前OpenAI副总裁用1300张卡，赢了GPT-6的10万卡

只用1300张H200，在一项硬核科学基准上，赢了GPT-6 Astra。这不是段子，是前OpenAI研究副总裁Liam Fedus在X上晒出的成绩单。

他亮出的是Periodic Labs的第一个模型：Periodic Neon。帖子最抓人的一句话是——只用1300张H200，加上几个月的实验数据，Neon在他们自家的分析基准上超过了GPT-6 Astra。

数字的反差很快在圈内炸开。Jeff Dean第一时间在Fedus的帖子下留言祝贺。1300对10万，这组数字背后，藏着让AI继续变强的另一条路。

一个做大模型的人，为什么跑去啃材料

Fedus曾是ChatGPT的核心创造者之一，在OpenAI负责后训练，最清楚模型靠什么变强。去年创立Periodic时，他就把话挑明了：互联网上的文本总共约10T token，最好的前沿模型已经把它读完了。AI要再往前走，需要互联网上没有的新数据。

去哪找？实验室。

于是，他拉上前谷歌DeepMind化学与物理研究负责人Ekin Dogus Cubuk，从第一天起就自己建实验室、自己造数据，目标只有一个：造一个AI科学家。一年后，第一份答卷来了。

Periodic在门洛帕克建起了高磁场材料实验室。一排排样品托上放着刚合成出来的候选材料，它们会被送进X射线衍射仪拍下「指纹」，再变成Neon要读的图谱。实验室24小时连轴转，合成、测量、喂数据。Fedus说，他们第一批要啃的，是超导体、磁体和半导体材料里的硬骨头。

一张考卷，把2.7%拉到55.3%

Neon解决的问题叫X射线衍射分析，简称XRD。

打个比方：一束X射线照进晶体，会在几个固定角度衍射出亮峰。材料不同，亮峰的位置也不同，就像指纹。合成出来的东西是不是超导体、磁性材料或半导体材料，先要看这枚「指纹」对不对得上。

麻烦在于实验室合成的样品往往极不纯净，多种物质重叠在一起，就像几百个人的指纹乱七八糟印在同一张纸上。材料学家要认清里面有什么，通常得开软件、翻数据库、对比论文，折腾很久。

Periodic挑选了134道这种「连专家都头疼」的硬骨头，组成基准测试FrontierXRD。Neon的55.3%，就是在这134道题上拿到的。所有模型用的都是Periodic自己搭的科学工具环境，Periodic Harness。

与基于Claude Code、配标准XRD工具的方案相比，在单题成本差不多的情况下，Periodic Harness的成功率是后者的3.8倍。AI做科研，一半靠脑子，一半靠手边的工具。

为了防止模型「背答案」，团队还另外准备了198道题，题目涉及的化学体系在训练数据里都被刻意剔除。Neon依然领先一众前沿模型。不过官方也承认，这套题比FrontierXRD简单。

成本上，Neon也更划算。最高档下，Neon成功率55.3%，每题成本约4美元多；GPT-6 Astra每题约7美元多，成绩反而低于Neon；Claude Fable 5.1成本和Astra相近，成功率只有约40%。

论参数，据业内传闻，Astra总参数在数万亿量级，Neon只有1T；论算力，按黄仁勋的公开说法，Astra背后是10万张以上的Grace Blackwell；Neon最终训练的峰值规模，只有1300张H200。

互联网就要被AI读完了，他们想造一口永不干涸的水井

抛开跑分，Periodic真正想让人看到的，是它在门洛帕克建起的高通量材料实验室。

从最初的第一批实验，到如今24小时连续运转，Periodic把材料发现拆成了一个循环：

1. 先猜要做什么，依据是对材料稳定性和性质的预测；
2. 再预测怎么把它合成出来；
3. 最后搞清楚实际做出了什么，性质对不对。拿到结果，修正猜想，再来一轮。

每循环一圈，实验室就吐出一批新鲜、私有、带着物理反馈的数据。这些数据，就是Neon的原料。Periodic的中训练语料，混合了学术文献、代码和实验数据，规模目前每个月翻一倍。他们还发现，先靠中训练把科学知识灌进去，后面的RL效果更好。

而且实验跑的时候，GPU不用干等。模型可以拿已有的实验数据继续分析、继续改进预测。

Periodic那篇研究博客的标题，叫「自然就是学习环境」（Nature Is