Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk：从半导体到超导体，用「合成超级智能」把实验室变成 AI 的训练场
来源Latent Space查看原文
速览
- Periodic Labs 主张「智能必要但不充分」，新知识来自想法与现实的碰撞。
- 物理世界的强化学习面临噪声、缺失遥测和样本效率极低等独特挑战。
- 材料发现闭环包括：决定做什么、如何合成、以及表征实际产物。
- XRD 表征的 RL 奖励是识别真实相、惩罚虚假相，这是早期 AI 工作重点。
- 预训练模型记住答案会「假装工作」，需用带时间戳的实验数据构建新环境。
- DFT 和模拟虽强，但强电子关联体系仍会失效，实验仍是最终判据。
- Periodic 目标让每台仪器具备「140 IQ」，并自研硬件以降低噪声。
- 公司已向半导体行业输出前向部署工程，未来可能从卖工具转向定价结果。
- Periodic 贡献了 PyTorch、Materials Project、TorchSim、JAX-MD、Megatron 等开源项目。
- Ekin Dogus Cubuk 认为，让固态物理研究变得有利可图，才能吸引更多年轻人。
Periodic Labs 联合创始人 Liam Fedus 和 Ekin Dogus Cubuk 在 Latent Space 播客中，系统阐述了他们「合成超级智能」（synthesis superintelligence）的构想：AI 要真正推动科学发现，不能只靠互联网数据训练，而必须让模型在真实物理实验中学习。两人认为，数学和编程之所以容易被 LLM 攻克，是因为所有上下文都可得；而科学面对的是噪声、缺失信息和不确定性，需要完全不同的推理策略。Periodic 正在搭建高通量自动化实验室，把合成、表征、模拟、DFT 计算串成端到端发现闭环，并让每台仪器具备「140 IQ」。他们强调失败实验和负结果可能是最有价值的训练数据，目标是让自主实验把数十年的试错压缩到几个月，并已开始向半导体行业输出前向部署工程能力。
关键事实
- Periodic Labs 于 2025 年 9 月成立，创始团队参与过 ChatGPT、DeepMind 的 GNoME、OpenAI 的 Operator、神经注意力机制、MatterGen 等项目。
- Liam Fedus 表示，Periodic 的强化学习环境直接来自物理实验室，实验数据是「终极真相」，这与在数字环境中任意增加 rollout 有本质区别。
- Ekin Dogus Cubuk 指出，科学实验必须做降维，因为系统原子数远超计算机可存储量；热力学用五六个变量解释蒸汽机就是经典例子。
- X 射线衍射（XRD）被用于材料表征，但实际结果常是混合相、非晶相和意外相的叠加，AI 需要从中识别真实存在的相。
- Liam Fedus 提到，如果预训练模型已经记住答案，再基于该答案做强化学习，模型会「假装工作」，学到的推理策略无法泛化到新体系。
- Periodic 团队包括 Bahdanau 注意力机制发明者 Dima Bahdanau、前 OpenAI Operator 技术负责人 Ray Nakano、MIT 教授 Joe Checkelsky 等。
本站视角
对中文 AI 从业者而言，Periodic 的路线值得认真对待，因为它代表了一种与「堆更多 GPU、喂更多文本」截然不同的 scaling 逻辑。国内做 AI for Science 的团队——尤其是材料、化学、电池方向的——会直接面对一个问题：如果 Periodic 真的把高通量实验、表征 AI 和合成预测串成闭环，那么单纯做材料筛选或 DFT 加速的工具型公司可能被降维打击，因为对方掌握的是从「想做什么」到「做出来并验证」的全链条数据。对做 Agent 的团队来说，Periodic 关于「预训练模型记住答案会假装工作」的观察尤其有价值：在真实业务场景中，如果模型已经见过答案，RL 训练出的推理链可能只是表演，无法泛化。这提示做企业级 Agent 的团队必须构建带时间戳、有 lineage 的私有数据环境，而不是在公开 benchmark 上刷分。对半导体行业来说，Periodic 的前向部署模式意味着 AI 公司开始深入 fab 级保密环境，这可能会改变 EDA 和材料供应商的竞争格局。需要观察的是：Periodic 目前披露的进展多为愿景和早期实验，尚无公开的 benchmark 或材料发现成果；「140 IQ 仪器」和「合成超级智能」目前仍是目标而非已验证能力。此外，公司同时做研究、自研硬件、服务半导体客户，战线极长，能否在资金和人才密度之外保持聚焦，是最大不确定性。我们认为，这条路线在方向上具有实质意义——科学发现确实需要实验闭环——但短期内不宜高估其产出速度，尤其是高温超导这类理论本身缺失的领域，AI 能加速试错，却未必能替代理论突破。
背景与影响
Periodic Labs 成立于 2025 年 9 月，创始团队背景横跨 OpenAI、DeepMind 和材料科学界，被外界视为「AI 科学家」方向最受关注的初创公司之一。其核心赌注是：大模型仅靠互联网文本和代码数据已接近瓶颈，下一阶段突破需要让 AI 直接与物理世界交互。这一思路与当前 AI for Science 的多个方向形成呼应，包括 DeepMind 的 GNoME 材料预测、微软的 MatterGen，以及各类自动化实验室尝试。但 Periodic 的差异化在于强调「合成」环节——即不仅预测什么材料可能存在，还要让 AI 学会如何实际制造出来。这直接指向半导体、电池、超导体等硬科技领域。值得注意的是，公司同时推进商业化，已设立前向部署工程岗位服务半导体客户，并计划从工具授权逐步转向按结果定价。这意味着它不只是研究机构，而是试图建立「材料领域的 TSMC」式平台。不过，高温超导等强关联体系至今缺乏理论模型，AI 能否在此类「理论真空」领域取得实质突破，仍需观察。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。