США направят $500 млн стартапу SandboxAQ, чтобы ускорить поиск новых веществ и компонентов для полупроводниковой отрасли. Ставка сделана не на очередную фабрику, а на ИИ для материалов: Вашингтон хочет сократить зависимость от импортных химикатов, редкоземельных элементов и батарейных материалов, без которых локальное производство чипов быстро упирается в ту же старую глобальную цепочку поставок.
Деньги выделяет Министерство торговли США в рамках CHIPS and Science Act, а получателем стала SandboxAQ, выделенная из Alphabet в 2022 году компания под председательством бывшего CEO Google Эрика Шмидта, сообщает The Register. Речь не о строительстве производственных мощностей: грант пойдет на исследования и разработку новых молекул, химических формул и материалов, которые можно использовать в полупроводниковом производстве. В списке задач четыре вполне приземленные темы: материалы без PFAS, катализаторы для фабрик, магниты без зависимости от импортного неодима и других редкоземельных металлов, а также аккумуляторы для фабрик без опоры на в основном импортный литий.
Это важная деталь для понимания всей истории вокруг американского чиппрома. CHIPS Act, подписанный Джо Байденом в 2022 году, изначально задумывался как пакет на $52 млрд для возвращения производства микросхем в США. Но за четыре года выяснилось, что «построить фабрику у себя» и «перенести к себе всю экосистему» — задачи разного масштаба. Даже если субсидировать Intel, TSMC или Micron, отрасль все равно остается привязана к иностранным поставкам ключевых материалов, химии и компонентов. Поэтому ставка на ИИ для материалов здесь выглядит как попытка закрыть менее заметное, но системное узкое место: не только где делать чипы, но и из чего именно их делать.
SandboxAQ продвигает не классические языковые модели, а так называемые LQM, large quantitative models. Компания описывает их как системы, обученные не на человеческом тексте, а на законах физики, химии и биологии. Идея понятна: модель не сочиняет ответ в стиле чат-бота, а строит предсказания о свойствах соединений, сплавов и технологических процессов. Дальше эти гипотезы должны проверяться в лаборатории. По сути, это тот же дизайн-цикл «предсказал — синтезировал — протестировал», который несколько лет продавали рынку как будущую золотую жилу в AI drug discovery. Только теперь хайп сместился с лекарств на сырье и промышленные материалы.
И вот здесь начинается самая интересная часть. Сам The Register довольно едко напоминает: разговоры о том, что ИИ вот-вот начнет проектировать рабочие лекарства, шли давно, но, по данным Национальных институтов здравоохранения США, функционального лекарства, созданного ИИ, рынок так и не увидел. На этом фоне обещание найти с помощью модели замену критичным материалам для батарей и полупроводников выглядит не менее амбициозно. Тем более что SandboxAQ признает использование не только реальных, но и синтетических данных. Компания утверждает, что, когда экспериментальные данные доступны, она их использует, а когда нет, все равно может двигаться дальше. Для разработчиков и техдиректоров это звучит знакомо: модель, обученная на хорошем приближении к реальности, все равно остается приближением, а цена ошибки в промышленной R&D заметно выше, чем в презентации для инвесторов.
Сама SandboxAQ на эту претензию отвечает довольно рационально. По словам компании, модели «привязаны к физической реальности», потому что основаны на физике и химии, а не на свободной генерации текста, а финальным фильтром служит лабораторная проверка: материал либо работает, либо нет. Это сильный аргумент, но не абсолютный. Проблема не в том, что лаборатория не заметит провал, а в том, сколько дорогих итераций понадобится, прежде чем из красивой вычислительной гипотезы выйдет пригодный для отрасли кандидат. Особенно в полупроводниках, где квалификация материалов медленная, строгая и завязана на действующие производственные цепочки. Сама компания это не скрывает и прямо говорит, что разные направления будут двигаться по разным таймлайнам.
При этом SandboxAQ старается показать, что не стартует с пустого листа. Компания заявляет о предыдущих наработках по катализаторам, аккумуляторным материалам, поиску сплавов и разложению PFAS, а на этапе первичного отбора кандидатов якобы уже сокращала сроки разработки с месяцев до недель. Для бизнеса это, пожалуй, самая содержательная цифра во всей истории, хотя она относится именно к стадии screening, а не к выводу сертифицированного материала в массовую полупроводниковую цепочку. То есть обещание звучит не как «через год получим новые магниты и батареи», а как «сильно ускорим отбраковку плохих вариантов и сузим зону поиска». Для технической аудитории это гораздо более правдоподобный тезис, чем разговоры о том, что модель сама изобретет индустрию нового поколения.
Для русскоязычного IT-рынка эта новость важна сразу в нескольких плоскостях. Во-первых, она показывает, как быстро корпоративный ИИ уходит из универсальных чат-интерфейсов в вертикальные прикладные задачи, где ценность измеряется не количеством токенов, а снижением зависимости от дефицитных ресурсов. Во-вторых, государство в США уже финансирует не просто выпуск чипов, а вычислительный поиск того, что лежит под полупроводниковой цепочкой поставок. Во-третьих, на наших глазах формируется новый класс industrial AI, где выиграет не тот, кто громче всех говорит про AGI, а тот, кто быстрее встроится в реальную R&D, лаборатории и производственную квалификацию. В этом смысле ИИ для материалов выглядит куда менее зрелищно, чем генерация картинок или кода, но именно здесь могут оказаться деньги, контракты и долгий технологический эффект.
Главный вопрос теперь не в том, сможет ли модель предложить еще одну красивую формулу, а в том, сколько из этих предсказаний переживут лабораторию, промышленную проверку и экономику производства. Если хотя бы часть из $500 млн превратится в реально квалифицированные материалы для американского чиппрома, у рынка появится новый шаблон: государство субсидирует не только заводы, но и вычислительное открытие сырья для них. Если нет, у AI-индустрии станет на один дорогой урок больше.