最新

这是一个微型浏览器平台游戏，你将在无尽的软件办公室中跳跃，收集故事点和咖啡，同时处理不断增加的CEO/CTO的Slack消息。

大家好，我们是来自Discovered Materials的Advaith和Akash（网址：<a href="https://discoveredmaterials.com/">https://discoveredmaterials.com/</a>）。我们开发AI代理，旨在为半导体行业发现新材料。 目前，GPU面临着热量问题。Nvidia和AMD几乎在每款新芯片中都将热设计功耗（TDP）几乎翻倍——H100（2022年发布）的TDP为700W，Blackwell（2024年）为1.2 kW，而Rubin（2026年）则高达2.3 kW。预计这一趋势将持续下去，消除这些热量是数据中心今天消耗大量电力和水的主要原因之一——它们需要保持芯片在运行时的冷却。 芯片产生的热量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内存堆直接放置在逻辑芯片上方，而不是在2D电路板上与逻辑芯片并排放置），我们可以将在逻辑和内存之间移动数据所需的能量降低10到50倍。然而，今天我们无法做到这一点，因为用于HBM的介电材料（如SiO2）是非常差的热导体，会在逻辑和内存之间困住热量，导致运行时温度急剧上升。同样，GPU中还有许多其他材料也在重新评估中——另外两个例子是热界面材料和基板。然而，将新材料引入晶圆厂需要数年时间和数亿美元的研究——这就是臭名昭著的“实验室到晶圆厂的死亡谷”。 在Discovered Materials，我们对AI代理能够缩短将新材料引入半导体芯片所需的时间和成本充满信心。我们已经看到了这一点的曙光——我们测试了来自Anthropic、OpenAI和Kimi的7个模型，发现它们都能够计算发现动态稳定且具有良好性能的新材料。这让我们感到惊讶——通常情况下，博士生需要几周的时间才能发现这些模型在8小时内找到的材料！ 然而，计算发现只是简单的一部分。材料发现只有在材料能够在实验室中制造和测试时才有效（例如，石墨烯的性质在1947年被预测，但直到2004年才首次制造出来）。如今的模型在提出实验室中制造材料的合成配方方面并不擅长。即使它们在这方面有所改善，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，涉及大量实验的反复试验。人类专家自己也无法“一次性”完成这一任务，但我们预计一个高效的模型将减少制造新材料所需的实验迭代次数。在我们Y Combinator批次的三个月中，我们已经看到了一些证据——我们模拟、合成并测试了与全球最大化学公司守为商业机密超过20年的热界面材料（TIMs）性能相匹配的材料。 我们将发布数百种由前沿AI模型发现的新材料，以及我们在材料发现方面评估模型能力的基准（也在帖子链接中）：<a href="https://discoveredmaterials.com/research">https://discoveredmaterials.com/research</a>。它涵盖了我们上述讨论的内容，以及我们从模型中观察到的各种奇怪行为，例如Claude倾向于奖励hack，或GPT-5.6在大约5000万标记后偶尔失控。 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。我们还在探索一种替代商业模式，即将我们用于发现材料的工具和设备出售给半导体和化学公司，让他们能够自行发现材料。我们倾向于首先选择后者，但预计长期内我们会同时进行两者。 我们的背景故事：Akash拥有斯坦福大学的材料科学博士学位，过去11年一直研究半导体芯片的新材料。他在新纳米级互连方面的工作是斯坦福工程学院2025年最受欢迎的故事。Advaith在卡内基梅隆大学学习AI，并曾在Persona AI（已被收购）和Luma Labs担任研究工程师，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关注的材料的看法将非常有帮助。我们也希望听到在实验室进行实验的人的反馈——我们可以从您进行经验科学的经历中学到什么？