合成超级智能：从半导体到超导体——Periodic Labs 的 Liam Fedus 与 Ekin Dogus Cubuk
摘要
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。
精读
1. 只有现实，而非智能本身，才能闭合发现闭环
Periodic 的创立箴言——“智能是必要条件，但并非充分条件”——意味着猜想只有在被现实接受或否定后，才能变成知识。Fedus 认为，无论重读多少论文，还是独自思考多久，都不可能枚举出所有预期与非预期的实验结果。
目标闭环由 AI 系统、物理世界仿真和高通量实验共同构成。Fedus 预计，当模型必须反复提出方案、执行、观察并修正，而不是针对教科书中已经记录的答案进行优化时，会出现“一种不同类型的智能”。
Cubuk 认为，所需的团队“我想，以前从未存在过”：固体化学家与物理学家、实验人员、理论研究者、硬件工程师、LLM 专家和计算机科学家共同工作。他们提到的技术包括近年的高通量实验、过去约3年开始尝试的机械臂，以及近期的力场研究。
历史参照是 Bell Labs：理论学家、化学家和实验人员共享同一机构。Periodic 押注，物理实验室、集中的使命和非寻常的人员组合，要求一种不可被拆解的多学科组织形态。
2. 物理科学要求在不可约的不确定性下推理
Fedus 将精确的数字环境与熔炉和仪器作对比：产物不会自带标签，测量可能具有随机性，机器之间会产生分歧，记录的温度也可能不同于实际温度。科学智能体必须在不确定性和遥测缺失的情况下作出决策。
物理世界的 rollout 同样稀缺。实验需要数小时或数天，无法靠任意增加虚拟环境来复制，也没有足够多的并行智能体来降低方差；因此，相比许多编码或数学 RL 场景，样本效率重要得多。
Cubuk 将每次实验都视为一次降维。主持人提到，一个房间内约有 (10^{23}) 到 (10^{27}) 个原子，但热力学可以用5或6个变量描述系统的大部分性质；科学的成功之道，是找到压缩后的描述变量，而不是假装这些变量保留了完整且不可知的状态。
隐变量是具体存在的：蒸发材料覆盖加热元件后，熔炉会逐步老化；温度随位置变化；光学仪器会受到振动影响。Cubuk 回忆起博士实验室的一段经历：楼上有人走动，夜间实验结果就发生了变化，因为激光装置受到了干扰。
3. 强化学习被拆解为可处理的科学判断
Fedus 将材料发现拆成3个相互关联的问题：判断哪种原子构型可能稳定并具备目标性质；确定能够合成它的工艺条件；最后表征实验室实际制得的材料。
“你是否找到了室温超导体？”这类端到端奖励既延迟又充满噪声，难以直接使用。Periodic 转而围绕单个步骤构建环境，例如从 X 射线衍射中识别不同物相，同时对虚假或化学上不合理的判定施加惩罚。
X 射线的波长与原子间距处于同一数量级，因此会产生能够指纹式反映晶体结构的衍射图谱。自动化解读可以避免在实验室开始高通量运行后，表征环节成为瓶颈。
Periodic 还会给知识加上时间戳：在某个日期之前已知全部实验信息的前提下，科学家下一步应该尝试什么，或者之后出现了什么结果。与那些可能被预训练模型从公开答案中记住的任务不同，这套专有证据能够阻止模型不学习可泛化的物理推理、却直接得到答案的“假工作”。
4. 已知物理定律不等于完美的材料模拟器
swyx 提出一个刻意基础的问题：“我们不是已经掌握了大部分物理定律吗？”Fedus 的回答带有历史警示意味：他回忆说，Dirac 能够解决氢原子问题，据称曾把剩下的部分概括为“化学”；但他也指出，这句话是否准确并不确定。相互作用的多体系统后来证明，绝不是把已经解决的案例简单拼接起来。
常规超导性主要与电子-声子耦合和预期的同位素效应相关。77开尔文以上、包括约93开尔文的铜酸盐，被称为高温超导体，因为它们属于非常规超导；Cubuk 表示，其支配物理机制仍然未知。
