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

上游暂未提供，后续同步将继续补齐。