AI 驱动原子：Periodic Labs 联合创始人 Liam Fedus 如何重塑材料工程
摘要
- Periodic Labs 的核心押注，是 AI 下一轮主要价值池取决于打通模型与物理实验之间的闭环。 Fedus 认为，科学并不是“坐在房间里苦思冥想”，系统必须“与现实交互”。模型在2022年之后不断进步，推理、测试时推理、错误修正和工具调用也随之成为基础能力；但2022年的 AI 对 Periodic 来说仍然太弱。
- 关键数据资源不是静态材料语料库，而是来自真实实验、持续流入的主动反馈流。 Periodic 可以利用投入开源模型的“数十万亿个 tokens”作为基础先验，但公开发表的测量值可能横跨多个数量级。主动闭环通过发现异常、比对模拟结果与文献，再驱动下一轮实验，让系统扎根于现实。
- Periodic 将语言模型作为编排层，与为原子体系打造、速度更快且具备对称性感知能力的神经网络结合。 通用模型读取文献、分析不同实验模态并指导工作；专业模型则充当工具和奖励函数。在受量子力学支配的领域内，泛化能力可能很强，但 Fedus 提醒，这种能力不会自动迁移到流体动力学等抽象层级不同的领域。
- 初始业务是面向材料与工艺工程的软件智能层，更高价值的发现业务经济模式则暂未确定。 Periodic 把自己当作“客户0号”，测试能够检查数据、调试设备、改进配方并控制实验的系统，然后再探索更广泛的先进制造机会。被问及是否类似生物科技公司时，Fedus 表示，突破性材料“可能更接近发现模式”，但公司会从软件起步。
- 物理科学规模化，可能在半导体、航空航天和能源领域释放1到2个数量级的生产率提升。 Fedus 预计，自动化水平提升后，瓶颈会转移到智能能力；物理基础设施建设周期长且存在校准风险，但算力仍是主要资本开支。目标是赋予人类重排、合成原子的能力和自主权。
- AGI 不会同时提升所有领域，因为智能呈尖峰分布，而闭环验证又依赖具体领域。 软件自我改进已经进入“差不多就是现在”的阶段，因为单元测试提供了廉价、即时的反馈；AI 研究则处于更慢、GPU 密集的外循环，生物学和物理科学也需要各自的数据生成闭环。通用机器人不是 Periodic 的必要条件，但可靠的灵巧人形机器人会是“巨大的加速器”。
精读
1. 从暗物质到原子：路径经过 ChatGPT
Fedus 回顾了自己的职业路径：从物理学和具有方向性的暗物质研究，走到粒子重建中的机器学习问题。他对物理学人才流向 AI 的解释是，这个学科培养出“原则性极强、极其严谨的科学家”；与此同时，高能物理要推动下一步能量前沿，已经受制于新实验装置的建设，而 AI 则提供了非同寻常的杠杆效应。
2016–2017年在 Google Brain 的经历，让 Fedus 见证了一个“寒武纪时代”：小团队只靠几块 GPU，就能推进分布式训练策略、混合专家系统、transformers 和稀疏化。前沿研究走向工业化之前，这个领域拥有更多“多样性和熵”。
在 OpenAI，眼前的问题是把后训练仍较粗糙的预训练 GPT-4 做成产品。团队考虑过写作、编程和会议机器人，但 John Schulman 主张保持通用性：“我们做聊天机器人吧。” Fedus 后来重新回到物理学，因为科学必须做实验并“从实验中学习”；而2022年的 AI 对 Periodic 来说仍然太弱。
2. 实验闭环把互联网先验变成物理事实
Guo 提出了核心数据问题：语言模型继承了互联网，而材料领域没有同等易获取的语料库。Fedus 表示，Periodic 在改进代码模型上的投入为0，并受益于 Codex 和 Claude Code，同时组合使用开源与闭源模型；公司还利用投入开源模型的“数十万亿个 tokens”作为基础先验。
