用 AI 搜尋所有可能的材料：Max Welling 和 CuspAI 想做材料科學的 Google

TL;DR

• CuspAI 是一間用生成式 AI 搜索新材料的公司，累積募資超過 1.3 億美元，目標是加速能源轉型和碳捕捉所需的材料開發
• Max Welling 把實驗室想成一種「物理處理單元」（PPU），自然界本身就是最快的電腦，只是介面比較難用
• AI for Science 這個領域正在爆發，從蛋白質折疊到材料發現，資金規模已經從數億進入數十億美元等級
• CuspAI 的策略是「賦能化學家」，讓領域專家用搜尋引擎的方式找材料，短期內不追求全自動化的暗房實驗室
• 擴散模型和非平衡熱力學的數學竟然是同一套，Max Welling 把這個發現寫成了一本書

---

Latent Space 是由 swyx 和 Alessio 共同主持的 AI 工程師 Podcast，專門找 AI 領域的建造者和研究者來聊前沿技術。這集的來賓是 Max Welling，阿姆斯特丹大學機器學習教授，也是 CuspAI 的共同創辦人兼 CAIO（Chief AI Officer）。搞深度學習的人大概都聽過他和 Diederik Kingma 一起提出的 VAE（Variational Autoencoder，變分自編碼器），這篇論文拿下了 ICLR 2024 首屆 Test of Time Award。CuspAI 則是一間用 AI 加速新材料發現的公司，累積募資超過 1.3 億美元，投資方包括 Nvidia、Temasek、Samsung Ventures 和 Hyundai。

---

從量子重力到氣候變遷

Max Welling 的職涯軌跡很有意思。他博士做的是量子重力，指導教授是諾貝爾獎得主 Gerard 't Hooft。年輕時就是追著「最有趣的問題」跑，黑洞裡面有什麼、宇宙邊界是什麼、量子力學到底在講什麼。

但他說了一句很真實的話：做二維量子重力，你幾乎可以保證不會對這個世界產生任何 impact。

隨著年紀漸長，「影響力」變成另一個維度。他開始擔心氣候變遷，而政治顯然搞不定這件事，所以他決定從技術端下手。這就是 CuspAI 的起點。

萬物之下皆是材料

Max 有一個很好的論述框架：我們現在整天在談 LLM，但 LLM 跑在 GPU 上，GPU 是把材料沉積到晶圓上用 EUV 光蝕刻出來的。摩爾定律走到瓶頸，下一步的突破靠的是新材料。

電池、燃料電池、太陽能板，全部都是材料問題。他提到新型鈣鈦礦（perovskite）太陽能板理論上可以捕捉 50% 的光，而目前矽基的大概只有 22% 左右。

老實說，這個「萬物底層都是材料」的觀點不新，但從一個同時懂 AI 和物理的人嘴裡說出來，說服力完全不同。

材料科學的搜尋引擎

傳統的材料研發流程是：讀論文、提假設、做實驗、學習、重複。非常慢。

CuspAI 想做的事情是把這個過程變成一個搜尋引擎。不只搜已經存在的材料，而是搜「所有可能的分子」。你輸入需求，系統開始運算、跑實驗，吐出一份候選材料清單。你看了覺得不對，調整查詢條件，再搜一次。

聽起來很科幻，但他們的平台架構其實滿直覺的：先用生成式模型產出候選材料，然後通過多尺度、多精度的 digital twin（數位孿生）逐層篩選。便宜的計算先跑，淘汰明顯沒用的，再把存活的送進更昂貴的模擬，最後剩下的才進實驗室。

最近他們也開始加入 agentic 的元素，有 agent 會自動搜化學文獻、提出實驗建議，也有 agent 負責編排整個計算和實驗流程。

物理處理單元：自然界就是最快的電腦

這集最讓我印象深刻的概念是 Max 提出的 PPU（Physics Processing Unit）。他說你有 digital processing unit（資料中心裡的運算），然後你有 physics processing unit（實驗室裡的實驗）。自然界本身就是在幫你做運算，而且是已知最快的電腦。

只是這台電腦的介面比較難用，你得搞一堆又大又笨重的實驗裝置。

但他的願景是讓數位運算和物理運算無縫接軌，共同收斂到你想要的新材料。這個比喻我覺得非常精準，把 wet lab 重新定位成一種「運算資源」，而不是跟 AI 平台割裂的東西。

人類不會被踢出迴圈，至少短期內不會

Max 對自動化的態度很務實，沒有在喊 super intelligence。他說得很直白：「我們不說超級智慧，因為我不太知道那是什麼意思，而且我不想過度行銷。」

CuspAI 的開發哲學是先手動走一遍工作流程，發現哪裡卡住就加新工具，然後再慢慢自動化。比如他們在做多孔材料時發現材料一搖就塌了，就加了一個穩定性測試工具。

他也提到一個很實際的問題：每換一個材料類別，實驗裝置不同、表徵機器不同、模型也得重新訓練微調。所以那種「關上門讓 AI 自己發現有趣材料」的全自動暗房實驗室，短期內不會發生。

這個判斷我覺得很靠譜。在材料科學這種 domain，實務經驗的密度太高了，人家化學家做了一輩子的東西，你說五年內全自動化？換我是那些化學家，我也會搖頭。

AI for Science 是泡沫嗎？

Max 自己也承認這個領域正在形成某種泡沫，他提到有 Jeff Bezos 支持的 AI for Science 新創拿了 62 億美元的種子輪。但他也指出一個跟量子計算或核融合不同的地方：AI for Materials 每建一個東西就立刻有用。不像量子計算要等 20、30 年才能有突破，材料 AI 的工具做出來，客戶馬上能用。

CuspAI 目前的合作夥伴包括化學公司 Kemira（合作開發去除水中 PFAS 的材料）和 Hyundai，也在追一個他不願透露細節的「燈塔級」突破性材料。

擴散模型 = 非平衡熱力學？

最後一個有趣的點：Max 即將出版一本書叫《Generative AI and Stochastic Thermodynamics》，講的是擴散模型、強化學習、MCMC sampling 這些東西背後的數學，跟物理學中的隨機熱力學（stochastic thermodynamics）竟然是同一套。

他把這個發現追溯到 Jeff Hinton 和 Radford Neal 很早就寫下的 variational free energy，以及 Karl Friston 的自由能原理。現在這兩個領域可以開始互相借鏡，從物理學的波動定理（fluctuation theorems）中找到改進 AI 演算法的靈感。

這種跨領域的統一感，確實是讓人興奮的那種科學美感。

---

這集 Podcast 讓我對 AI for Science 的理解又深了一層。特別是 Max 那種「不過度承諾、先解決眼前問題」的態度，在一堆人喊 AGI 的年代格外清醒。想看更多這類 AI 和科學交叉的產業觀察，可以訂閱 wilsonhuang.xyz，我會持續追蹤這些值得關注的方向。