从ChatGPT成员成立这家初创，我们看到更完整AI for Science形态

今年三月，Liam Fedus 在推特上宣布离开 OpenAI。这条推文的影响力超出了所有人的预期——硅谷的风投们几乎是立刻行动起来，争相联系这位 ChatGPT 最初小团队的核心成员、曾领导 OpenAI 关键的后训练部门的研究者，他的离职甚至一度引发了一场“反向竞标”。

图丨Liam Fedus（右）与 Dogus Cubuk（左）（来源：Felicis）

风投们争相向他和联合创始人 Dogus Cubuk 递出橄榄枝，有人甚至写下“情书式”的投资意向书。短短数月后，他们创立的 Periodic Labs 就拿下了 3 亿美元的种子轮融，领投方 Felicis 联合 Andreessen Horowitz、DST、英伟达旗下的 NVentures 以及 Accel 等顶级机构，Jeff Bezos、Elad Gil、Eric Schmidt 和 Jeff Dean 等科技界传奇人物也作为天使投资人加入其中。

除了钱，人才也纷纷涌入，超过二十位来自 Meta、OpenAI、Google DeepMind 等 AI 巨头的顶尖研究人员陆续离职，放弃了数千万美元乃至上亿美元的股权激励，转而加入这家初创公司。他们当中包括 o1 和 o3 模型的核心研究者 Alexandre Passos、已有重大超导体发现的材料科学家 Eric Toberer，以及微软生成式 AI 材料科学工具的开发者 Matt Horton。这份名单还在不断增长，这家公司俨然成为了此前那波由 Meta 掀起的硅谷人才争端战中的最大幕后赢家之一。

图丨Periodic Labs 的团队名单（来源：Periodic Labs）

这一切的起点，始于 Fedus 与 Cubuk 七个月前的一次对话。Cubuk 曾是 Google Brain 最出色的机器学习和材料科学研究者之一，他在 2023 年发表的开创性论文中展示了一个全自动机器人实验室，通过语言模型建议的配方成功合成了 41 种全新化合物。

当硅谷无数人高谈阔论生成式 AI 将如何颠覆科学发现时，这两位研究者意识到，技术拼图的所有关键部分终于到位了：处理粉末合成的机器臂已经足够可靠；机器学习模拟可以高效准确地建模复杂物理系统；而大语言模型的推理能力——部分归功于 Fedus 团队在 OpenAI 的工作——已经达到了前所未有的高度。

但更重要的是，Fedus 和 Cubuk 意识到，即使是失败的实验对他们的新公司也极具价值，因为数据是 AI 的生命线。AI 科学提供了一种全新的真实世界训练和后训练数据来源。这可能会颠覆现有的科学激励系统——传统系统通过论文发表和资助奖励成功，而非探索本身。“让 AI 与现实接触，将实验纳入循环——我们觉得这是下一个前沿，”Fedus 告诉媒体。

Felicis 的投资人 Peter Deng 是第一个得到他们回应的人。Deng 曾在 OpenAI 工作，今年年初刚转到 Felicis。听说 Fedus 离职后，他立即发了短信。两人在旧金山 Noe Valley 社区的一家咖啡馆见面，兴奋的 Fedus 邀请 Deng 边走边聊——尽管那天有些冷，但后来天气突然变热。穿着毛衣的 Deng 汗流浃背地跟着身材健硕的 Fedus 爬坡，直到 Fedus 说了一句话，让他“真的停在了原地”。

“每个人都在谈论做科学，但要做科学，你必须真的去做科学。”这句看似简单的话，击中了当前 AI 发展的一个核心盲点。互联网已经被榨干了，最好的模型已经训练了大约 10 万亿个文本 token。但仅仅训练是不够的——你可以反复阅读教科书，但最终必须运行实验。你需要在假设和现实之间建立反馈循环，这才是科学的本质。

Deng 回忆说：“关于这些模型的真相是，它们知道的一切都在正常分布范围内。我们拿一堆数据，它只能反刍它所知道的东西。”发现新事物必须涉及测试假设。当天在 Noe Valley 的山坡上，Deng 就承诺投资。不过他回到办公室后很快发现了一个问题：公司还没注册，甚至连名字都没有，想投资都签不了合同。“我们当时就是这么早，”Deng 说。

