שבבי בינה מלאכותית מתחממים: הבעיה והפתרון הטכנולוגי
לפי דיווח ב-TechCrunch, שבבים המריצים עומסי עבודה של בינה מלאכותית סובלים מהתחממות יתר משמעותית במהלך פעולתם. התחממות זו מהווה את אחת הסיבות המרכזיות לכך שמרכזי נתונים ברחבי העולם צורכים כמויות כה גדולות של חשמל ונדרשים למערכות קירור מורכבות ויקרות. באופן בלתי נמנע, יזמים רבים בתעשייה פונים כעת לטכנולוגיות בינה מלאכותית במטרה לפתור את בעיית ההתחממות שהבינה המלאכותית עצמה יצרה מלכתחילה. חברת הסטארט-אפ Discovered Materials היא השחקנית העדכנית ביותר שנכנסת למאבק זה, עם תוכניות מוגדרות להשתמש בנחילים של סוכני בינה מלאכותית (AI agents) כדי לאתר ולגלות חומרים חדשים שיוכלו לשמש לבניית מעגלים משולבים יעילים וקרירים יותר.
גיוס סיד של 9 מיליון דולר וגיבוי ממשקיעים מובילים
חברת הסטארט-אפ Discovered Materials הכריזה לאחרונה על סגירת סבב גיוס סיד (Seed) מוצלח בהיקף של 9 מיליון דולר. את סבב הגיוס הובילה קרן ההון סיכון Lightspeed India Partners, והוא התבצע לאחר שהחברה סיימה את השתתפותה במאיץ הסטארט-אפים הידוע Y Combinator. לסבב הגיוס הצטרפו גם קרן Peak XV Partners וכן שורה של משקיעי אנג'ל בולטים ומוכרים בתעשייה, בהם פול גרהאם (Paul Graham), גוקול ראג'אראם (Gokul Rajaram), ותאריק שיהיפאר (Thariq Shihipar).
מייסדי החברה והשילוב בין מדע החומרים לסוכני בינה מלאכותית
מאחורי הקמת החברה עומדים המייסדים אדווית' סרידהאר (Advaith Sridhar) ואקאש ראמדאס (Akash Ramdas), שאיחדו כוחות כדי להשיק את המיזם המשותף. השניים משלבים בעבודתם רקע אקדמי וטכנולוגי עשיר: ראמדאס מביא עמו ניסיון מעשי ומחקרי משמעותי שצבר במהלך לימודי הדוקטורט שלו במדע החומרים באוניברסיטת סטנפורד (Stanford), בעוד שסרידהאר תורם את הניסיון המקצועי שלו בפיתוח סוכנים תבוניים שרכש במהלך עבודתו בחברות Persona AI ו-Luma Labs.
השניים פיתחו צינור תוכנה (software pipeline) ייחודי המשתמש במודלים של חברת Anthropic בתוך מערכת ייעודית מותאמת אישית (custom harness) לצורך יצירת כיוונים ומציאת חומרים פוטנציאליים (material leads). לאחר מכן, המערכת פונה למודלי פיזיקה בסיסיים (foundational physics models) שהמייסדים אימנו בעצמם, במטרה להריץ סימולציות מורכבות שנועדו לאמת ולבדוק האם החומרים המועמדים שהוצעו אכן מעוררים עניין מחקרי ויישומי.
סרידהאר תיאר בראיון ל-TechCrunch את ההפרש הדרמטי ביכולות החיפוש שהטכנולוגיה מביאה עמה: "[ראמדאס] ביצע אולי כ-20 ניחושים של חומרים ביום במהלך הדוקטורט שלו. כיום, אנו מסוגלים לבצע אלפי ניחושים של חומרים ביום על ידי הפעלת סוכני בינה מלאכותית אלה, אשר פועלים 24 שעות ביממה, 7 ימים בשבוע בענן, וחוקרים את כיווני המחקר המדעיים שהוא מגדיר עבורם".
חשיפת מאות חומרים וכלי ההשוואה Material Discovery Bench
לצד ההכרזה על גיוס ההון, חברת Discovered Materials פרסמה דוגמאות למאות חומרים חדשים שהתגלו באמצעות המערכת שלה, וכן חשפה את כלי ההשוואה שלה המכונה "Material Discovery Bench". כלי זה מתוכנן לעקוב ולבחון באופן שוטף כיצד מודלי חזית טכנולוגיים (frontier models) מתמודדים עם האתגר המדעי המורכב של גילוי חומרים.
בעוד שחברות אחרות בתעשייה, דוגמת MatNex, SandboxAQ ו-CuspAI, כבר השיקו בעבר יוזמות ומאמצים דומים בתחום זה, בחברת Discovered Materials מהמרים על כך שמיקוד ממוקד ובלעדי (laser-focus) בבעיות הטרמיות והתחממות החומרים של מוליכים למחצה הוא הדרך הנכונה שתוביל אותם להצלחה מסחרית. בסטארט-אפ מדווחים כי הצליחו לגלות כבר מספר חומרים חדשים התואמים את התכונות של חומרים קיימים המשמשים כיום יצרניות שבבים גדולות בתעשייה, אולם בשלב זה החברה אינה יכולה לחשוף או לשתף פרטים נוספים אודותיהם.
