# Discovered Materials шукає ШІ-матеріали для холодніших чипів > Стартап Discovered Materials перевіряє тисячі AI-кандидатів на роль теплопровідних матеріалів для чипів, і майже всі одразу відсіюються в лабораторії. - Опубліковано: 10 серпня 2026 р. (2026-08-10T12:51:01.908369+00:00) - Розділ: AI-дослідження - На основі публікації: [TechCrunch](https://techcrunch.com/2026/08/10/discovered-materials-is-playing-ai-whack-a-mole-to-hunt-cooler-chips/) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=discovered-materials-%D1%88%D1%83%D0%BA%D0%B0%D1%94-%D1%88%D1%96-%D0%BC%D0%B0%D1%82%D0%B5%D1%80%D1%96%D0%B0%D0%BB%D0%B8-%D0%B4%D0%BB%D1%8F-%D1%85%D0%BE%D0%BB%D0%BE%D0%B4%D0%BD%D1%96%D1%88%D0%B8%D1%85-%D1%87%D0%B8%D0%BF%D1%96%D0%B2 --- Стартап Discovered Materials перебуває у безперервному циклі пошуку сполук для тепловідведення в чипах: модель штучного інтелекту пропонує кандидата, лабораторія перевіряє його властивості на практиці, і переважна більшість варіантів одразу вибуває з гонки. Це не просто наукова цікавість. Чипи для AI-навантажень — від тренування великих мовних моделей до інференсу — виділяють дедалі більше тепла на квадратний сантиметр кремнію, і якщо це тепло не відводити достатньо швидко, процесор просто знижує частоту, щоб не згоріти. Тому пошук матеріалів, які проводять тепло краще за мідь чи алюміній, — це питання не лабораторної естетики, а реальної продуктивності дата-центрів. Орієнтир тут відомий і без жодного стартапу: алмаз проводить тепло на рівні приблизно 2000 Вт/(м·К), а кубічний арсенід бору, відкритий фізиками ще у 2018 році, показав провідність близько 1000 Вт/(м·К) — обидва на порядок кращі за мідь. Проблема в тому, що обидва матеріали або надто дорогі, або надто складні у виробництві для масового застосування в пакуванні чипів. Саме в цей розрив і намагається влізти Discovered Materials зі своїм ШІ-скринінгом. ## Чому охолодження чипів стало вузьким місцем для AI? Тепловий пакет (TDP) флагманських ШІ-прискорювачів зріс з приблизно 300–400 Вт п'ять років тому до 1000–1200 Вт у чипах класу Nvidia Blackwell сьогодні. У стійці, де таких прискорювачів десятки, це вже не питання радіатора й вентилятора — це питання рідинного охолодження, окремих систем розподілу теплоносія й капітальних витрат, які можуть перевищувати вартість самих чипів. - Вищий TDP означає більше витрат на охолодження в операційному бюджеті дата-центру, а не лише в капітальних витратах на закупівлю GPU. - Перегрів змушує чип знижувати частоту (троттлити) — компанія платить повну ціну за GPU, але не отримує повну продуктивність. - Щільніше пакування чиплетів у 3D-стеки підвищує локальну густину тепла швидше, ніж встигають масштабуватися традиційні тепловідводи. ## Як ШІ шукає матеріали і чому це схоже на гру у кротів? [За даними TechCrunch](https://techcrunch.com/2026/08/10/discovered-materials-is-playing-ai-whack-a-mole-to-hunt-cooler-chips/), Discovered Materials навчає моделі на базах даних кристалічних структур і фізичних властивостей, щоб передбачати теплопровідність тисяч гіпотетичних сполук ще до того, як хтось спробує їх синтезувати. Це продовжує підхід, який ще у 2023 році застосував Google DeepMind у проєкті GNoME, запропонувавши мільйони кандидатів на нові стабільні матеріали. Але передбачення моделі — лише перший фільтр: більшість «перспективних» сполук у лабораторії або нестабільні, або токсичні, або їх неможливо виростити у формі, придатній для чипового виробництва. Тому команда постійно повертається до моделі за новим кандидатом — звідси й порівняння з грою у «вибий крота»: щойно один варіант відпадає, на його місце одразу підставляють наступний. ## Кому це вигідно, якщо пошук дасть результат? Найбільше виграють гіпербскейлери й дизайнери чипів — Nvidia, AMD, Google, Amazon, — яким кращий теплопровідний матеріал дозволив би підвищити щільність пакування без пропорційного зростання витрат на рідинне охолодження. Другий бенефіціар — виробники термоінтерфейсних матеріалів (термопасти, gap-pad, heat spreader), для яких навіть на 20–30% краща провідність означає прямий контракт із чипмейкерами. Для менших AI-стартапів і edge-пристроїв ефект буде опосередкованим: дешевше охолодження в дата-центрі з часом транслюється в нижчу ціну за годину інференсу в хмарі. ## Що з цим робити AI-білдерам вже зараз? Наша теза проста: вузьке місце в цій історії — не генерація кандидатів, а їх валідація. AI сьогодні здатен запропонувати тисячі гіпотетичних сполук за години, але перевірка кожної в реальній лабораторії досі йде людськими руками й займає тижні або місяці. Поки цикл «синтез → вимірювання → фідбек у модель» не автоматизований роботизованими лабораторіями, швидкість відкриття матеріалів обмежена не алгоритмом, а пропускною спроможністю фізичного експерименту. Для AI-білдерів, які закладають бюджет на інфраструктуру на 2027–2028 роки, практичний висновок такий: розраховувати на кардинально дешевше охолодження найближчим часом не варто — матеріал, який сьогодні пройшов перший раунд симуляцій, зазвичай потребує 5–7 років, щоб дійти до кваліфікованого для масового виробництва чипа. ## Що таке Discovered Materials? Discovered Materials — стартап, який застосовує моделі машинного навчання для пошуку нових сполук з високою теплопровідністю для охолодження мікрочипів, поєднуючи AI-прогнози з фізичною перевіркою кандидатів у лабораторії. ## Чи з'являться такі матеріали в реальних процесорах найближчим часом? Малоймовірно раніше 2030 року. Кваліфікація нового матеріалу для масового чипового виробництва — це роки тестів на надійність, сумісність із техпроцесом і вартість масштабування, а не лише підтверджена теплопровідність у лабораторії. ## Чим ШІ-пошук матеріалів відрізняється від рідинного охолодження чи термопасти? Це не заміна, а доповнення: AI шукає нові базові матеріали для тепловідводів і термоінтерфейсів, тоді як рідинне охолодження й термопаста — це вже готові інженерні рішення, які відводять тепло, згенероване поточними чипами й матеріалами. --- Теги: AI, DiscoveredMaterials, чипи, охолодження, датацентри, матеріалознавство Джерело: AiiN — https://aiin.news/article?slug=discovered-materials-%D1%88%D1%83%D0%BA%D0%B0%D1%94-%D1%88%D1%96-%D0%BC%D0%B0%D1%82%D0%B5%D1%80%D1%96%D0%B0%D0%BB%D0%B8-%D0%B4%D0%BB%D1%8F-%D1%85%D0%BE%D0%BB%D0%BE%D0%B4%D0%BD%D1%96%D1%88%D0%B8%D1%85-%D1%87%D0%B8%D0%BF%D1%96%D0%B2. Цитуючи, посилайтесь на канонічний URL.