LQM 定量模型
把物理仿真与机器学习结合，采用三层架构生成物理基础数据并训练专有 AI 模型，用于材料与药物等需要定量精度的场景。
价格价格未公布，需联系销售
平台Web / API
归类API 与算力
收录2026-06-17
复核2026-06-17
编辑评分
4.4 / 5
★★★★☆
SandboxAQ编辑总结
SandboxAQ 是一家把 AI 与先进计算用于材料科学、药物研发和网络安全的企业级平台，旗下 Large Quantitative Models（LQM）把物理仿真与机器学习结合，用于半导体材料发现等场景。公司获得 500 million 美元的 CHIPS R&D 拨款，并把能力扩展到 PFAS-free 工艺化学品、催化剂、无稀土磁体和电池系统四类材料。它与 Anthropic 合作让模型通过 Claude 更易调用，还发布了 AQCat25 催化剂基础模型和固态电池建模 AI。短板是面向普通用户的信息很少，价格未公布，官网内容偏企业级与科研叙事，个人开发者很难直接上手。
SandboxAQ是什么？
SandboxAQ 是一家把人工智能与先进计算结合，用于材料科学、药物发现和网络安全的企业级技术公司。它面向的是半导体、制药、国防和化工行业的研发团队，而不是普通消费者。
它的核心技术是 Large Quantitative Models（LQM），一种把物理仿真与机器学习结合的三层架构：先产生物理基础数据，再训练专有 AI 与物理模型，最后用自动化工作流串起设计、制造、测试、学习（DMTL）的完整闭环。公司已推出 AQCat25 催化剂基础模型、固态电池建模 AI，并把 LQM 通过 Claude 等大语言模型开放调用。
对研发团队来说，它的价值在于把传统上缓慢的材料发现流程压缩；对开发者，它提供通过 LLM 调用定量模型的路径；对企业和政府机构，它提供芯片材料供应链、加密管理和医疗感知等方向的解决方案。
SandboxAQ核心功能
半导体材料发现
面向 PFAS-free 工艺化学品、催化剂、无稀土磁体和电池系统四类材料，用自动化工作流串联设计、制造、测试、学习循环。
官方说明 ↗AQCat25 催化剂模型
面向真实催化剂的自旋感知基础模型，用于多相催化建模，把自旋信息纳入机器学习势能计算。
固态电池建模
推出固态电池建模 AI，把 LQM 方法用于电池系统研发，帮助加快材料筛选与验证。
通过 LLM 调用
Large Quantitative Models 可通过大语言模型（如 Claude）访问，让用户用自然语言界面调用定量模型能力。
药物发现加速
针对计算药物发现中长期存在的瓶颈，用量子级 AI 方法缩短从靶点到候选分子的周期。
加密与 PQC 迁移
关注后量子密码（PQC）迁移时间线提前带来的风险，提供加密管理相关能力，帮助企业应对 Q-Day 威胁。
医疗感知与分诊
把无屏蔽心磁图用于疑似急性冠脉综合征的急诊分诊研究，探索 AI 在临床感知场景的应用。
SandboxAQ值不值得用？
如果你在半导体、制药或化工行业负责材料发现与研发流程，SandboxAQ 的 LQM 与 DMTL 闭环值得纳入评估，它把物理仿真和机器学习结合，且有 500 million 美元 CHIPS 拨款背书。若你是中小企业或独立开发者，价格未公布、需联系销售这一点会让试错成本偏高；若你只需要通用的 API 算力或大模型推理服务，它的定位偏科研与行业解决方案，不是通用云算力平台。
建议选它的情况
- 半导体材料研发团队：需要加速 PFAS-free 化学品、催化剂、无稀土磁体或电池材料筛选
- 制药企业计算药物发现部门：希望突破长期存在的分子筛选瓶颈
- 关注后量子密码迁移的企业安全团队：需要 PQC 迁移时间线相关的加密管理能力
不建议选它的情况
- 独立开发者或个人用户：价格未公布、需联系销售，缺少自助试用路径
- 只需通用 GPU 算力或大模型 API 的团队：它不是通用云算力平台
- 预算有限且需要立即上线的小型团队：企业级解决方案的采购周期和成本通常较高
SandboxAQ使用建议
入门先把路子走对
- 先看半导体材料页从官网的半导体供应链文章入手，了解 LQM 如何用于 PFAS-free 化学品、催化剂、无稀土磁体和电池系统四类材料，判断是否覆盖你的研发方向。
- 关注 AQCat25如果你的工作是催化或化工相关，先阅读 AQCat25 催化剂基础模型的介绍，理解自旋感知机器学习势能能解决什么问题。
- 了解 LLM 调用路径大型定量模型可通过 Claude 等大语言模型访问，如果你已有 LLM 工作流，可以研究如何把 LQM 接进去。
进阶省时间也省钱
- 匹配 DMTL 流程把内部的设计、制造、测试、学习流程与 SandboxAQ 的自动化工作流对齐，找出哪些环节可以先用模型替代。
