Discovered Materials, startup z Doliny Krzemowej, zebrał 9 mln USD (ok. 36 mln zł) w rundzie zalążkowej na system agentów AI, które całą dobę wyszukują nowe materiały dla chłodniejszych układów scalonych. Firma celuje w narastający problem centrów danych AI — rosnące zużycie energii i wydzielanie ciepła przez akceleratory. Rundę poprowadził fundusz Lightspeed India Partners.
Najważniejsze w skrócie
- Runda zalążkowa: 9 mln USD (ok. 36 mln zł), zamknięta po programie Y Combinator (edycja wiosna 2026)
- Inwestorzy: Lightspeed India Partners (Hemant Mohapatra) i Peak XV Partners, aniołowie m.in. Paul Graham i Gokul Rajaram
- Założyciele: Advaith Sridhar (agenty AI, wcześniej Luma Labs) i Akash Ramdas (doktorat z inżynierii materiałowej na Stanfordzie)
- Agenty AI wykonują tysiące prób dziennie, działając bez przerwy 24 godziny na dobę
- Firma udostępniła setki nowych materiałów i narzędzie Material Discovery Bench do śledzenia wyników
Jak działa pipeline odkrywania materiałów
Discovered Materials łączy modele AI Anthropic z własnym oprogramowaniem, które generuje kandydatów na nowe związki, a następnie sprawdza ich właściwości za pomocą modeli fizycznych trenowanych wewnątrz firmy. Zamiast pojedynczych eksperymentów prowadzonych ręcznie, zestaw agentów przeszukuje przestrzeń możliwych materiałów bez przerwy. To klasyczne podejście brute-force?brute-force: Metoda „na siłę" — systematyczne sprawdzanie ogromnej liczby możliwości zamiast szukania eleganckiego skrótu., ale skierowane przez modele, które odrzucają ślepe uliczki, zanim trafią one do kosztownej weryfikacji.
Pipeline odkrywania działa w czterech krokach:
Jesteśmy teraz w stanie wykonać tysiące prób dziennie, bo te agenty działają całą dobę.
Tak Advaith Sridhar, współzałożyciel Discovered Materials, opisuje przewagę nad tradycyjną pracą laboratoryjną. Firma twierdzi, że jej agenty odtworzyły materiały o właściwościach zbliżonych do tych już stosowanych przez producentów chipów, choć szczegółów na razie nie ujawnia.
Wyścig o materiały dla chipów
Discovered Materials nie jest pierwszą firmą, która kieruje AI na chemię materiałową. Google DeepMind pokazał wcześniej model GNoME, który wytypował setki tysięcy hipotetycznych stabilnych kryształów, a Microsoft rozwija generatywny MatterGen. Różnica polega na celu: startup zawęża poszukiwania do jednego, dobrze zdefiniowanego problemu — odprowadzania ciepła z układów w centrach danych AI, tam gdzie pobór mocy i emisja ciepła rosną z roku na rok.
| Gracz | Narzędzie | Zakres i cel |
|---|---|---|
| Discovered Materials | agenty AI + modele fizyczne | wąski: chłodzenie chipów w centrach danych |
| Google DeepMind | GNoME | szeroki: setki tysięcy hipotetycznych kryształów |
| Microsoft | MatterGen | szeroki: generatywne projektowanie materiałów |
Model biznesowy opiera się na patentach. Firma planuje opatentować zastosowanie wybranych materiałów w GPU lub w procesach produkcji chipów, a następnie licencjonować je producentom — według deklaracji w ciągu roku. To odróżnia ją od projektów czysto badawczych, które publikują wyniki bez ścieżki komercjalizacji.
Dlaczego to ważne?
Ciepło jest dziś jednym z twardych ograniczeń rozwoju AI — im gęstsze akceleratory, tym trudniej je schłodzić, a to podnosi koszty energii w centrach danych. Jeśli agenty AI faktycznie skracają odkrywanie materiałów z lat do miesięcy, zmienia się ekonomia całego łańcucha: chłodniejszy chip to niższy rachunek za prąd i większa gęstość obliczeń. Kluczowe pytanie brzmi, czy materiały wytypowane komputerowo przejdą realną walidację w fabryce. Dopóki nie ma niezależnych danych, obietnice pozostają obietnicami.
Co dalej?
- Firma zapowiada patenty na zastosowanie materiałów w GPU i licencjonowanie producentom chipów w ciągu roku od rundy
- Kolejnym testem będzie niezależna, laboratoryjna weryfikacja materiałów zgłoszonych w narzędziu Material Discovery Bench
Źródła
- TechCrunch — Discovered Materials is playing AI whack-a-mole to hunt cooler chips
- Y Combinator — Discovered Materials