科学发现的本质是迭代的。现有文献中的数据根本不够——比如形成焓标签的噪声太高，仅靠这些训练无法产生足够准确的预测模型；负面结果很少发表，而真正重要的认知不确定性只有通过实验才能消除。这正是 Periodic Labs 要填补的空白。

他们不是在构建训练于科学文本的模型，也不是建立模拟环境，而是“AI 科学家”以及供其操作的自动化实验室。他们计划在加州的门洛帕克建立一个庞大的实体机器人实验室，让机器人在其中进行大规模的科学实验。这些机器人将根据 AI 模型的指导，混合各种化学前体、加热它们以发现新的超导体、磁体或隔热材料。

这个过程形成了一个强大的闭环：AI 系统分析现有科学文献和模拟数据，提出假设；机器人执行实验来验证这些假设；实验产生的数据，无论是成功还是失败，都将作为高质量、独家的训练数据，反过来进一步优化 AI 模型。这个“假设-实验-学习”的迭代循环，旨在将科学发现的速度从数年缩短至数月甚至数周。这其中，自然本身成为了一个终极的奖励函数，每一次实验都为 AI 提供了来自真实世界的直接反馈。

这种对基于物理的（physically grounded）数据的追求，是 Periodic Labs 与众不同的关键。每一次实验都能产生大量的独特数据，而这些数据是任何竞争对手都无法从网络上抓取到的。这种独家数据护城河，是训练出真正具备科学直觉的 AI 的关键。

Fedus 今年早些时候在斯坦福大学应用物理系做访问科学家。在那里，他们做了一系列测试：让前沿 AI 模型去分析科学实验数据，具体来说是凝聚态物理领域的数据。结果并不乐观，这些被认为最先进的模型在科学分析上表现糟糕，也根本比不上人类研究者。

这与其他人的一些乐观预期形成鲜明对比。OpenAI、Meta 等 AI 巨头们此前纷纷宣称他们的技术有望在药物发现、数学和理论物理等领域推动科学发现。八月，OpenAI 副总裁 Kevin Weil 还宣布在公司内部启动“OpenAI for Science”部门，“构建下一个伟大的科学仪器：一个加速科学发现的 AI 驱动平台。”OpenAI 发言人 Laurance Fauconnet 在声明中表示：“我们相信先进 AI 能更快推动科学发现，OpenAI 在引领这一方向上处于独特地位。”

但 Fedus 直言不讳地表示：“硅谷在设想大语言模型的未来时有点偷懒。”从某种意义上说，Fedus 和 Cubuk 正在尝试复兴一种更古老的科技产业传统。他们提到了贝尔实验室和 IBM 研究院——那些曾经将物理科学视为核心使命的企业研究机构。在那个时代，科技公司的研究不仅仅关注软件和算法，更追求基础科学的突破。晶体管、激光、信息论等改变世界的发明，都诞生于这种研究文化。但在过去几十年里，科技产业的研究重心逐渐转向了纯软件和互联网应用，物理科学被边缘化了。

目前，Periodic 已经建立了实验室，正在处理实验数据、运行模拟并测试一些预测。主要的初始任务是发现新的超导体材料——这可能带来重大突破。改进的超导体可以为下一代强大但低能耗的技术提供动力。不过机器人部分还没有完全运行起来。“它们需要一些时间来训练，”Cubuk 说。

当然，这一切都还充满不确定。科学发现本质上是不可预测的，无论有没有 AI 的辅助。虽然目前 Periodic Labs 已经有了强大的团队和充足的资金，但没有人能保证他们一定会找到突破性的超导材料，或者在预期时间内实现自主实验系统。但至少，那 20 多位放弃高薪、离开科技巨头的研究人员是有信心的。他们用脚投票，笃信真正的 AI 科学革命不会发生在更大的语言模型里，而会发生在实验室的试管和熔炉中。

参考资料：

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/

运营/排版：何晨龙