מרחב הפשרות ההנדסי ומשחק "הכה את החפרפרת" של המבנים האטומיים
אחד האתגרים הגדולים ביותר העומדים בפני החברה הוא מרחב הפשרות ההנדסיות (engineering trade-space). המייסדים מסבירים כי גם אם הם מצליחים למצוא חומר חדש שעשוי להפחית באופן משמעותי את ייצור החום בשבב או לשפר את פיזור החום, ייתכן שהחומר יהיה קשה או מורכב מדי לייצור פיזי של שבב בפועל במפעלי הייצור, או שתכונותיו החשמליות של החומר ייפגעו ויתפשרו כתוצאה מהשינויים במבנה שלו.
היימנט מוהאפטר (Hemant Mohapatra), השותף בקרן Lightspeed שהוביל את סבב גיוס הסיד הנוכחי, הסביר ל-TechCrunch את הקושי המדעי: "זה קצת כמו לשחק 'הכה את החפרפרת' (whack-a-mole) עם מבנים אטומיים. חומר מסוים הוא שימושי בעולם האמיתי רק אם כל התכונות והמאפיינים שלו מתכנסות יחד בו-זמנית, וזה בדיוק מה שהופך את בעיית החיפוש הזו לאתגר מעניין במיוחד".
מוהאפטר צופה כי התעשייה העוסקת בחיזוי חומרים חדשים תהפוך למוצר בסיסי (commoditized) ככל שהמודלים הטכנולוגיים ימשיכו להשתפר ולהתפתח. לדעתו, ההבדל התחרותי של Discovered Materials טמון בניסיון המקצועי והעמוק של ראמדאס בתחום, לצד היכולת להפעיל מעבדה פיזית שיכולה לבצע ניסויים מהירים ואימות מעשי של החומרים המועמדים – פעולה שהשניים כבר ביצעו בפועל עם מספר חומרים חדשים.
מודל עסקי המבוסס על רישום פטנטים והענקת רישיונות ליצרניות
בכל הנוגע למודל העסקי של החברה, סרידהאר מציין כי כאשר הם יזהו חומרים מועמדים בעלי ערך גבוה, החברה תפעל כדי לרשום פטנטים על השימוש בחומרים אלו בתוך מעבדים גרפיים (GPUs), או לחלופין לרשום פטנט על תהליך הייצור המאפשר להפיק שבבים מאותו חומר, ולאחר מכן להעניק רישיונות שימוש (licensing) ליצרניות השבבים השונות בשוק. הוא מביע תקווה כי במהלך השנה הקרובה יהיו בידי הסטארט-אפ חומרים חדשים שיהיו ראויים לרישום פטנט מסחרי.
האתגר המסחרי של התעשייה וצוואר הבקבוק הפיזי במעבדות
למרות ההתרגשות והעניין הרב סביב הטכנולוגיה, חשוב לציין כי עד כה טרם נרשמה השפעה מסחרית ממשית של תרופות או חומרים שהתגלו באמצעות בינה מלאכותית בשוק החופשי. הדוגמה הקרובה ביותר להצלחה היא ככל הנראה התרופה Renterosib של חברת Insilico Medicine, שהיא התרופה הראשונה שהתגלתה בעזרת בינה מלאכותית גנרטיבית והצליחה להגיע לשלב השני (Phase II) של ניסויים קליניים.
בתחום מדע החומרים, התגלו בעבר מספר חומרים מועמדים מבטיחים, כגון מגנטים קבועים ללא מתכות נדירות שפותחו על ידי חברת MatNex, או חומרים מוליכים למחצה חדשים שפותחו בשיתוף פעולה בין Panasonic וחברת Citrine Informatics. עם זאת, חומרים אלו עדיין לא הופצו או יושמו בקנה מידה מסחרי רחב בתעשייה.
בעוד ששיטות חיפוש אלו עשויות להבשיל כעת ככל שטכנולוגיות הבינה המלאכותית ממשיכות להשתפר, מוהאפטר מדגיש כי לדעתו מציאת מועמדים נוספים אינה מהווה את העיעקוב המרכזי במדע החומרים מבוסס ה-AI. במקום זאת, הוא טוען כי "הסינון הנכון שלהם וסינתזה שלהם (synthesizing) הם צוואר הבקבוק". סרידהאר מודה כי על אף שהנתונים הייחודיים והמומחיות של Discovered Materials יסייעו לה להתחרות מול מעבדות פיתוח גדולות ועשירות, המציאות היא שחלק ניכר מהעבודה ידרוש כניסה פיזית למעבדות רטובות (wet labs) וייצור מעשי של החומרים – "וזהו תהליך שלא ניתן להאיץ אותו".