材料科學的「愛迪生困境」

想像一下，你需要花十年時間、投入數千萬美元，才能找到一種能讓電動車電池續航翻倍的新材料。這就是材料科學的殘酷現實——愛迪生為了找到燈泡燈絲，試了上千種材料；而今天的科學家，依然用類似「試錯法」在實驗室裡慢慢摸索。

但這一切正在被AI徹底改寫。上週，一間名為Discovered Materials的新創公司登上Y Combinator（YC）2026年夏季Demo Day，他們做的事只有一件：用AI代理（AI Agents）自動發現新材料。這間公司一亮相就獲得大量關注，因為它觸及的正是科技業最「卡脖子」的環節——材料創新。

為什麼這件事值得HK/TW讀者關注？因為材料科學是半導體、電池、航太、醫療器材的基石。台灣的晶圓代工、香港的科研機構，全都依賴材料突破。而Discovered Materials代表的，不只是「用AI加速研發」這麼簡單，它象徵著整個研發產業鏈的範式轉移。

AI代理如何「自動」發現新材料？

Discovered Materials的核心技術，是訓練AI代理自主執行材料發現的完整流程。傳統的材料研發流程是：科學家提出假設 → 設計實驗 → 合成材料 → 測試性能 → 分析數據 → 修正假設 → 重複循環。這個過程通常需要5到10年，才能從實驗室走到商業化。

這間新創的AI系統，把這個流程拆解成可自動化的模組。首先，AI代理會掃描數百萬篇科學論文和專利文件，建立材料知識圖譜。接著，它會用生成式模型提出候選材料結構——這些結構可能從未存在於自然界，但根據物理規律和化學原理，理論上應該具有目標性能。

更關鍵的是，AI代理並非只在電腦裡「紙上談兵」。它會直接控制自動化實驗設備，實際合成候選材料，進行測試，然後把結果回饋給模型。這種「閉環學習」模式，讓AI每次實驗都比上一次更聰明。YC的資料顯示，這套系統已將材料發現周期從「十年」壓縮到「數月」。

具體數字有多驚人？根據該公司在YC Demo Day公布的數據，他們已在電池電解質、半導體散熱材料、碳捕獲吸附劑三個領域，成功發現多種性能超越現有商業材料的新化合物。其中一款電池電解質材料，離子導電率比目前最先進的商用產品高出37%，而研發時間僅花了四個月。

從「十年」到「數月」的ROI革命

要理解這個突破的商業價值，我們需要看材料科學的經濟帳。傳統上，開發一種新材料的平均成本在1,000萬至5,000萬美元之間，時間成本是5到10年。這意味著，只有資金雄厚的大型企業（如杜邦、3M、巴斯夫）才有能力進行材料創新，而且失敗率高達95%以上。

Discovered Materials的模式，把這個成本結構徹底顛覆。AI代理可以24小時不間斷運作，同時追蹤數百個材料候選方案。實驗室自動化設備的每小時成本，遠低於人工實驗的人力成本。該公司宣稱，他們的材料發現成本僅為傳統方法的十分之一，時間縮短至原本的二十分之一。

這對產業的影響是深遠的。以電動車電池為例，目前業界最大的瓶頸之一，就是固態電池的電解質材料尚未找到完美配方。豐田、三星SDI、寧德時代都在這條賽道上投入數十億美元。如果AI能讓材料發現從「十年」縮短到「數月」，誰能率先掌握這項技術，誰就能在電動車電池的下一輪競賽中取得決定性優勢。

半導體產業同樣受惠。隨著晶片製程逼近物理極限，先進封裝和散熱材料變得至關重要。台積電的CoWoS先進封裝技術，需要特殊的介電材料和散熱介面材料；三星的GAA電晶體也需要新型閘極介電質。這些材料的開發，正是AI材料發現的最佳應用場景。

材料AI化的深層意涵

Discovered Materials並非唯一看到這個機會的團隊。Google DeepMind在2023年底發布的GNoME（Graph Networks for Materials Exploration），一口氣預測了220萬種新材料結構，其中38萬種被認為是穩定的候選材料。微軟的MatterGen計畫，也在用生成式AI設計具有特定性能的新材料。

但Discovered Materials的差異化在於，他們不只是「預測」材料，而是直接「閉環」到實驗驗證。這種「AI+自動化實驗」的組合，正是材料科學AI化的終極形態。正如YC合夥人在Demo Day上的評論：「這不是加速材料發現，這是重新定義材料發現。」

對企業的啟示是什麼？首先，AI不是用來「取代」科學家，而是讓科學家從繁瑣的試錯中解放出來，專注於更高層次的創意和策略思考。其次，材料科學的AI化，將打破大型企業的研發壟斷。新創公司和小型實驗室，現在有機會用更少的資源，在材料創新上與巨頭競爭。

延伸閱讀

香港台灣的機會與挑戰

對HK/TW的科研機構和企業來說，這波材料AI化浪潮既是機會也是威脅。台灣的半導體產業鏈，從IC設計、製造到封裝測試，都高度依賴材料技術。如果競爭對手率先用AI加速材料開發，台灣的技術優勢可能被侵蝕。

但台灣也有獨特的優勢。工研院、中研院在材料科學領域有深厚積累，加上半導體產業的實戰經驗，完全有條件建構自己的AI材料發現平台。香港的大學研究機構（如港大、科大）在化學和材料科學領域的論文產出量排名世界前列，若能結合AI和自動化實驗技術，有潛力成為亞洲的材料AI創新中心。

關鍵在於，我們是否願意打破傳統研發的思維定式，擁抱「AI+自動化」的新範式。材料科學的AI化不是未來式，而是進行式。那些率先轉型的機構，將在下一輪科技競賽中佔據先機；那些觀望等待的，可能就像當年錯過互聯網革命的企業一樣，被時代拋在後面。