位来自化学、材料和深科技创业领域，另一位则是世界级机器学习研究者。CuspAI从一开始就不是一家单纯的算法公司，也不是传统化工企业内部数字化部门，而是试图把前沿人工智能、计算材料学和产业研发流程放在同一家公司中。

联合创始人兼首席执行官Chad Edwards拥有化学研究背景，曾亲自在实验室从事材料合成，也参与创办过量子计算企业。他对材料研发效率低下的认识，来自真实的科研经历：传统材料研究通常需要研究人员阅读大量论文、提出假设、合成样品、不断试错，再通过实验修正方向。一个看似简单的性能目标，背后可能是数年甚至十余年的探索。

另一位联合创始人Max Welling则是生成式人工智能和机器学习领域的重要学者。他是阿姆斯特丹大学机器学习教授，也是变分自编码器的重要提出者之一；其研究横跨贝叶斯推断、生成模型、图神经网络、计算机视觉和AI for Science。此前，他参与创办的人工智能公司Scyfer被高通收购，并曾在高通及微软研究院AI4Science从事相关工作。

这种创始团队结构决定了CuspAI的技术方向：它不是简单地把通用大模型包装成“材料助手”，而是试图从生成模型、科学数据、物理模拟和实验闭环等多个层面，重新设计材料研发流程。

CuspAI的成立也踩中了一个重要的技术转折点。

过去，计算材料科学虽然能够利用密度泛函理论等方法预测材料性质，但计算成本高昂，搜索空间又过于巨大。仅理论上可能存在的分子和材料结构数量，就远远超出任何人工实验或传统高通量计算可以穷举的范围。

随着图神经网络、生成模型、机器学习原子间势和大规模材料数据库的发展，AI开始能够以远低于第一性原理计算的成本，快速预测大量候选材料的稳定性、能量和目标性质。Meta发布的OMat24数据集包含超过1.1亿次密度泛函理论计算，其相关模型已经能够在材料稳定性和形成能预测上达到较高水平，这说明AI材料模型正在从“小样本专用模型”向通用材料基础模型演进。

CuspAI看到的机会是：如果把这些模型与工业企业的专有数据、科研文献、模拟工具和实验反馈结合起来，材料研发就可能从“依赖经验的试错”，转向“由目标性能驱动的计算搜索”。

二、融资与发展：两年时间跨越三个阶段

CuspAI的发展速度异常迅速。

2024年6月，公司在成立初期获得约3000万美元种子融资。当时外界对它的描述还是“利用生成式AI建立新材料搜索引擎”。这轮融资使CuspAI能够吸引机器学习、材料科学和工程计算人才，并开始与Meta等技术机构合作。

2025年，公司进一步完成约1亿美元A轮融资。到2025年9月，其估值已达到约5.2亿美元。与此同时，公司不再停留于算法概念验证，而是开始与半导体设备、汽车、化工和互联网企业开展实际材料项目。最新报道显示，在本轮融资之前，CuspAI累计融资已超过2.2亿美元，投资者包括新加坡淡马锡和美国风险投资机构NEA。

2026年则成为CuspAI从技术创业公司向全球材料研发平台跃迁的一年。

6月，《金融时报》报道称，Kleiner Perkins和Bezos Expeditions参与一轮约4亿美元的新融资，CuspAI估值将由5.2亿美元提升至26亿美元。7月20日的后续报道显示，公司最终完成4.5亿美元B轮融资，并获得英国主权人工智能基金支持。

这意味着，在不到一年时间里，CuspAI的估值增长约五倍。

如此快速的估值增长，并不能简单理解为“AI概念溢价”。更重要的原因在于，资本开始重新认识材料创新的经济价值。

几乎每一次工业技术跃迁，都依赖材料突破：更先进的光刻工艺需要新的光刻胶、薄膜和介电材料；更高密度的电池需要新的电极和电解质；低成本碳捕集依赖新的吸附剂和多孔材料；先进封装、航空航天和量子计算，同样受到材料性能限制。

因此，CuspAI的潜在市场并非单一的软件市场，而是多个万亿美元级工业产业背后的研发支出和材料供应链。

三、核心产品：不是材料数据库，而是“目标驱动的发现系统”

