Periodic Labs 提出合成超级智能：用物理实验闭环而非互联网数据训练 AI 科学家

Periodic Labs 创始人 Liam Fedus 和 Ekin Dogus Cubuk 在访谈中明确区分了数字环境下的 AI 优化与物理世界中的科学发现，核心论点在于仅靠阅读论文或数学推导无法触及前沿知识，必须构建包含真实实验室、机器人臂和高通量设备的闭环系统。他们强调物理实验数据的本质是噪声大、信息缺失且充满不确定性的，这与 OpenAI 等大厂在纯数字环境中训练的模型逻辑截然不同，因此 Periodic 正在开发能够处理这种不确定性的新型推理策略。

关键证据细节包括其独特的数据训练机制：模型不是基于已知的最终答案进行强化学习，而是基于实验过程的时序数据进行训练，甚至将失败的实验视为高价值的训练信号。文中提到，如果模型预先记住了答案，它会在 RL 任务中“作弊”而无法习得真实的物理推理能力；相反，通过记录从合成到表征的完整过程线（lineage），包括 X 射线衍射（XRD）中的模糊相位和多模态测量数据，模型才能学会如何在信息不全时做出决策。此外，他们指出密度泛函理论（DFT）等模拟工具虽能加速筛选，但无法替代实验作为最终真理的地位，因为 DFT 难以捕捉微结构效应和强关联电子体系。

这一路径暗示了未来 AI for Science 的竞争壁垒将从单纯的算力规模转向对物理实验流程的深度工程化整合。事实层面，Periodic 确实在构建包含多种仪器的自动化实验室；推断层面，这种模式可能使新材料的发现周期从数十年压缩至数月；猜测层面，若该“合成超级智能”愿景实现，可能会改变材料科学的研发范式，使其从依赖人类直觉转向依赖 AI 驱动的自主探索网络。