密度泛函理论可以非常准确，但强电子关联会造成重要失效。Brandon 援引 Phil Anderson 的“越多越不同”：底层定律可能很简单，却会产生涌现性的、普适的集体行为，而这些行为在定性上很难推导或建模。
swyx 想象将目标性质与合成过程分离，打造材料领域的 TSMC。Fedus 将这一愿景称为“物质编译器”，而 Cubuk 提醒，不可知的原子上下文可能让完美逆向工程无法实现；现实目标是充分理解工艺，以便改善性能。
5. 物相识别把部分失败转化为可导航的梯度
Cubuk 通过冰融化和 Ising 模型介绍相变：系统会从一个有序状态突然转入另一个有序状态。在合成过程中，加热前驱体晶体会促使原子反应，形成新的晶体；结构几何发生变化后，应当产生不同的 XRD 图谱。
真实科研项目很少给出干净的“是”或“否”。早期尝试通常同时包含前驱体材料、非晶物质、纯度较低的目标相和多个非预期物相；仿真与 AI 必须解释这种混合物，并决定应调整哪些条件。
过去没有记录过的新物相，可能要求智能体提出能够解释观测结果的原子构型，再通过计算检验其稳定性。如果目标相只占样品的1%，准确表征就能提供一条“爬山”梯度，推动物相纯度不断提高。
Brandon 认为，物相或许能提供无歧义的观测量，但实际并非如此。两个物相可能匹配同一图谱，因此 Periodic 会加入热力学与化学先验、重复实验，以及电学、磁学、形貌和电子显微镜等多种测量手段，以消除歧义。
6. 每一项可获得的测量都很珍贵，但都只是探针
Cubuk 纠正了 Periodic 必须丢弃多余数据这一前提：现实包含的信息多到任何计算机都无法全部存储，但实验人员本来也无法观测每一个原子。“我们收集的任何数据都极其宝贵”，因此公司会保留这些数据，并加入大量遥测信息。
Brandon 用 AI 作类比：物理系统像一个包含完整状态的基础模型，而实验只是一个极小的线性探针，可能只返回“8 bits”的信息。科学家和智能体必须从这种极端粗粒度的观测中，重建潜在的物理状态。
Maxwell’s demon 提供了一个极限思想实验。一个全知的分拣者表面上可以降低熵，但 Landauer 的论证表明，删除积累的信息需要付出能量；Periodic 还远未达到成为 Maxwell’s demon 的程度，不过 Cubuk 认为 swyx 的担忧“很有远见”。
更多传感器仍然可以减少隐变量，主持人也确认，Periodic 基本上是“每个传感器都买”。未来的实验室网络还可以纳入地理位置的影响，并利用不同地区在物理和化学方面的专长，而不是把 Menlo Park 当成唯一可行的地点。
7. 仿真与实验纠正的是不同类型的误差
Cubuk 通过 Hohenberg–Kohn 的洞见解释密度泛函理论：原则上，基态性质可以表示为3维电荷密度的泛函，而不必处理规模呈指数增长的波函数。实际使用的 Kohn–Sham 方法，使原本不可处理的材料计算成为可能。
Brandon 将现实权衡概括为：把一个指数级困难的问题，转化为通常为 (N^3) 的近似计算，但同时引入误差。DFT 可以估算形成焓，帮助判断候选材料相对于其他化合物是否位于凸包上。
Cubuk 称 DFT 是他所知最好的稳定性预测方法，但强调当前实际方法缺少所需的交换-相关泛函；对于电荷密度表述，还缺少所需的动能泛函。即使 DFT 完美无误，也不可能把 (10^{23}) 个原子装进一台计算机。
Brandon 追问，数百万次乃至1亿次仿真试验，如何避免压过相对有限的实验数据流。答案是实验室也要同步扩容：DFT 通常模拟完美晶体，无法直接探索真实微结构，也很难预测超导温度等性质。
实验会针对每个化学体系校准仿真，仿真则估计那些难以干净测量的量。Cubuk 的结论不是仿真对实验室，而是让“仿真、AI 和实验”形成闭环，各自弥补其他环节的盲区。
