让 AI 走进实验室:两位 OpenAI、DeepMind 老将为什么押注超导体

关联

人物 Liam Fedus · Doj Chubuk · Mario

公司 Periodic Labs · OpenAI · Google DeepMind · ChatGPT

概念 大型语言模型 · 超导体 · 合成超级智能 · 空想主义不够 · 模拟 · X 射线衍射 · 强化学习 · 图神经网络

大语言模型已经能写代码、做数学题,表现惊人。但在物理世界里,它们几乎一事无成。

Liam Fedus 和 Doj Chubuk 创办的 Periodic Labs,就是要补上这一环:让 AI 真正走进实验室,自己设计实验、自己做、自己看结果、自己修正。

Liam 曾在 OpenAI 领导后训练团队,是 ChatGPT 的缔造者之一;Doj 曾在 Google DeepMind 带一支化学与材料科学团队。

为什么光“想”不够,AI 必须动手做实验?

两人有个核心信念：只靠读论文、读教科书,再有“思考”能力也造不出新材料。他们称之为“thinkism is not enough”——空想主义不够 。

道理很简单:代码写得好不是偶然,因为程序跑不跑得起来,计算机瞬间就能验证,等于自带答案。

物理学也有答案——就是现实世界本身。但 AI 没法自己去查这个答案,它必须真的做实验,把结果拿回来,再修正假设,形成闭环。

他们想造的系统叫“合成超级智能”:不是知道现有科学结论的系统,而是知道怎么“做科学”的系统 。

为什么第一个目标是超导体?

如果什么都能合成,那就先合成最有影响力的东西。量子计算、核聚变、无损耗输电,这些科幻场景背后都需要超导体 。

超导还有个特点:自 1910 年代被发现以来,凝聚态物理的热点换了一轮又一轮,唯独它从不过时。

而且,为了造出它,你得建起一整套模拟和 AI 基础设施——这些能力本身极具通用性。

历史也给了他们启发。他最终成功把温度降到 4 开尔文以下，顺手发现了超导现象。

他拿诺贝尔奖是因为液化氦，不是超导——他只是创造了一种新能力，新发现自然随之而来。

【背景】这里指的是荷兰物理学家海克·卡末林·昂内斯(Heike Kamerlingh Onnes),他于 1908 年实现氦气液化，1911 年发现超导现象，并于 1913 年获诺贝尔物理学奖。

做材料,难的不是“想出来”,而是“做出来”

外行以为发现新材料最难的是想出点子。Doj 说,进过实验室的人都知道,最难的是把想出来的东西做出来 。

一个现成的例子:高温超导的发现者早年在做出铜氧化物超导体之前,其实先试的是镍氧化物——镍在元素周期表上就挨着铜。

没做成,他放弃了。大约 40 年后,才有研究团队把镍氧化物做出来,证明它也是超导体。想和做之间,隔着 40 年。

【背景】发现者指 IBM 苏黎世实验室的 K. Alex Müller,他于上世纪 80 年代发现铜氧化物高温超导;数十年后由斯坦福的 Harold Hwang 团队首次实现镍氧化物超导。

为什么做这么难?你即便知道原子该怎么排,也得搞清楚用什么原料、什么比例、什么温度曲线、什么压力。

就算做出来一次,复制也难:原料纯度每批不同,炉子用几次温度稳定性就开始乱跑。

铜氧化物刚被发现时,有人怀疑是假的,因为别的实验室做不出来;如今它的做法已经写进教科书了。

一次实验循环,具体长什么样?

以做超导粉末为例。第一步,AI 决定混哪些原料——它可以直接告诉你该配什么,不只用人类的选择。

然后把混合物放进炉子烧,机器人或人来操作都行,但要一天跑几千次,就必须靠机器人。

烧完取出来,用 X 射线衍射仪看原子排成了什么结构——用的就是牙科那种 X 射线。

关键来了:材料出来是不带标签的,衍射图样人未必看得懂,AI 能判断实验成功没成功。之后再测抗磁性,看它是不是超导体。

他们最早建的 AI 系统之一,就是干这个的。

Liam 说得直白:谁都能进实验室混一堆粉末说做了很多实验,但如果你看不见自己在做什么,就没有纠错循环,没有目的性 。

AI 科学家最值钱的本事:跨领域 + 抓细节

他们的模型能同时达到两个博士的水平:模拟做到模拟博士的程度,实验数据分析做到数据分析博士的程度。

而真人通常只会一头。

有个真实案例:实验室里样品杯错位了两个位置,所有样品标签全乱。

大语言模型翻完数据,发现只是逆时针转了两格,反过来一转全部对上。

人也能做到,但太费神;而且一天几千个实验,只能靠它。

更妙的一次:X 射线衍射结果显示做出来的东西既不是目标材料,数据库里也查不到。

模型自己跑了一轮新模拟,推断出产物是什么,下一个实验验证了它的推断。

最独特的资产:一份“科学过程的完整记录”