- 评估 PQC 迁移时间线如果公司涉及加密系统，参考其关于 PQC 迁移时间线提前的观点，评估自身后量子密码迁移计划是否需要调整。
- 关注医疗感知方向若在医疗或急救场景，可研究其用无屏蔽心磁图做急性冠脉综合征急诊分诊的方案，判断与现有流程的契合度。
SandboxAQ适合谁用？
半导体材料研发团队
推荐需要加速 PFAS-free 工艺化学品、催化剂、无稀土磁体或电池材料发现，LQM 与 DMTL 闭环正好对应这些场景。
制药计算研发部门
推荐想突破计算药物发现中长期瓶颈的团队，可以评估其量子级 AI 方法是否适用于自己的靶点类型。
企业安全与加密团队
有条件关注后量子密码迁移时间线、需要加密管理能力的企业，可以参考其 PQC 相关观点和方案。
独立开发者
不推荐价格未公布且需联系销售，没有自助注册和免费额度，个人很难直接试用。
中小型企业
有条件企业级解决方案的采购流程和成本通常较高，预算有限时需要先确认费用与授权范围。
SandboxAQ优点和缺点
优点
- 获得 500 million 美元 CHIPS R&D 拨款，资金与政策背书明确
- LQM 把物理仿真与机器学习结合，三层架构有具体技术路径
- 覆盖半导体材料、药物发现、加密管理、医疗感知多个方向
- 已推出 AQCat25 催化剂基础模型和固态电池建模 AI 等具体产品
- 与 Anthropic 合作，模型可通过 Claude 等大语言模型调用
- 公开提出 PQC 迁移时间线提前，切入后量子密码这一具体安全问题
缺点
- 价格未公布，需联系销售，缺少自助试用和公开定价
- 官网内容偏企业级与科研叙事，普通开发者难以上手
- 多数能力面向行业客户，个人用户缺少可用入口
- 具体额度、授权与部署方式未公布
SandboxAQ关键指标
| 指标 | 数值 | 数据来源 |
|---|---|---|
| CHIPS R&D 拨款 | $500 million | SandboxAQ Signs Definitive Agreement for $500 Million CHIPS R&D Award |
| 材料覆盖类别 | four critical material categories | How SandboxAQ Is Helping Build America’s Semiconductor Supply Chain from the Materials Up |
SandboxAQ常见问题
SandboxAQ 是做什么的？＋
它是一家把 AI 与先进计算用于材料科学、药物发现和网络安全的企业级技术公司，核心技术是 Large Quantitative Models（LQM），把物理仿真与机器学习结合，用于半导体材料、催化剂、电池等研发场景。
它和普通 AI API 有什么区别？＋
普通 AI API 多面向通用文本或图像生成，SandboxAQ 的 LQM 面向需要定量精度的科学计算场景，采用三层架构生成物理基础数据并训练专有模型，还提供设计、制造、测试、学习的自动化工作流。
SandboxAQ 的模型能通过 Claude 用吗？＋
可以。它的 Large Quantitative Models 可通过大语言模型访问，官方与 Anthropic 合作，让模型通过 Claude 更易调用。
它主要覆盖哪些材料？＋
半导体方向覆盖四类材料：PFAS-free 工艺化学品、催化剂、无稀土磁体和电池系统。此外还涉及固态电池建模、AQCat25 催化剂基础模型等具体产品。
SandboxAQ 和 Nvidia 有关系吗？＋
有。公开报道显示美国向 Nvidia 支持的 SandboxAQ 授予 500 million 美元，用于寻找新的芯片制造材料，SandboxAQ 也签署了 500 million 美元 CHIPS R&D 拨款的最终协议。
SandboxAQ 怎么收费？＋
价格未公布，需联系销售。官网没有公开定价档位或免费额度，企业采购时需要直接联系其团队确认费用与授权范围。
SandboxAQ最新动态
-
签署 500 million 美元 CHIPS R&D 拨款协议
SandboxAQ 签署最终协议，获得 500 million 美元 CHIPS R&D 拨款，用于半导体材料研发。
官方公告 ↗ -
LQM 可通过大语言模型调用
SandboxAQ 宣布其 Large Quantitative Models 可通过 LLM 访问，与 Anthropic 合作让模型通过 Claude 更易使用。
-
推出固态电池建模 AI
SandboxAQ 发布面向固态电池的建模 AI，把 LQM 方法用于电池系统研发。
-
发布 AQCat25 催化剂基础模型
AQCat25 把自旋感知基础模型用于真实催化剂，面向多相催化建模。
