Liam Fedus

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”。

🔗 原始收听与视频来源： AI 驱动原子：Periodic Labs 联合创始人 Liam Fedus 如何重塑材料工程

Periodic Labs 由 Andreessen Horowitz 领投的3亿美元种子轮，押注的是一条高资本投入路径：AI 科学家必须通过作用于物理现实来学习，而不只是吸收互联网信息。 Liam Fedus 将实验称为“物理锚定的奖励函数”（physically grounded reward function）；模拟器和语言模型可以作为工具，但自然界才是最终的误差校正器：“自然界是我们的 RL 环境”（Nature is our RL environment）。可投资的命题，是由实验室搭建一个包含假设、自动化实验、正负结果和模型迭代的闭环。

Scaling laws 可能仍然成立，却依然无法在所需时间尺度内带来有用的科学发现。 Fedus 的质疑是：“这个 y 轴究竟是什么？”围绕互联网或编程分布进行 scaling，并不会凭空制造缺失的物理知识，“那个模型不会接着去治愈癌症”。Ekin Dogus Cubuk 补充说，域外表现可以按幂律提升，但斜率可能极其平缓，以至于达到目标要花上几个世纪。

现有科学语料库的问题不只是太小；它还充满噪声、存在选择性发表，并且缺少训练科学判断所需的迭代过程。 已报道的物理性质可能跨越多个数量级，形成焓误差足以让预测失效，超导数据集也常常受到较高噪声底的限制。由于负面结果很少发表，基于文献训练的模型最多只能复现一个扭曲的分布，而无法理解实验为何失败。

高温超导为 Periodic 提供了可量化的北极星，也迫使它搭建完整的自主科学技术栈。 目前所称的常压基准约为135开尔文；超过这一温度就能提供明确无歧义的成绩，而 Cubuk 认为，假设出现200开尔文超导体，即使尚未商业化，也会改变人类对宇宙的理解。实现这一目标，需要自主合成、表征、模拟和实验选择能力，并验证这些能力能否迁移到磁学及其他物理领域。

近期业务是服务先进制造的智能层，而不是等待一块奇迹般的超导体出现。 Fedus 瞄准半导体、航天、国防及其他“拥有巨额研发预算”的行业，为研究人员和工程师提供 copilot，缩短文献检索、模拟、设计和实验之间的迭代时间。商业化将采取 land-and-expand 路径：先解决一个关键且边界清晰、评估标准明确的问题，而不是第一天就承诺改造整条生产线。

Periodic 的模型策略超越检索，通过 mid-training 和高算力强化学习，将私有科学与工业知识编码进模型。 Mid-training 是在基础模型缺失的知识上继续预训练——从晶体结构、模拟输出，到材料制造过程的描述——再将这些分布连接起来，让一个数据集提升模型在另一个数据集上的表现。这种更深层的编码也带来企业级挑战：当部分数据只有高层管理者可以访问时，知识可能需要分桶，分别放入不同系统。

组织护城河是一支约30人的跨学科团队，依靠好奇心、翻译能力和紧迫感，而不是学历资历来协作。 每周教学让 ML 研究人员讲解 RL 和数据清洗，也让物理学家与化学家教授量子力学和科学史；团队的文化规则是“没有愚蠢的问题”。高级学位并非必要，因为即便最优秀的专业人士，对任务所需的物理、化学、合成和表征知识也只掌握很小一部分；创始人希望“尽快”（ASAP）取得进展，而不是等10年。

🔗 原始收听与视频来源： Periodic Labs：训练 AI 科学家，与 Liam Fedus 和 Ekin Dogus Cubuk 对谈（来自 a16z）

Periodic Labs的核心押注是：自然应成为AI的下一种奖励函数。 早期ChatGPT从人类偏好中学习“有帮助”，后来又通过可验证的评分器获得数学和代码正确性；物理学的进一步突破，也需要针对真实实验施加同样的优化压力。Cubuk用一句话概括这一论点：“自然是我们的RL环境。”

更多算力会让模型变强，但无法凭空制造缺失的科学知识，也无法带来高效的分布外学习。 Fedus承认 scaling law 仍然成立，但追问：“这个纵轴到底代表什么？”代码模型可以通过反复通过单元测试实现递归改进，但“那个模型不会因此治愈癌症”；Cubuk补充说，分布外幂律的斜率可能低到让进展需要“几个世纪”。

Periodic正在打造科学文献无法提供的数据引擎。 已发表的测量结果可能跨越多个数量级，负面结果很少被记录，合成或超导数据集的噪声底也可能高到无法训练预测模型。因为“这些系统不是魔法”，实验必须压缩不确定性，并持续把训练分布推向目标。

高温超导既是可证伪的基准，也是推动完整自主科学栈落地的驱动力。 目前引用的常压纪录约为135开尔文；创始人认为，超过这一纪录很可能需要自主合成、表征、模拟和实验迭代协同完成。假设存在200开尔文超导体，即便尚未商业化也意义重大，因为在这一温度观察到量子效应，将“彻底改变人们理解宇宙的方式”。

商业切入口，是面向航天、国防、半导体和先进制造业工程师与研究人员的智能层。 Periodic希望自动化模拟、打通设计流程，并缩短“巨大研发预算”下的实体研发迭代周期。Fedus明确把使命与经济性联系起来：“技术与资本彼此交织”，因此实验室计划采用有边界的“land and expand”路径，而不是第一天就试图改造整条生产线。

Periodic预计，只有通过mid-training，而非单靠检索，才能把通用模型变成物理和化学专家。 公司计划在晶体结构、合成配方、模拟、实验和客户知识之上继续预训练，再结合高算力强化学习与专用工具。组织设计也对应这一组合：一支约30人的“N of one”团队，覆盖LLM、实验、模拟、自动化和理论，并由学术顾问与资助项目提供强化。

🔗 原始收听与视频来源： 打造AI物理学家：ChatGPT共同创作者的下一项事业