YC 押注的 Discovered Materials 让 LLM 在半导体材料发现上跨过了可用门槛

YC 2026 春季孵化的 Discovered Materials 在 AI for Science 这个赛道里是一个具体而微小的突破。基准测试 Material Discovery Bench 显示，GPT-5.6 Sol 在单次运行内能发现 1 种新材料，Claude Opus 5 能发现 3.4 种，Claude Sonnet 5 能发现 3.0 种。这些数字看起来不大，但背后的工程复杂度极高——让 LLM 在化学反应路径、化学合成可行性、性能评估这些维度上同时做出合理判断，是过去几十年材料科学 AI 化未能完全突破的难题。

这件事对半导体行业的意义不是颠覆性的，但确实是一个渐进但真实的改变。过去材料发现依赖研究人员的直觉和大量实验试错，从概念到实际生产通常需要 10-20 年。AI 加速这个过程后，新材料的研发周期可能压缩到几年。AI 发现的新材料不仅能降低芯片制造成本，还可能让中小公司有机会参与到原本只有巨头才能玩的高性能材料研发中。这种"参与门槛下降"的趋势比"性能突破"更能改变半导体行业的长期结构。

Discovered Materials 的具体方法是用 LLM 的多步推理能力加上化学专业知识库，让 AI 成为一个可以协作的研究助手而不是替代者。AI 不直接做实验，而是生成候选材料列表、评估合成路径可行性、预测性能指标，研究人员基于 AI 的输出做最终决策。这种"AI 助手 + 人类判断"的模式让 AI 在物理世界的应用有了一个比"全自动机器人"更现实的落地路径。

这件事给普通创业者的启示比数字本身更重要。AI 在编程、设计、写作等数字内容领域的应用已经被反复证明可行，但在物理世界的应用才刚刚开始。YC、a16z、红杉等头部基金都在 AI for Science 这个方向加注。普通创业者关注并理解这个领域的进展，可能比追大模型本身的迭代更有长期价值。

更具体地说，AI for Science 这个赛道里藏着普通人可以切入的方向。化学方向可以做 AI 辅助的分子设计、催化剂筛选、电池材料优化工具。生物方向可以做蛋白质从头设计、基因调控网络分析、合成生物学工具。物理方向可以做 AI 加速的 CFD 仿真、超导材料设计、量子化学计算平台。这些方向需要的复合人才比纯软件更高，但门槛反而是优势——会同时用 AI 工具和懂垂直领域科学的创业者非常稀缺，竞争者少、社会价值大、商业回报高。

Discovered Materials 传递的信号是清晰的：AI 正在从数字世界走向物理世界，未来 5-10 年会有大量围绕 AI for Science 的创业机会。

AI for Science 这个赛道近两年已经涌现出多个值得关注的初创公司。药物发现领域的 Insilico Medicine 已经用 AI 发现多种新药候选分子并进入临床试验。生物设计领域的 Ginkgo Bioworks 用 AI 设计微生物工厂，2025 年营收超过 10 亿美元。材料发现领域的 Citrine Informatics 用 AI 加速材料研发，服务全球 500 强制造企业。这些公司的共同点是都把"AI + 垂直领域科学知识"作为核心壁垒，而不是单纯的模型层创新。

Discovered Materials 加入这条路意味着 AI for Science 的关注点从"生命科学"扩展到"材料科学"。半导体材料作为现代工业的基础，研发周期长、试错成本高、对人才要求苛刻，AI 介入这个领域的价值可能比生命科学还要大。

创业找资源，上乌鸦部落。