今年三月，Liam Fedus 在推特上宣布離開 OpenAI。這條推文的影響力超出了所有人的預期——硅谷的風投們幾乎是立刻行動起來，爭相聯(lián)系這位 ChatGPT 最初小團隊的核心成員、曾領導 OpenAI 關鍵的后訓練部門的研究者，他的離職甚至一度引發(fā)了一場“反向競標”。

圖丨Liam Fedus（右）與 Dogus Cubuk（左）（來源：Felicis）

風投們爭相向他和聯(lián)合創(chuàng)始人 Dogus Cubuk 遞出橄欖枝，有人甚至寫下“情書式”的投資意向書。短短數月后，他們創(chuàng)立的 Periodic Labs 就拿下了 3 億美元的種子輪融，領投方 Felicis 聯(lián)合 Andreessen Horowitz、DST、英偉達旗下的 NVentures 以及 Accel 等頂級機構，Jeff Bezos、Elad Gil、Eric Schmidt 和 Jeff Dean 等科技界傳奇人物也作為天使投資人加入其中。

除了錢，人才也紛紛涌入，超過二十位來自 Meta、OpenAI、Google DeepMind 等 AI 巨頭的頂尖研究人員陸續(xù)離職，放棄了數千萬美元乃至上億美元的股權激勵，轉而加入這家初創(chuàng)公司。他們當中包括 o1 和 o3 模型的核心研究者 Alexandre Passos、已有重大超導體發(fā)現的材料科學家 Eric Toberer，以及微軟生成式 AI 材料科學工具的開發(fā)者 Matt Horton。這份名單還在不斷增長，這家公司儼然成為了此前那波由 Meta 掀起的硅谷人才爭端戰(zhàn)中的最大幕后贏家之一。

圖丨Periodic Labs 的團隊名單（來源：Periodic Labs）

這一切的起點，始于 Fedus 與 Cubuk 七個月前的一次對話。Cubuk 曾是 Google Brain 最出色的機器學習和材料科學研究者之一，他在 2023 年發(fā)表的開創(chuàng)性論文中展示了一個全自動機器人實驗室，通過語言模型建議的配方成功合成了 41 種全新化合物。

當硅谷無數人高談闊論生成式 AI 將如何顛覆科學發(fā)現時，這兩位研究者意識到，技術拼圖的所有關鍵部分終于到位了：處理粉末合成的機器臂已經足夠可靠；機器學習模擬可以高效準確地建模復雜物理系統(tǒng)；而大語言模型的推理能力——部分歸功于 Fedus 團隊在 OpenAI 的工作——已經達到了前所未有的高度。

但更重要的是，Fedus 和 Cubuk 意識到，即使是失敗的實驗對他們的新公司也極具價值，因為數據是 AI 的生命線。AI 科學提供了一種全新的真實世界訓練和后訓練數據來源。這可能會顛覆現有的科學激勵系統(tǒng)——傳統(tǒng)系統(tǒng)通過論文發(fā)表和資助獎勵成功，而非探索本身。“讓 AI 與現實接觸，將實驗納入循環(huán)——我們覺得這是下一個前沿，”Fedus 告訴媒體。

Felicis 的投資人 Peter Deng 是第一個得到他們回應的人。Deng 曾在 OpenAI 工作，今年年初剛轉到 Felicis。聽說 Fedus 離職后，他立即發(fā)了短信。兩人在舊金山 Noe Valley 社區(qū)的一家咖啡館見面，興奮的 Fedus 邀請 Deng 邊走邊聊——盡管那天有些冷，但后來天氣突然變熱。穿著毛衣的 Deng 汗流浹背地跟著身材健碩的 Fedus 爬坡，直到 Fedus 說了一句話，讓他“真的停在了原地”。

“每個人都在談論做科學，但要做科學，你必須真的去做科學?！?/strong>這句看似簡單的話，擊中了當前 AI 發(fā)展的一個核心盲點?；ヂ?lián)網已經被榨干了，最好的模型已經訓練了大約 10 萬億個文本 token。但僅僅訓練是不夠的——你可以反復閱讀教科書，但最終必須運行實驗。你需要在假設和現實之間建立反饋循環(huán)，這才是科學的本質。

Deng 回憶說：“關于這些模型的真相是，它們知道的一切都在正常分布范圍內。我們拿一堆數據，它只能反芻它所知道的東西?！卑l(fā)現新事物必須涉及測試假設。當天在 Noe Valley 的山坡上，Deng 就承諾投資。不過他回到辦公室后很快發(fā)現了一個問題：公司還沒注冊，甚至連名字都沒有，想投資都簽不了合同。“我們當時就是這么早，”Deng 說。