这个先验包含论文和广泛的世界知识，却不等于可靠的物理事实。Periodic 一名工程师发现，某种材料属性在文献中的报告值横跨多个数量级；正如 Gil 所说，模型即使在这些数据上训练，也可以复现分布，却“离真实值没有更近一步”。
真正有价值的机制“不是一池数据那么简单”。实验结果会被检查异常和模式，并与模拟结果及文献进行比对；这些发现再决定下一轮实验。Fedus 表示，数据丰富且样本效率高的领域，正是 Periodic 加速最明显的地方。
Gil 以 AlphaFold 数十年积累的结构数据为例，追问材料领域是否都必须分别从零启动。Fedus 表示，量子力学系统可以在相关对象之间泛化，但边界很重要：精确的量子建模，并不会自动帮助模型解决另一抽象层级上的“流体动力学”。
3. 语言模型编排专业模型，而不是独自模拟每个原子
Periodic 保留语言模型，是因为它们提供了天然的交互界面；但公司将其定位为“编排层”。模型可以跨模态读取文献和实验数据、指导实验，并协调专业工具，而不是独自完成每一项计算。
Fedus 介绍了专门面向原子体系的神经网络：具备对称性感知能力、更低延迟，并可进行领域定向微调。这些网络可以在更大的系统中充当工具或奖励函数；Gil 指出，客户支持等领域也正在出现类似架构。
实际形成的是围绕互补能力搭建的系统：通用模型提供广泛的推理和交互能力，原子模型提供速度与物理结构。Periodic 只在现有前沿能力“对我们来说还不够好”的环节投入机器学习研发。
4. Periodic 从软件起步，但不预设发现业务的经济模式
Periodic 把自己当作“客户0号”，与科学家密切合作，重构科研流程。Fedus 认为，先进制造业也存在类似工作流：工程师分析数据、识别异常、调试设备、寻找更优配方，而材料或工艺工程环节的瓶颈会制约业务发展。
Gil 提出的生物科技类比，进一步明确了商业化选择：是与既有企业合作并共享发现收益，还是自己拥有最终产出的材料。Fedus 表示，Periodic 首先定位为“智能层”（intelligence layer）——实验的系统记录层和控制平面；但他也承认，非凡的材料突破“可能更接近发现模式”。
更长期的愿景，是让 AI 超越文章和软件，走向“直接生成物质”。Fedus 点名半导体、航空航天和能源，认为原子确实构成了现实约束，但并不妨碍释放“1到2个数量级”的加速。如果物理世界哪怕只跟上数字世界一小部分的变化速度，“生活的体感将截然不同”。
5. 闭环验证决定自我改进在哪些领域到来
Fedus 反对把智能当成一个标量：模型的能力依旧呈现奇怪的“尖峰分布”，可能在某个数学领域达到世界级，却对附近的扰动异常脆弱，“像一个成绩很差的高中生”。能够处理大型代码仓库，并不意味着模型理解生物学。
软件自我改进正在“差不多就是现在”发生，因为代码提供了充足数据和廉价、可验证的反馈：几颗 CPU 就能立刻显示单元测试从失败变成通过。AI 研究则处于更慢、GPU 密集的外循环，实验需要 GPU、数小时运行时间、收敛检查、规模化分析和泛化评估。
Fedus 最感兴趣的工作模式是多学科协作：物理学家和化学家与 AI 研究人员、工程师紧密配合。Periodic 希望把前沿 AI 的规模化思路带入物理科学，即利用智能与自动化支持更大规模的实验集；但最终解读这些数据的科学家，可能反过来成为瓶颈。
物理科学需要自己的实验与工程闭环。被问及是否必须依赖先进机器人，Fedus 回答：“不，但这是一个巨大的加速器”（No, but it’s a huge accelerator）。Periodic 已经在将人类与可靠的自动化组件、简单的现成机器人结合使用。Gil 提到 Color 的案例：用 ML 监控摄像头、调整液体处理流程，并用 3D 打印制作降低振动的部件；这也说明，一台可靠且灵巧的人形机器人，可能成为快速搭建新实验室的重大加速器。