8. 无机材料难以采用生物学那样紧凑的表征
Cubuk 提出一个颇具挑衅性的观点：生物学和有机化学往往可以采用更低复杂度的描述，DNA 和 RNA 近似于序列式表征；Liam 补充说，很多人会把这种表征描述得更偏二维。Brandon 另行指出，生物学得益于数百万年进化形成的受限工具箱。
三维无机结构可以产生金属、绝缘体、超导体、金刚石，以及共价键、离子键和金属键。即便 XRD 看起来完美，它也只是平均结果：原子可能以相互补偿的方式发生偏移，但在总体平均中仍显得位于中心。
Cubuk 将生物学精密的纳米级机器，与固态电解质作对比：后者会被锂枝晶侵入并使界面开裂。但无机材料能够承受高温、支撑航天器，并构成硅基算力的基础；这体现的是不同能力，而不是简单的难度排序。
9. 材料奖项横跨磁体与算力效率
除了室温超导体，Cubuk 还提到更好的磁体——减少对稀缺稀土元素或钴等过渡金属的依赖——以及减少钴用量的电池和更高能效的计算。这些都是材料问题，其商业价值直接来自设备性能和供应约束。
他强调 Landauer 极限：每 FLOP 的能耗历史上一直以类似摩尔定律的指数速度下降；如果逼近热力学底线，计算效率将大幅提升，达到他所称的“宇宙中的真正货币”。讨论对剩余差距给出了相互冲突的粗略估计：Liam 记得是10或20个数量级，Brandon 记得是3或4个数量级；没有人声称手头有经过核实的数字。
可逆计算可以避免信息删除，从而避免部分耗散，但 Cubuk 有意保持不确定：“我不知道这是否行得通。”Brandon 将量子计算描述为幺正且可逆，但 Cubuk 认为，即便量子模拟完美，也可能仍然只是在模拟完美晶体，遗漏微结构和实验现实。
10. “140 IQ”仪器优化的是证据，而不是机器人表演
Fedus 表示，实验室早期扩张暴露出由人操作造成的瓶颈。简单程序可以扫描视野并进行缩放，但拍下的图像缺乏上下文；由 AI 控制的仪器则会先接收实验意图、目标材料和既有证据，再决定收集哪些数据。
仪器端的智能可以改善未来数据集，但部署取决于物理时间尺度。云端调用、长链路推理和仿真，对于精细控制而言可能过慢或过贵；科学家等待2分钟分析结果和等待2小时，工作流完全不同。
swyx 追问，渐进式自动化是否只是局部最优，是否应该直接让人形机器人运行现有实验室。Fedus 不同意：应优先自动化重复且高频的工作；当机器人需要数月才能完成异常灵巧的任务时，就把任务留给人；同时牢记“完全自主不是目标”。
一个 AI 系统注意到一台装载错误的机器造成了纵向数据不一致，随后发现，对记录进行循环置换和反转即可恢复一致性。这一诊断既暴露了物理装载错误，也识别出另一个可以自动化的环节，说明数据质量控制是基础设施，而不是文书工作。
11. 负面结果构成科学训练分布
Periodic 同时使用开放模型和闭源模型。独有的内部数据不仅可以支持更小、更低延迟的系统，提高算力效率，有时还会让专用模型超过前沿模型，而不只是降低成本；原因在于外部模型缺少相关实验分布。
一个零结果可能意味着目标晶体根本不存在，也可能是杂质相破坏了目标性质，或者出现了此前未记录的不同结构。Periodic 会有意运行阴性对照；Cubuk 指出，当文献报告成功合成，却通常省略失败尝试时，分类器很难有效学习。
失败始终取决于上下文，而不是绝对结论：一次不成功的合成可能只是“技术不行”、方法选错，或者受限于当前技术水平。因此，有价值的单位往往是完整科研项目——一连串失败、工艺调整和最终成功——而不是一项被标为负面的实验。
Fedus 表示，Periodic 会记录对话、直觉、计算、代码、实验室执行过程和结果，以还原完整的科研项目脉络。把这些模式压缩进模型权重依然重要：否则前沿实验室在 GPT-4 之后就可以停止训练，只依赖推理时计算。
12. 表征与定制硬件决定实验室规模