科學發(fā)現的本質是迭代的。現有文獻中的數據根本不夠——比如形成焓標簽的噪聲太高，僅靠這些訓練無法產生足夠準確的預測模型；負面結果很少發(fā)表，而真正重要的認知不確定性只有通過實驗才能消除。這正是 Periodic Labs 要填補的空白。

他們不是在構建訓練于科學文本的模型，也不是建立模擬環(huán)境，而是“AI 科學家”以及供其操作的自動化實驗室。他們計劃在加州的門洛帕克建立一個龐大的實體機器人實驗室，讓機器人在其中進行大規(guī)模的科學實驗。這些機器人將根據 AI 模型的指導，混合各種化學前體、加熱它們以發(fā)現新的超導體、磁體或隔熱材料。

這個過程形成了一個強大的閉環(huán)：AI 系統(tǒng)分析現有科學文獻和模擬數據，提出假設；機器人執(zhí)行實驗來驗證這些假設；實驗產生的數據，無論是成功還是失敗，都將作為高質量、獨家的訓練數據，反過來進一步優(yōu)化 AI 模型。這個“假設-實驗-學習”的迭代循環(huán)，旨在將科學發(fā)現的速度從數年縮短至數月甚至數周。這其中，自然本身成為了一個終極的獎勵函數，每一次實驗都為 AI 提供了來自真實世界的直接反饋。

這種對基于物理的（physically grounded）數據的追求，是 Periodic Labs 與眾不同的關鍵。每一次實驗都能產生大量的獨特數據，而這些數據是任何競爭對手都無法從網絡上抓取到的。這種獨家數據護城河，是訓練出真正具備科學直覺的 AI 的關鍵。

Fedus 今年早些時候在斯坦福大學應用物理系做訪問科學家。在那里，他們做了一系列測試：讓前沿 AI 模型去分析科學實驗數據，具體來說是凝聚態(tài)物理領域的數據。結果并不樂觀，這些被認為最先進的模型在科學分析上表現糟糕，也根本比不上人類研究者。

這與其他人的一些樂觀預期形成鮮明對比。OpenAI、Meta 等 AI 巨頭們此前紛紛宣稱他們的技術有望在藥物發(fā)現、數學和理論物理等領域推動科學發(fā)現。八月，OpenAI 副總裁 Kevin Weil 還宣布在公司內部啟動“OpenAI for Science”部門，“構建下一個偉大的科學儀器：一個加速科學發(fā)現的 AI 驅動平臺?！監(jiān)penAI 發(fā)言人 Laurance Fauconnet 在聲明中表示：“我們相信先進 AI 能更快推動科學發(fā)現，OpenAI 在引領這一方向上處于獨特地位?！?/p>

但 Fedus 直言不諱地表示：“硅谷在設想大語言模型的未來時有點偷懶?！睆哪撤N意義上說，Fedus 和 Cubuk 正在嘗試復興一種更古老的科技產業(yè)傳統(tǒng)。他們提到了貝爾實驗室和 IBM 研究院——那些曾經將物理科學視為核心使命的企業(yè)研究機構。在那個時代，科技公司的研究不僅僅關注軟件和算法，更追求基礎科學的突破。晶體管、激光、信息論等改變世界的發(fā)明，都誕生于這種研究文化。但在過去幾十年里，科技產業(yè)的研究重心逐漸轉向了純軟件和互聯(lián)網應用，物理科學被邊緣化了。

目前，Periodic 已經建立了實驗室，正在處理實驗數據、運行模擬并測試一些預測。主要的初始任務是發(fā)現新的超導體材料——這可能帶來重大突破。改進的超導體可以為下一代強大但低能耗的技術提供動力。不過機器人部分還沒有完全運行起來?！八鼈冃枰恍r間來訓練，”Cubuk 說。

當然，這一切都還充滿不確定。科學發(fā)現本質上是不可預測的，無論有沒有 AI 的輔助。雖然目前 Periodic Labs 已經有了強大的團隊和充足的資金，但沒有人能保證他們一定會找到突破性的超導材料，或者在預期時間內實現自主實驗系統(tǒng)。但至少，那 20 多位放棄高薪、離開科技巨頭的研究人員是有信心的。他們用腳投票，篤信真正的 AI 科學革命不會發(fā)生在更大的語言模型里，而會發(fā)生在實驗室的試管和熔爐中。

參考資料：

1.https://periodic.com/

2.https://www.nytimes.com/2025/09/30/technology/ai-meta-google-openai-periodic.html

3.https://techcrunch.com/2025/10/20/top-openai-google-brain-researchers-set-off-a-300m-vc-frenzy-for-their-startup-periodic-labs/

運營/排版：何晨龍