当大多数人还在讨论大语言模型能写诗还是能写代码时，一家从Google母公司Alphabet分拆出来的公司，正在用一种截然不同的AI思路，解决美国半导体制造的卡脖子问题。6月17日，SandboxAQ宣布与美国商务部CHIPS研发办公室签署最终协议，获得高达5亿美元的资助，用于加速半导体关键材料的AI驱动发现。
这不是又一个AI赋能的故事。这是一场关于物理定律、分子设计和国家安全的深度博弈。
什么是LQM？不是大语言模型，而是大定量模型
我们已经习惯了GPT、Claude这些大语言模型（LLM）——它们通过学习人类语言的统计规律来生成文本。但SandboxAQ提出了一种完全不同的范式：大定量模型（Large Quantitative Models, LQM）。
LQM不是从人类语言中学习，而是从物理定律、化学方程和生物规律中学习。它基于量子力学的第一性原理——密度泛函理论（DFT）、分子动力学模拟、反应动力学建模——生成自己的训练数据，然后在这些物理基础上训练模型。
用SandboxAQ工程副总裁Stefan Leichenauer博士的话说：最精确的模拟方法太慢，无法在规模上搜索重要的材料空间。纯粹在现有数据上训练的模型很快，但应用于从未见过的材料时会崩溃。ReAQT通过生成基于物理的高质量训练数据来解决这两个问题。
5亿美元的四个战场
这笔资助并非撒胡椒面式投入，而是精准锁定了半导体制造中最紧迫的四类材料瓶颈：
第一，无PFAS工艺化学品。PFAS被称为永久化学品，广泛用于芯片制造中的热传导液、润滑剂和绝缘涂层。目前尚无规模化替代品，新建的美国芯片工厂面临同时遭受供应中断和监管风险的困境。
第二，催化剂。在半导体制造中，催化剂用于生成超纯气体、实现原子层沉积，并处理有毒的氟化尾气。SandboxAQ已发表在Nature NPJ Computational Materials上的AQCat25模型，基于1350万次高保真量子化学计算（与NVIDIA合作开发），筛选速度比传统方法快2万倍。
第三，无稀土永磁体。中国控制着全球90%以上的钕基永磁体生产，而这些磁体存在于每台先进光刻机、真空泵和晶圆定位执行器中。SandboxAQ将用LQM筛选替代配方，目标是降低对重稀土元素的依赖。
第四，无锂电池系统。芯片工厂需要不间断的精确供电，哪怕几分钟的扰动就可能导致工具停机、良率下降。目前的备用电池系统严重依赖海外集中的锂和钴资源。
从AI到制造的闭环
SandboxAQ的思路并非简单的AI预测加人工验证。他们的ReAQT平台构建了一个完整的闭环：高保真物理模拟生成数据，训练LQM，虚拟筛选数百万候选分子，实验室验证，与美国制造商合作规模化生产。
在催化剂项目中，他们已经实现了比传统方法快2万倍的筛选速度。在永磁体项目中，他们正在寻找可以使用现有美国生产设备制造的配方——这意味着降低资本壁垒，加速商业化。
值得注意的是，这笔交易的结构也颇为独特：美国商务部将获得SandboxAQ的少数、无投票权股权。这既是资助，也是一种战略绑定——确保关键技术不会流入竞争对手手中。
为什么这件事值得关注？
对于工业设计和医疗器械领域的从业者来说，这个案例的意义远超半导体行业本身。它展示了一种新的研发范式：用物理AI（而非纯数据AI）来解决材料科学的根本问题。
在医疗器械领域，我们同样面临着材料创新的挑战——生物相容性材料、可降解植入物、传感器薄膜。如果LQM的方法论能够迁移到这些领域，材料发现的周期可能从十年缩短到数年。
从产品设计的角度看，当上游材料突破时，下游的产品形态会发生质变。正如碳纤维改变了自行车和飞机设计，新型半导体材料可能会重新定义芯片的物理极限。
SandboxAQ的案例提醒我们：AI的价值不在于模仿人类的语言能力，而在于理解和运用自然界的物理规律。当AI开始真正理解材料科学，它改变的不仅是半导体行业，而是整个制造业的底层逻辑。
- 作者:lee
- 链接:https://ligan.cc/article/sandboxaq-chips-act-semiconductor
- 声明:本文采用 CC BY-NC-SA 4.0 许可协议，转载请注明出处。