当被要求梳理抽象层级时，Cubuk 列出原子结构、连续介质模型、描述无限时间终点的热力学，以及描述有限时间内发生什么的动力学。理论突破可能位于多个科研项目之上，而具体仪器和操作则位于其下方。
他的现实判断仍是，自动化表征才是瓶颈：“混合粉末没那么难”，但如果没有快速分析和有依据的下一步实验，随机扩大吞吐量没有意义。因此，科研项目引导和表征工作已经转向混合式或主要由 AI 驱动的工作流。
搜索本身并不神秘。进化算法长期以来一直被用于预测低能结构；半导体工艺工程师也会使用试验设计、贝叶斯优化或类似的零阶方法。真正的新意在于，将这些选择与丰富的物理反馈连接起来。
并行化存在边界。组合溅射可以沿梯度制造数百乃至数千种组分，但扩散会模糊结果；批量超导筛选类似批量新冠检测，但单次超导性测量仍可能需要约1小时。
13. Periodic 正在扩张新的实验室架构和商业飞轮
Fedus 表示，可用资源将同时扩展算力和物理实验室，包括在最初的 Menlo Park 实验室之外建设新的实验室类型。每次建设都会帮助团队判断哪些仪器值得更高资本开支，以及下一代系统需要在哪些方面提高目标、精度或野心。
规模化越来越依赖定制硬件。现成系统可能除称重环节外处处都快；一只停在已混合样品上方的机械臂也可能引入污染。重新设计这些细节，可以降低实验噪声底，提高可用吞吐量。
组织覆盖 AI 研究与基础设施、计算、实验科学、硬件和产品。Cubuk 强调，经验丰富的人仍要亲自上手——这正是 Bell Labs 理想中的资深理论家和实验室负责人：直接参与实验，而不是完全转入管理岗位。
当前的收入切入口是半导体：现场部署工程师进入高度安全的客户环境，在本地运行推理，并用合作方数据训练系统。Fedus 预计，商业模式会沿着类似软件的路径演进——从 Copilot 式辅助，逐步走向随着自主能力提升而按客户要求的物理结果收费。
14. 商业成功将为更深层的科学研究提供资金
Cubuk 希望材料研究能够显性盈利，像 ChatGPT 提高人们对计算机科学和机器学习的兴趣一样吸引人才。Bell Labs 在这里不仅代表一种科研文化，也证明基础物理研究可以与巨大的商业影响力并存。
Fedus 认为，技术与资本会彼此强化。2010年至2015年，聊天机器人进步缓慢；2021年至2026年，在产品市场契合度改善招聘、算力和数据获取之后，进展突然加速。Periodic 希望为物理世界智能复制同样的正向循环。
商业化并不排斥公共基础设施。团队提到对 Pymatgen、Materials Project 工具、Custodian、TorchSim、JAX-MD、SGLang 和 Megatron 的贡献，也提到学术捐赠资助；据称，第一篇获得资助的论文已接近发表。
15. 发现超导体扩大了运气的作用面
Brandon 在最后提出最强版本的质疑：即使自动化完美，如果没有强关联体系理论，它如何找到超导体？Cubuk 回应称，合理的化学空间非常丰富；更难的问题是合成候选材料，因此“合成超级智能”才是实际目标。
据称，Alex Müller 先尝试了镍酸盐，随后在铜酸盐上取得成功；后来 Harold Hwang 又以薄膜形式制备出超导镍酸盐。镍、铜、钴、氧以及相关过渡金属体系，提供了彼此相连的搜索方向，即便完整的预测理论尚不存在。
Cubuk 最有力的先例是二硼化镁，这是讨论中最高温、常压下的常规超导体。一个日本团队尝试了约30,000种材料，找到约30种有趣候选；但 MgB2 已经在货架上放了数十年，而 BCS 理论早在1957年就已提出。
如果把这30,000次尝试从一段职业生涯压缩到1个月，实验室并不会消除运气，而是扩大“运气的作用面”。模型仍将不断提出方案、进行仿真、表征并学习，但两位嘉宾都坚持认为，没有任何系统可以只靠思考发现答案：“没人会零样本找到室温超导体。”