AI čipy topí víc než návratový štít raketoplánu. Startup chce pomocí agentů objevit nové materiály
Discovered Materials získal 9 milionů dolarů na vývoj rojů AI agentů, které hledají nové materiály pro chladnější a úspornější čipy. Za tři měsíce dokázal simulovat, vyrobit a otestovat materiály srovnatelné s produkty vyvíjenými přes dvě desetiletí. Skutečnou překážkou však zůstává cesta z laboratoře do továrny.
Umělá inteligence má fyzický problém, který nelze vyřešit lepším promptem. Nejvýkonnější čipy vytvářejí při provozu obrovské množství tepla a datová centra spotřebovávají stále více elektřiny i vody na jeho odvedení. Startup Discovered Materials tvrdí, že hustota tepelného toku u dnešních grafických procesorů dosahuje přibližně 140 wattů na centimetr čtvereční. To je podle firmy více než na povrchu příďového štítu raketoplánu při návratu do atmosféry. Každá další generace čipů hranici posouvá.
Společnost proto nasazuje roje AI agentů k hledání nových materiálů pro polovodiče, tepelné rozhraní a další součásti čipů. Právě materiál určuje, kolik tepla při průchodu proudu vznikne, jak rychle se odvede a zda součástka vydrží výrobní proces. Discovered Materials nyní oznámil počáteční investici 9 milionů dolarů vedenou fondem Lightspeed, s účastí Y Combinatoru, Peak XV a několika známých technologických investorů. Peníze mají urychlit propojení výpočtů s fyzickou laboratoří.
Z dvaceti nápadů denně na tisíce
Spoluzakladatel Akash Ramdas strávil jedenáct let výzkumem materiálů pro polovodiče a na Stanfordově univerzitě získal doktorát z materiálových věd. Během studia podle jeho kolegy dokázal ručně posoudit přibližně dvacet kandidátů denně. Dnešní agentní systém generuje tisíce návrhů nepřetržitě. Nejde však jen o jazykový model vytvářející seznam chemických názvů. Vlastní program nejprve navrhne směr, další modely kandidáty simulují a fyzikální nástroje vyřadí řešení, která nesplňují požadované vlastnosti.
Druhý zakladatel Advaith Sridhar studoval umělou inteligenci na Carnegie Mellon University a pracoval na agentech ve firmách Persona AI a Luma Labs. Tým využívá modely Anthropicu v upraveném agentním prostředí a kombinuje je s vlastními základními fyzikálními modely. Jazyková AI umí číst výzkumné práce, formulovat hypotézy a plánovat další krok. Fyzikální simulace potom ověřuje, zda má navržená struktura vůbec šanci fungovat. Teprve nejperspektivnější kandidáti se dostanou do laboratoře.
Za tři měsíce od simulace k fyzickému vzorku
Během tříměsíčního programu Y Combinatoru firma podle vlastního oznámení simulovala, syntetizovala a otestovala materiály pro tepelné rozhraní, které se výkonem vyrovnají produktům největších chemických společností. Ty byly vyvíjeny a chráněny jako obchodní tajemství více než dvacet let. Tvrzení zatím nebylo nezávisle ověřeno a startup nezveřejnil přesné složení ani výsledky měření. Je proto vhodné chápat je jako slibný technický milník, nikoli jako důkaz připraveného komerčního produktu.
Materiálové rozhraní se nachází mezi čipem a chladičem a vyplňuje mikroskopické nerovnosti, které jinak brání přenosu tepla. Lepší vodivost může snížit teplotu procesoru, spotřebu ventilátorů nebo potřebu vodního chlazení. U datového centra s tisíci akcelerátorů mají i malé procentní úspory významný finanční dopad. Přínos se ale musí prokázat po dlouhém provozu, při mechanickém namáhání a v podmínkách hromadné výroby. Materiál, který funguje v laboratoři, může selhat po tisících tepelných cyklů.
Hledání připomíná hru, v níž se pořád objeví nový problém
Partner Lightspeedu Hemant Mohapatra přirovnal hledání ke hře whack-a-mole: když výzkumník zlepší jednu vlastnost, vyskočí jiný problém. Materiál může skvěle odvádět teplo, ale špatně vést elektřinu. Může být stabilní, ale obsahovat drahý nebo geopoliticky nedostupný prvek. Může fungovat ve vzorku, ale být neslučitelný s chemikáliemi a teplotami v polovodičové továrně. Úspěšný kandidát musí splnit mnoho požadavků současně, a právě v procházení obrovského prostoru kombinací může AI ušetřit nejvíce času.
Startup zveřejnil také Material Discovery Bench, otevřený test vytvořený s odborníky z IBM, výzkumného centra IMEC, Stanfordu a Cambridge. Má měřit, jak si nejpokročilejší modely vedou při reálném materiálovém problému, nikoli jen při otázkách z učebnice. Více ověřovacích mechanismů hodnotí návrh pomocí simulací a postupně mají přibývat i experimentální zkoušky. Otevřený benchmark může ukázat, zda nové modely skutečně zlepšují vědecký postup, nebo pouze přesvědčivě popisují známé poznatky.