CuspAI经常被描述为“材料领域的搜索引擎”，但这一说法仍不足以解释其产品本质。

传统搜索引擎解决的是：某个答案是否已经存在，以及如何从已有信息中找到它。

CuspAI要解决的是：当所需材料尚不存在时，如何创造一个可能满足要求的结构。

其产品流程大致可以分为五个环节。

1. 将工业需求转化为材料指标

客户首先提出目标性能，例如：

• 更低的介电常数；
• 更高的耐热性；
• 更好的导电或绝缘能力；
• 对特定污染物更强的吸附能力；
• 更低的稀有金属含量；
• 更高的强度重量比；
• 更低成本、更易规模化制造。

这一步看似简单，实际上非常关键。工业材料通常需要同时满足多个互相制约的指标。一种材料可能性能优异，却无法合成；可以合成，却不稳定；稳定，却成本过高；成本可控，却无法兼容现有产线。

因此，真正的材料设计并不是寻找单一指标最大值，而是在性能、稳定性、可制造性、成本和环境影响之间进行多目标优化。

2. 聚合文献、专利和实验数据

CuspAI表示，公司已经将大量化学和材料科学文献与数据整合进统一数据库，并通过智能体帮助研究人员快速理解某一领域的已有成果和技术空白。

传统博士研究的第一年往往用于文献综述，而CuspAI希望把这一过程压缩至秒级或分钟级：系统自动分析相关论文、材料结构、已知性能、合成方法和失败边界，再形成可供研发团队使用的知识图谱与研究假设。

这一层的重要性经常被低估。

材料AI的壁垒并不只在模型。谁能掌握高质量实验数据、失败数据、工艺条件和客户专有数据，谁才可能训练出真正适用于工业研发的系统。公开论文通常偏向发表成功结果，大量失败实验没有被记录，这会使模型形成明显的数据偏差。CuspAI也承认，科学文献主要告诉模型“什么成功过”，却较少告诉它“什么尝试过但失败了”。

因此，CuspAI与产业客户合作的深层意义，是不断获得公开数据库之外的实验反馈。

3. 通过生成模型进行逆向设计

传统材料研发通常从已知分子或材料出发，再测试其性能，这是一种“结构到性能”的正向路径。

CuspAI采用的是逆向设计：先定义目标性能，再反推可能实现这些性能的分子、晶体或原子结构。

例如，一家半导体企业需要一种满足特定介电性能、热稳定性和制造条件的新材料。CuspAI的生成模型并不是在现有材料清单中排序，而是进入化学空间，生成大量可能满足这些约束的新结构。

逆向设计被视为AI材料科学中最具潜力的方向之一，但技术难度也很高。模型不仅要生成在数学上成立的结构，还必须满足化学合理性、物理稳定性、可合成性和现实制造约束。

4. 多级筛选和数字模拟

生成模型可以提出十万乃至更多候选结构，但这些结果不能直接送入实验室。

CuspAI会利用性质预测模型、机器学习原子势、量子化学计算和其他模拟工具进行多级筛选。低成本模型先排除明显不合格的结构，精度更高但成本更高的模拟，则用于评估排名靠前的候选材料。

CuspAI还使用AI智能体编排模拟流程。过去，研究人员需要选择计算方法、准备输入参数、提交计算集群、检查结果并反复调整；现在，智能体可以自动组织这一过程，并行运行大量模拟任务。Chad Edwards称，过去可能需要数年才能积累的计算数据，如今有机会在数分钟或数小时内通过大规模并行计算获得。

5. 实验验证与反馈闭环

AI生成的材料并不等于已经被发明。

真正决定商业价值的，是这些候选结构能否在实验室合成，能否表现出预测性能，以及能否在工业环境中规模化生产。

因此，CuspAI最终必须与客户实验室、大学、研究机构和制造设施建立闭环。实验结果被重新输入模型，修正预测偏差，进一步缩小搜索范围。

这也是CuspAI与纯软件AI公司最大的不同：它的产品交付周期更长，必须接受物理世界的验证，但一旦验证成功，其商业壁垒也可能远高于普通企业软件。

四、标志性案例：从300万亿种结构中寻找PFAS解决方案

目前最能体现CuspAI技术路线的案例，是其与芬兰化工企业Kemira开展的PFAS材料研发项目。

PFAS又被称为“永久化学品”。由于其化学键稳定、难以自然降解，PFAS已经成为全球饮用水和环境治理中的重要难题。传统处理方法往往成本高、选择性有限，也容易产生二次废物。