现有的 AI 都是在科学的最终产物上训练的——论文、教科书里的结论。但那是事后的叙事,不是过程本身。

Periodic 小心记录每一次实验的意图、假设、计算预测、执行过程,把完整脉络缝合成数据 。

这带来一种新的训练方式:给模型看某天之前所有实验证据的快照,问“接下来科学家做了什么,结果如何”。

这些数据公开文献里不存在,所以也不会被预训练“污染”——模型没法靠背答案装样子 。

不重复造轮子,但该自己造的绝不省

能买现成的硬件就买,X 射线衍射仪已经有能一次放 40 个样品的高通量版本。

但某些材料性质测量一小时只能测一个样品,跟不上吞吐量,他们就自己投工程改进。

软件也一样:有个分析按第二间实验室的最大吞吐量算,一年要花大约 3000 万美元;他们把它压缩到小型模型里,成本降到百万美元以下 。

怎么赚钱?参照软件和制药

短期像 ChatGPT 之于程序员:先当副驾驶,帮客户更快到达答案,做定制系统收费。

长期则想按“成果”收费——保留知识产权和最终产出的收益。

如果模型权重里存着室温超导体的配方,你不会想通过一个软件授权合同把它卖掉 。

制药业提供了参照:过去发现药物赚不到 IP 的钱,如今一个药物的 IP 就能卖几十亿美元。材料领域可能正站在同样的转折点上。

AI 如果明天停止进步,也没关系

Liam 的回答出人意料:即使模型今天就冻结,以现有能力,物理学的每一个诺贝尔奖级别的分析都做得动——物理科学靠的并不是竞赛编程那种难度 。

而且有些变化已经回不去了,比如图神经网络彻底改写的力场模拟,现在能覆盖整张元素周期表。

真正让人乐观的一点:如果 Periodic 成功,世界上的科学家数量会变多,而不是变少。科学没有尽头,这和 AI 抢工作是完全相反的局面 。

本集带走

• 光靠“想”造不出新材料,AI 必须连上真实世界,做实验、看结果、再修正,形成闭环。
• 材料发现的最大瓶颈不是想出新东西,而是把想出来的东西做出来、稳定复制出来。
• Periodic 最独特的数据资产是科学过程的完整记录——意图、假设、执行、结果——这构成了公开文献里不存在的强化学习训练集。
• 大语言模型的独特价值在跨领域专长和海量细节把关:同时懂模拟和实验,还能从乱数据里找出错位两个格子的标签错误。
• 成功的 AI 科学不会减少科学家,反而会让更多人涌入这个没有尽头的领域。

所以它不是知道科学的状态，而是知道如何做科学。
So rather than knowing the state of science, it knows how to do science.
—— Doj Chubuk · [03:09]

而从定义上讲，这意味着它不能仅仅依赖我们已经知道的东西，因为科学正是在试图弄清楚我们还不知道的东西。
Which by definition means it cannot just rely on what we already know because science is trying to figure out what we don’t yet know.
—— Liam Fedus · [03:51]

我们不认为以今天这种训练方式训练出来的系统，会思考十亿或万亿个 token 后突然直观地领悟到：这里有一个新的高温超导体。
And we don’t think that a system trained in the way that they’re trained today will think for a billion or a trillion tokens and suddenly intuit, here’s a new high-temp superconductor.
—— Doj Chubuk · [05:16]

数据根本就不存在，而这才是你真正构建新知识的方式，而不只是重复现有的知识。
The data simply just doesn’t exist, and that’s how you’re going to actually build new knowledge, not just rehash the existing knowledge.
—— Doj Chubuk · [05:40]

他的一个非常有趣的想法是，科学应该由专业人士以工业化的规模来做。
And one of his very interesting ideas was that science should be done at an industrial scale by professionals.
—— Liam Fedus · [08:13]

更令人意外的是，我们内部已经有 GPT-4，而它在公司内部并没有成为一个爆火的产品。
It was further surprising because we had GPT-4 internally, and it wasn’t this hugely viral product within the company.
—— Doj Chubuk · [23:11]

但就是一连串的获取反馈、改进任务分布、改进数据质量，正是这些看似无聊的细节造就了今天的系统。
But just a series of getting feedback, improving the task distribution, improving the data quality, just all these kind of boring details is what led to the system as of today.
—— Doj Chubuk · [23:50]

因为我常说，应该运行模拟的人，和知道如何运行模拟的人，通常是不相交的两个人群。
Because I often say the people who should run simulations and the people who know how to run simulations are usually disjoint sets of people.
—— Liam Fedus · [37:08]

你的预训练模型已经知道答案，而你针对一个已经存在于预训练语料库中的答案做强化学习时，系统基本上可以伪造一些工作、得到正确答案，而你会强化这些策略。
Your pre-trained model already knows the answer, and you do reinforcement learning derived against an answer that was already in the pre-training corpus, that the system can basically fake some work, get to the right answer, and you reinforce those strategies.
—— Doj Chubuk · [39:47]

但说实话，除了数学之外，几乎所有有趣的事情都是这种类型，即完整上下文永远对你不可用。
But to be honest, outside of math, almost everything that’s interesting is of this type, where the full context will never be available to you.
—— Liam Fedus · [50:36]

让生活有趣的是，你没有全部上下文，但你必须在不确定性下做决策。
What makes life interesting is when you don’t have all the context, but you have to make decisions under uncertainty.
—— Liam Fedus · [50:48]

我的意思是，从软件工程这方面来说，我们今天完全可以停下来，去复现每一个现有的诺贝尔奖，至少物理学的。
I mean, I think from the software engineering side, we could literally stop today and find every existing Nobel Prize, at least from the physicals.
—— Doj Chubuk · [51:40]