Synthesis Superintelligence

Periodic 押注，前沿科学 AI 只有在其猜想必须经由仿真、高通量实验和带噪声的物理测量验证时，才能真正发挥价值。 Fedus 将这一前提概括为“不能只靠思考找到答案”：论文和预训练知识可以生成假设，但现实才会提供决定性证据。这家公司更像现代 Bell Labs：化学家、物理学家、实验科学家、硬件工程师和 LLM 研究人员围绕同一条闭环协作。

Periodic 真正的核心技术资产，不只是实验数据，而是带时间戳的全链路脉络，记录完整科研项目如何从失败尝试推进到可行工艺。 其中包括计算结果、仪器数据、代码、讨论、直觉、负面结果以及最终成功——这些信息大多会从已发表文献中消失。Fedus 的区分非常关键：Periodic 要训练的是“做科学的过程”（“on the process of doing science”），而不只是科学最终产出的结果，从而为模型构建无法靠回忆记忆答案解决的环境。

Periodic 认为，材料发现规模化的主要瓶颈在于自动化表征，而不只是把更多粉末混在一起。 X 射线衍射图谱可能包含多个相，不同结构也可能匹配同一信号；合成出的材料和失败实验同样不会自带标签。AI 的价值在于结合热力学、化学可行性、重复实验、电学与磁学测量、显微镜数据及纵向证据；Cubuk 的简洁解释是，在人类上下文能力有限的地方，系统可以“把一切都看进去”（“look at everything”）。

实验室自动化优化的目标是数据量、质量和可复现性，而不是展示人形机器人，或为了自主而自主。 Periodic 将理解上下文的智能直接部署到仪器上；当现成设备造成瓶颈或污染风险时，公司会重新设计硬件；在处理高难度灵巧操作前，先把常规工作自动化。Fedus 明确表示，“完全自主不是目标”；一个系统已经通过发现循环置换和反转可以让完整数据集重新一致，诊断出一台装载错误的机器。

近期商业切入点是向半导体公司提供安全的现场部署，长期则从研究员副驾走向按结果收费。 现场部署团队在客户本地集成 AI 与仿真系统，用合作方数据训练模型，让客户“拥有自己的智能”，而不是把专有信息发送给通用 API。Fedus 所称的“物质编译器”是更远期的目标：输入材料目标状态，系统判断它是否能够存在，以及应如何合成。

更多仿真算力无法替代实验室，因为完美晶体、近似理论和无法观测的物理状态都会遗漏决定真实材料表现的变量。 Cubuk 援引“越多越不同”（“More is different”）：即使掌握微观层面的基本定律，强关联体系、微结构、动力学和高温超导仍不容易计算。即便进行1亿次密度泛函理论试验，也无法检验真实微结构；而科学发现“几乎按定义就是你没有训练过的东西”（“almost by definition what you haven’t been trained on”）。

对于超导体，Periodic 的判断是，合成吞吐量可能比先建立完整理论更重要。 Cubuk 以二硼化镁为例：据称一个日本团队尝试了30,000种材料，其中约30种似乎显示出有趣的超导性，并找到了一个在货架上放了数十年的化合物，尽管 BCS 理论早在1957年就已提出。足够强的自动化实验室可以把一段职业生涯规模的搜索压缩到1个月，扩大“运气的作用面”；但两位嘉宾都拒绝模型能直接“零样本找到室温超导体”的幻想。