Největší brzda není nápad, ale ověření
Strojové učení již dříve navrhlo miliony teoreticky stabilních krystalických struktur. Google DeepMind například v roce 2023 popsal 2,2 milionu kandidátů. Komerčně nasazených materiálů objevených AI je však stále minimum. Úzkým hrdlem se tak stává filtrování, syntéza a kvalifikace pro průmysl. Výroba polovodičů vyžaduje mimořádnou čistotu, opakovatelnost a kompatibilitu s procesy, do nichž výrobci investovali miliardy dolarů. Nový materiál musí nabídnout dostatečně velkou výhodu, aby ospravedlnil riziko změny zavedené linky.
Zakladatelé tento limit nezastírají. Připouštějí, že velká část práce musí proběhnout v mokré laboratoři a že fyzický proces nelze zrychlit stejným tempem jako generování hypotéz. Firma chce hodnotné kandidáty patentovat pro použití v grafických procesorech nebo chránit výrobní postup a následně licenci nabídnout výrobcům čipů. První patentovatelné materiály očekává během příštího roku. Mezi laboratorním výsledkem a příjmem z licence však může být několik let testů a vyjednávání.
Proč by to mělo zajímat české podniky
Česko nepatří mezi hlavní výrobce nejpokročilejších procesorů, ale má silné průmyslové firmy, materiálový výzkum, elektroniku a dodavatele přesného strojírenství. Metoda propojující agenty, simulace a rychlé experimenty se netýká jen čipů. Stejný princip lze použít u baterií, katalyzátorů, povlaků, slitin nebo stavebních materiálů. Podnik s vlastní laboratoří může zkrátit fázi formulování hypotéz a lépe využít drahé experimentální zařízení, pokud má kvalitní data a odborníky schopné výsledky zpochybnit.
Začněte problémem s jasně měřitelnými fyzikálními parametry, nikoli obecným zadáním „najděte lepší materiál“.|Propojte jazykový model s ověřenými simulacemi a laboratorním informačním systémem; samotná textová odpověď nestačí.|Zaznamenávejte i neúspěšné experimenty, protože právě ty brání agentovi opakovat slepé uličky.|Chraňte vlastnictví dat, receptur a nově vzniklých výsledků ve smlouvách s poskytovateli modelů.|Počítejte s tím, že kvalifikace, certifikace a změna výroby zůstanou pomalejší než digitální část výzkumu.
Příběh Discovered Materials dobře ukazuje skutečnou hodnotu vědecké AI. Model nenahrazuje laboratoř ani zkušenost materiálového vědce. Rozšiřuje počet hypotéz, které tým dokáže promyslet, a posílá do drahého experimentu jen nadějnější kandidáty. Pokud se podaří propojit rychlost agentů s důsledným fyzickým ověřením, může se zkrátit cesta od nápadu k použitelnému materiálu. Bez této druhé poloviny ale i tisíce návrhů denně zůstanou jen seznamem slibných struktur v počítači.
Ekonomický přínos se nebude měřit počtem vygenerovaných molekul, ale počtem kandidátů, které projdou kvalifikací a dostanou se do výroby. To může změnit i obchodní model laboratoří. Místo prodeje obecné platformy mohou úspěšné týmy vydělávat na patentech, licencích a společném vývoji s konkrétním výrobcem. Hodnota se přesune k unikátním experimentálním datům a schopnosti rychle ověřovat, protože samotné generování návrhů bude postupně levnější a dostupnější.
Pro investory je proto důležitější kvalita týmu a laboratoře než působivý počet AI agentů. Materiálové vědy vyžadují znalost výrobních omezení, měřicích metod i dodavatelských řetězců. Startup, který jen přidá jazykový model k veřejné databázi, může vytvořit zajímavé kandidáty, ale obtížně prokáže jejich hodnotu. Discovered Materials sází právě na spojení Ramdasovy doménové zkušenosti se Sridharovou znalostí agentních systémů.
Tlak na nové materiály poroste s energetickými nároky datových center. Lepší chlazení samo o sobě nevyřeší spotřebu AI, může však snížit ztráty, zvýšit hustotu výpočetního výkonu a prodloužit životnost zařízení. Každé zlepšení je zároveň součástí širšího systému: konstrukce čipu, napájení, software, budova i zdroj elektřiny. Úspěšný materiál tedy nebude zázračnou odpovědí, ale jednou z pák, které mohou ekonomiku výpočetní infrastruktury posunout.
Podniky, které chtějí podobný přístup vyzkoušet, by měly sledovat hlavně podíl experimentů potvrzených v laboratoři, dobu od návrhu k měření a celkové náklady na jeden úspěšný kandidát. Počet návrhů za den je snadno sdělitelný, ale sám o sobě neříká, zda výzkum postupuje rychleji k výrobně použitelnému výsledku.
Zdroje: Discovered Materials – Accelerating the lab-to-fab timeline (https://discoveredmaterials.com/); TechCrunch – Discovered Materials is playing AI whack-a-mole to hunt cooler chips (https://techcrunch.com/2026/08/10/discovered-materials-is-playing-ai-whack-a-mole-to-hunt-cooler-chips/); Nature – Scaling deep learning for materials discovery (https://www.nature.com/articles/s41586-023-06735-9).