Kemira希望设计出能够更有效捕获PFAS的新材料。

在约六个月的合作中，CuspAI的系统探索了大约300万亿种潜在材料结构，最终将范围缩小到20个候选方案。这些候选材料随后进入实验室测试和进一步开发阶段。

该项目的重要性不只在于搜索规模。

CuspAI表示，系统在过程中发现了一类对PFAS具有较高亲和力的分子结构。这些结构类似分子“笼子”，可以让PFAS分子进入并与内部位点结合。也就是说，系统并不是简单从数据库中找到一个已知吸附剂，而是帮助研究团队识别出可能具有新机制的材料家族。

不过，这一案例也揭示了材料AI的现实边界。

300万亿种结构被缩减为20种候选，并不意味着问题已经解决。这20种材料仍需要完成合成、性能测试、毒性评估、耐久性验证、成本分析和规模化生产评估。

CuspAI真正节省的，是实验室之前最漫长、最盲目的搜索阶段。它不是取消实验，而是让实验更有方向。

五、团队与顾问网络：连接AI学术界和全球工业体系

CuspAI的团队优势，不仅来自两位创始人，还来自其构建的跨学科顾问和产业网络。

已公开的顾问包括深度学习领域的重要研究者Geoffrey Hinton、Yann LeCun，以及英国石油公司前首席执行官John Browne。最新一轮融资后，公司还引入苹果和谷歌前人工智能高管John Giannandrea，协助建立美国业务；同时与AMD董事、Lam Research董事长Abhi Talwalkar合作。

这一阵容反映了CuspAI发展所需的三类能力：

第一类是前沿机器学习能力，包括生成模型、图神经网络、科学基础模型和智能体系统。

第二类是材料与化学能力，包括分子设计、晶体结构、量子化学、实验合成和工艺放大。

第三类是工业落地能力，包括半导体制造、能源、汽车、化工供应链和大规模生产。

材料AI公司失败的常见原因，是只具备其中一两种能力。算法团队可能不理解真实实验约束；科研团队可能缺乏可扩展的软件系统；工业企业则可能拥有数据，却难以持续吸引世界级AI人才。

CuspAI试图通过创始团队、顾问、投资方和客户关系，把这三种能力组织在一起。

六、AI Materials Foundry：CuspAI真正想做的可能不是软件，而是产业网络

伴随B轮融资，CuspAI推出了“AI Materials Foundry”，即人工智能材料铸造厂。

据最新报道，该联盟已经汇集超过48家科技企业、工业公司和科研设施，成员包括英伟达、Meta和现代汽车。其目标是利用前沿AI、产业数据、模拟能力和实验设施，联合发现半导体、能源网络、电池、碳捕集和先进制造所需要的新材料。

Foundry模式可能是理解CuspAI未来商业模式的关键。

单纯销售材料设计软件，企业容易陷入传统SaaS估值逻辑：按用户数、许可证或计算量收费。但如果CuspAI能够成为连接客户需求、专有数据、AI模型、超级计算资源和实验设施的平台，它就可能建立更强的网络效应。

每增加一家工业客户，平台可能获得新的性能目标和实验数据；每增加一个实验室，平台验证材料的能力增强；每完成一个项目，模型对特定材料体系的理解进一步积累。

久而久之，CuspAI可能形成一种“材料研发操作系统”：

客户在平台中提出需求，系统自动完成文献检索、候选生成、模拟筛选和实验协调，并保留整个研发过程产生的数据资产。

这类平台的终局，可能不只是向客户收取软件费或研发服务费，还可能包括：

• 多年期联合研发合同；
• 按项目收取材料发现费用；
• 对成功材料收取里程碑付款；
• 获得材料专利或知识产权分成；
• 与化工、半导体材料企业共同成立项目公司；
• 建立自有材料管线并授权生产；
• 提供专有模型、数据和计算基础设施。

