材料科学创新推动下一代人工智能发展

赞助通过材料科学创新推进下一代人工智能随着人工智能将半导体和数据中心推向新的物理极限，材料科学的进步对于维持创新步伐变得至关重要。由Syensqo提供关于人工智能的讨论通常集中在算法、计算能力或对新半导体制造工厂和超大规模数据中心的巨额投资上。

但在这些进步的背后，还有另一层使其成为可能的创新：先进材料。每一代新一代AI技术都需要更多的处理能力、更多的内存、更高的能源效率和更高的可靠性。计算性能的每一次提高都会增加对制造和运行AI的系统的物理要求。

实现这些成果不仅取决于芯片设计和系统架构的进步，还取决于使它们能够在极端条件下工作的材料的进步。随着AI不断突破半导体和数据中心基础设施的物理极限，先进材料不再仅仅是支持该领域的创新，它们正在定义可能性的极限。

性能优先先进材料的存在是为了解决性能挑战。随着AI提高标准，这些挑战变得更加艰巨。如今，制造半导体芯片需要数千个严格控制的工艺步骤，几乎没有出错的余地。

温度的微小变化或化学不稳定性可能会产生缺陷，从而降低良率并提高制造成本。对于每一代新一代半导体芯片，制造商都在寻求能够在日益恶劣的操作条件下提供更高纯度、更高的耐化学性和等离子体性以及更好稳定性的先进材料。

这些都是熟悉的工程挑战，正在被推向新的极端。正是在这里，材料创新通过聚合物、弹性体、特种流体和其他先进材料的不断进步发挥作用，使每一代新技术成为可能。对于材料公司来说，这不是要重塑半导体制造，而是要确保支持该行业的材料继续与之一起发展。

同样的原则也适用于半导体制造领域之外。随着AI工作负载的要求越来越高，为其提供动力的物理基础设施正在迅速发展。不断提高的计算密度正在改变数据中心设计，推动对更复杂的热管理、更高电压的电源架构、更大的数据存储以及更快、更可靠的数据传输的需求。

系统的每个部分都承受着更大的压力，从冷却和电源管理到关键电子组件，例如连接器、电容器和硬盘驱动器。

在Syensqo，我们正在利用我们在电子和电气元件方面的专业知识，以及来自其他市场的见解，来满足这些新兴需求。例如，随着数据中心转向更高电压架构和更高功率密度，我们面临的许多材料挑战与电动汽车的挑战非常相似。

例如，来自半导体和汽车冷却剂系统的流体循环专业知识可以适用于AI服务器的直接液体冷却设计。通过跨市场转移知识，我们可以加速新的电力和热管理解决方案，同时支持下一代AI基础设施所需的可靠性。

无论我们谈论的是半导体制造还是超大规模服务器农场，材料科学公司面临的挑战都是一样的：在不影响可靠性的情况下实现更高的性能。性能定义的新变化虽然性能仍然是首要任务，但性能的定义方式正在发生变化。

除了满足下一代半导体和数据中心日益严格的技术要求外，现在人们还期望以更负责任的方式开发和制造这些材料。例如，全氟弹性体用于密封半导体制造设备。这些材料在极端温度、侵蚀性等离子体和高活性化学物质下工作。

为了使工艺更可持续，在Syensqo，我们的下一代全氟弹性体采用不含氟表面活性剂的制造工艺。我们的目标是制造一种性能更好的材料，以更好的方式生产，确保制造商不再需要在更高性能和更负责任的材料生产方式之间做出选择。

这种方法反映了整个行业更广泛的现实。新材料并不仅仅因为它们是新的而被采用。认证可能需要数年时间，制造商只有在材料解决真正的工程挑战或启用新技术时才会做出更改。性能仍然是入场门槛。今天的区别在于，性能的定义已经扩大。

成功越来越依赖于从一开始就通过更负责任的制造提供卓越的技术。加速发现步伐随着性能标准的提高，我们的创新方式也必须随之发展。开发先进材料传统上涉及一个漫长的假设、合成、测试和迭代过程。虽然这个过程保持不变，但新的数字工具正在帮助研究人员更快地完成这些周期。

通过帮助研究人员尽早识别最有希望的候选者，AI可以减少所需的物理实验数量，并加速材料发现的最早阶段。AI并没有取代科学专业知识。

它正在帮助科学家更有效地应用这些专业知识，使他们能够花更少的时间寻找答案，花更多的时间解决行业最严峻的挑战。

在Syensqo，我们正在通过使用多种AI工具（包括Microsoft Discovery平台）将这种方法付诸实践，该平台正在帮助研究人员识别和评估用于半导体制造和数据中心的下一代热传递液的有前途的分子候选物。

AI帮助我们的研究人员根据候选分子需要实现的属性快速识别和评估有前途的分子候选物。这使我们能够将实验室工作集中在最有潜力产生结果的地方，加速发现并缩短将有前途的材料转化为客户可以认证和部署的解决方案所需的时间。

从实验室发现到合格材料的过程始终需要科学专业知识、严格的测试以及与客户的密切合作。但通过加速发现的早期阶段，AI可以帮助材料创新跟上半导体、电子和数据中心等行业不断变化的需求。进步是挣来的人工智能的未来将取决于更好的算法、更强大的芯片和更大的计算基础设施。

但维持这一进步还需要材料的进步，使这些技术成为可能。

无论是半导体制造还是AI基础设施，进步都是挣来的。每一代新技术都会提高标准，每种新材料都必须证明它能够提供所需的性能、可靠性和效率，然后才能赢得一席之地。对于材料公司来说，这仍然是挑战和机遇。

此内容由Syensqo制作。它并非由MIT Technology Review的编辑人员撰写。深度探索人工智能一家初创公司声称它突破了阻碍LLM的瓶颈Subquadratic现在分享了有关其新模型的更多细节。

但有些人仍然持怀疑态度。对AI就业恐慌的现实检验这些数字真正说明了人工智能对劳动力市场的影响？答案可能会让您感到惊讶。Anthropic发现了一个隐藏的