生成式材料设计：输入所需材料特性（如强度、导电性、耐热性或碳捕获能力），平台即可自动生成候选分子结构。
大规模智能筛选：在数十万亿量级的化学空间中快速筛选，评估候选材料的热力学稳定性与关键性能。
仿真与性能预测：依托 NVIDIA 加速计算与 Meta 的 UMA 原子模型、kUPS 分子模拟工具，精准预测材料性质。
合成路线规划：逆向推导可行的合成路径，确保 AI 设计的材料真正“造得出来”。
实验验证闭环：通过 AI Materials Foundry 全球实验室网络完成自动化合成与高通量验证，并将结果反馈回模型迭代。
数据底座：拥有全球最大的精选实验材料数据集，并联合发布超 100 亿数据点的开源碳去除数据集。

第一步，访问 CuspAI 官网（cusp.ai），了解其核心平台 MIRA 的开放合作与接入方式。
第二步，以自然语言描述所需材料性能，例如“一种能够高效捕获二氧化碳的多孔材料”。
第三步，平台完成候选材料的生成、评估与优化，输出推荐结构及性能预测报告。
第四步，根据合成路线规划，将候选材料对接至匹配的实验室进行自动化合成与验证。
第五步，将实验数据反馈回模型持续迭代，最终获得可量产的高性能材料。
目前平台主要面向企业及科研机构，以合作与订阅形式提供服务。

顶级学术与工业双重基因：联合创始人 Max Welling 是变分自编码器（VAE）的联合发明人，团队汇聚诺奖得主 Hinton、Meta 首席 AI 科学家 LeCun 等顾问，论文总引用量超 200 万次。
端到端闭环能力：从设计、模拟、合成到实验验证一体化运作，真正打通“从算法到实验室再到量产”的链路。
极速发现能力：官方称可比传统试错研究快约 10 倍，曾与 Kemira 合作在 6 个月内筛选 300 万亿个结构并交付 20 个已验证候选材料。
强大生态网络：AI Materials Foundry 汇聚 NVIDIA、Meta 等 45+ 全球机构，整合数据、算力、实验室与专家资源。
真实客户验证：ASML、Meta、三星、现代等头部企业已实际采用其材料搜索引擎。

在 AI 材料发现赛道，竞争者包括 Orbital Materials、XtalPi、Schrödinger、Lila Sciences、Periodic Labs 等。
差异化定位：多数竞品强调算法与模型指标，CuspAI 更注重客户落地，已拥有 ASML、Meta、三星、现代等真实商业客户。
生态协同优势：通过 AI Materials Foundry 整合 NVIDIA 算力、Meta UMA 模拟模型与全球实验室网络，形成难以复制的协同效应。
数据壁垒：全球最大精选实验材料数据集叠加百亿级开源数据点，构成独特的模型训练优势。
资本与估值：累计融资超 6.5 亿美元，估值达 26 亿美元，9 个月增长近 5 倍，获贝佐斯与英国主权 AI 基金等重磅背书。

Q1: CuspAI 是什么？由谁创立？
A1: CuspAI 是 2024 年成立于英国剑桥的 AI 材料发现公司，由 Chad Edwards 与 Max Welling 联合创立，剑桥大学研究人员深度参与其生态网络。
Q2: MIRA 平台是什么？
A2: MIRA 是 CuspAI 的核心 AI 平台，被称为“材料世界的搜索引擎”，支持生成式设计、模拟、合成规划与实验验证的端到端材料发现流程。
Q3: CuspAI 能将材料发现提速多少？
A3: 官方称可比传统试错研究快约 10 倍，例如与 Kemira 合作，6 个月即筛选 300 万亿个分子结构并交付 20 个经验证的候选材料。
Q4: CuspAI 与剑桥大学是什么关系？
A4: CuspAI 总部位于剑桥，剑桥大学是其 AI Materials Foundry 创始实验室网络成员，材料科学与冶金系团队提供高通量实验与自动化验证专长。
Q5: CuspAI 主要应用于哪些领域？
A5: 主要应用于半导体、清洁能源、碳捕获与存储、电池储能、水净化及先进制造等需要突破性材料的行业。
Q6: 个人用户可以免费使用 CuspAI 吗？
A6: 目前主要面向企业与科研机构，通过合作与订阅方式提供服务，个人可通过官网了解详情。