从这个角度看，CuspAI更像一家融合软件平台、研究机构和材料知识产权公司的新型企业。

七、竞争格局：材料AI正在进入“基础模型竞争”阶段

CuspAI并不是唯一看到这一机会的公司。

AI for Science已经成为全球科技资本的重要方向。材料领域的竞争者包括利用AI发现晶体结构、催化剂、电池材料和化学分子的创业公司，也包括Meta、微软、谷歌DeepMind等大型科技公司，以及传统化工和工业软件企业。

竞争大致分为四类。

第一类：通用科技公司的开放模型

Meta等公司正通过开放材料数据集和原子模型，降低AI材料研究门槛。OMat24等数据集以及通用原子模型，使研究者能够在更大范围内预测材料能量和稳定性。

这对CuspAI既是机会，也是压力。

机会在于，开放模型可以成为CuspAI底层技术栈的一部分，减少基础研究成本；压力在于，如果基础模型逐渐商品化，CuspAI必须证明自己的价值不仅来自模型本身，而来自专有数据、工作流、客户集成和实验能力。

第二类：垂直材料AI创业公司

这类公司通常聚焦特定领域，例如电池、催化剂、药物化学、金属合金或晶体材料。它们的优势是对单一产业理解更深，实验闭环更紧密。

CuspAI采取的则是更通用的平台路线，覆盖半导体、汽车、航空航天、化工、能源和环境治理等多个行业。其优势是市场空间大，数据和模型可以跨行业迁移；风险则是业务过于分散，每个材料体系都有不同的科学规律和验证流程。

第三类：传统材料和化工企业内部平台

大型化工、半导体和汽车公司本身拥有大量实验数据、工程师和实验设施。这些企业完全可能建设自己的AI材料平台。

CuspAI的应对方式，是与它们合作而不是直接替代它们。客户提供产业问题和专有数据，CuspAI提供模型、智能体、计算基础设施和跨领域知识。

但长期来看，CuspAI必须避免沦为一次性技术服务商。只有把每个项目沉淀为可复用的平台能力和数据资产，才能持续提高毛利率和竞争壁垒。

第四类：自动化实验室与机器人科学家

AI提出候选材料只是第一步。未来竞争的焦点，会逐渐延伸至自动合成、机器人实验、自动表征和闭环优化。

谁能把“生成—模拟—合成—测试—反馈”完全打通，谁才可能真正压缩材料研发周期。

目前CuspAI强调与研究设施和产业实验室合作，而不是重资产建设所有实验能力。这种策略有利于快速扩张，但也可能使其在实验环节依赖合作伙伴。

八、为什么资本愿意给出26亿美元估值

从传统财务指标看，一家成立两年的材料AI公司获得26亿美元估值，显然包含很高的未来预期。

资本市场主要押注四件事。

1. 材料是产业升级的底层瓶颈

人工智能算力、电气化、能源转型和先进制造都在加速，但许多技术路线受限于材料性能。

例如，更先进的芯片需要更低介电常数和更高耐热性的材料；下一代电池需要同时提高能量密度、安全性和循环寿命；碳捕集需要更低成本、更高选择性的吸附材料。

如果CuspAI能够解决其中少数关键问题，其创造的经济价值就可能远高于普通软件工具。

2. AI可能显著降低研发成本

传统材料研发周期长、失败率高，而且大量成本发生在没有方向的实验搜索中。

CuspAI不需要让所有预测都正确。只要它能够将原本需要测试的十万种候选压缩为几十种，并显著提高实验成功率，就可能为客户节省大量时间和资本。

3. 数据闭环可能形成长期壁垒

通用语言模型可以利用互联网文本训练，但材料模型更依赖高质量物理和实验数据。

随着CuspAI完成更多项目，它有机会积累哪些结构可合成、哪些预测会失败、工艺条件如何影响最终性能等高度稀缺的数据。

这些数据比公开论文更有价值，也更难被竞争对手复制。

4. 平台可能参与材料知识产权收益

软件公司的收益通常取决于订阅费，而新材料一旦进入芯片、汽车或化工供应链，可能产生持续多年的授权和销售收入。

如果CuspAI能够在合同中获得知识产权、专利许可或商业化分成，其收入上限可能明显高于传统研发软件。

九、主要风险：从“发现候选”到“工业化材料”仍有巨大鸿沟

尽管前景广阔，CuspAI仍面临几项不可忽视的挑战。

第一，预测准确性不等于实验成功

材料性能受结构、纯度、缺陷、温度、压力和制造工艺等多重因素影响。计算模型中表现优异的材料，可能无法稳定合成，也可能在真实环境中失效。

因此，CuspAI不能只展示生成速度和搜索规模，还必须持续公布实验成功率、开发周期缩短幅度和客户实际采用情况。

第二，数据质量可能成为模型上限

科学文献存在明显的成功发表偏差，失败实验很少公开。不同实验室的数据标准、测量条件和材料命名方式也不一致。

如果数据清洗、标注和条件建模不足，模型可能从表面相关性中得出错误结论。

第三，商业周期可能远长于软件行业

半导体、汽车和化工材料通常需要多年验证，客户更换材料还涉及产线调整、认证、安全和供应链风险。

即使CuspAI已经找到优质候选材料，也可能需要很长时间才能转化为规模收入。

第四，知识产权归属复杂

材料由客户提出需求、CuspAI模型生成、合作实验室验证，最终专利归谁，将是商业合作中的核心问题。

若CuspAI无法保留足够的知识产权权益，它可能变成高端研发外包公司；若要求过多权益，又可能降低大型工业客户的合作意愿。

第五，估值对商业化提出了极高要求

26亿美元估值意味着市场已经提前计入CuspAI成为全球材料研发平台的可能性。

公司未来不仅要证明模型有效，还要证明项目能够重复交付、客户愿意持续付费、技术可以跨材料体系迁移，并最终建立可规模化的收入模式。

十、未来前景：CuspAI可能走向三种不同结局

未来五到十年，CuspAI大致存在三种发展路径。

路径一：成为材料研发领域的专业软件平台

在这一情境下，CuspAI向化工、汽车和半导体企业出售模型、智能体和计算平台，收入主要来自软件订阅和研发合同。

这是风险最低、最容易规模化的模式，但估值上限也可能接近工业软件公司。

路径二：成为全球材料发现基础设施

CuspAI通过AI Materials Foundry连接科技企业、实验室、超级计算中心和制造商，成为跨行业材料创新平台。

在这一模式下，公司拥有数据网络效应和产业标准影响力，类似材料领域的云计算平台或研发操作系统。

这是目前CuspAI最希望实现的方向。

路径三：成为拥有自有材料资产的“AI化工公司”

更激进的路径，是CuspAI不再只帮助客户发现材料，而是自主选择重大问题，建立材料研发管线，申请专利，并通过授权、合资或生产获得长期收益。

如果成功，公司可能接近新型化工集团或材料知识产权平台；但同时也会承担更高的实验、监管、制造和资本风险。

从最新融资规模和Foundry战略来看，CuspAI很可能正在从第一种路径向第二种路径发展，并为第三种路径保留可能性。

结语：AI最大的工业价值，或许不是生成内容，而是生成物质

CuspAI的快速崛起，反映了人工智能产业叙事的一次重要转向。

过去几年，市场主要关注AI能否生成文章、图片、视频和代码。下一阶段，真正决定AI长期经济价值的，可能是它能否解决现实世界中的科学和工程问题。

材料是数字世界与物理世界的交界面。

芯片性能取决于材料，电池效率取决于材料，清洁能源成本取决于材料，工业减排和水污染治理同样取决于材料。算法可以不断升级，但如果支撑算法运行的芯片、能源和制造技术受到材料极限约束，整个技术进步就会放缓。

CuspAI试图建立的，正是一台穿越巨大化学空间的机器：企业描述一种尚不存在的材料，AI负责提出结构、组织计算、模拟性能，再将最值得尝试的方案交给实验室。

这不是一条轻松的道路。AI预测与工业化之间仍隔着实验、工艺、成本、监管和供应链。但如果CuspAI能够持续把“几万亿种可能”压缩为“几十种有效候选”，并最终把其中一部分转化为真正进入工业体系的新材料，它所改变的将不仅是材料科学。

它可能改变人类发明物质的方式。