01 触发事件

Liam Fedus, ChatGPT 共同创造者之一、OpenAI 前 post-training 负责人, 与 Google DeepMind 前材料科学团队 lead Dogus Cubuk 联合创立 Periodic Labs, 押注 "synthesis superintelligence" — 让 AI 闭环跑通 hypothesis → experiment → learning, 第一个目标高温超导材料。访谈来自 The Generalist。

02 这事的真正含义

表层是 "又一个 AI for science 创业公司"。真正值得咀嚼的是另一个问题: 为什么 ChatGPT 共同创造者愿意离开 foundation model 这艘航母, 去赌一条回报周期 10-20 年的硬科技路径。

Fedus 自己已经把答案埋好了:

Most AI has been trained on the final artifacts of science, like the final paper, the final recount in a textbook. That isn't often how the scientific process unfolded — it's sort of a retelling of the story.

现在 frontier model 吃的是 science 的 "成品" — 已发表的论文、教科书里被整理过的结论。但科学过程本身, 那些失败的尝试、被丢弃的中间数据、实验 trace 的全貌, 几乎没被 capture。这正是 Periodic 要做的事: 把实验全程数据变成 training corpus, 让模型看见 "过程" 而不只是 "结论"。

这才是真正的 alpha。不是更大的模型、不是更长的 context window, 而是一类新数据 — closed-loop experimental trace。这是 scaling law 在公开互联网文本上撞墙之后, 一条还没被大规模开采的纵深方向。事后看是这样, 当时 Fedus 出走时未必这么想过, 我是从访谈反推。

03 历史类比

最像的不是 AlphaFold — 那是 single-task 突破, 没有创业公司载体。更像 2012-2014 年那一波 deep learning 人才流动: Hinton 去 Google, LeCun 去 Facebook, Bengio 留守学术。那一波迁徙直接催生了此后十年的 AI 产品版图。这一次的方向相反 — 是从 foundation lab 流向垂直科学。

还有一条暗线值得拉出来对照: 1980 年代以来, 材料科学被 "computational discovery" 的承诺反复撩拨 — 80 年代的国家实验室超级计算、2010 年代的 Materials Genome Initiative。每一次都是 "预测了新结构, 但造不出来"。Periodic 这次赌的不是 prediction, 而是 closed-loop synthesis, 也就是过去四十年真正缺的那块能力。

类比不一定贴切, 但有助于框定难度量级 — 这是一条需要模型 + 机器人实验台 + 材料合成工艺三条线同时打通的路径, 类似 2007 年 iPhone 那种软硬一体逻辑, 单点突破没有用。

04 对 AI builder 意味着什么

短期 (1-2 季度):

  • 顶级 researcher 从 foundation lab 出走的频率会继续加速。Stripe Index、Anthropic、Google Brain 的离职名单值得每月扫一次 — 这些人才流到哪里, 哪里就是下一个 12-18 个月的主战场
  • "Data moat" 的叙事会被重新定义: 不是 "我有多少用户数据", 而是 "我有多少 ground truth 别人不能 replay"。Periodic 的实验 trace 就是这类数据, 而且它有 natural switching cost — 别人想复制必须重新跑几年实验
  • inference-only 路线 (只做模型 API) 的天花板比想象中低。要么握数据, 要么握 distribution, 单卖 token 的窗口在持续收窄

中期 (6-12 个月):

  • 关注 "AI for science" 赛道的硬指标 — 不是发了多少 paper, 是合成了多少新材料、被几个 industrial partner 验证。Lila Sciences、Crusoe、Periodic 这条线值得盯
  • developer tooling 层可能出新需求: experiment orchestration framework、closed-loop agent SDK。这块目前几乎是空白

我没在内部跑过 Periodic 的实验闭环, 上述判断更多是基于公开访谈 + 行业 pattern 的推断, 实操层面可能漏掉关键 friction。

05 反方观点

我可能高估了这事的结构性意义。三个理由:

第一, 材料科学是出了名的 "promise trap"。过去 40 年每隔 5-10 年就有一波 "AI 将彻底改变材料发现" 的预言 — 1980s 超级计算、1990s genetic algorithms、2010s Materials Genome Initiative。每一次承诺都打了折扣。Periodic 团队强, 但 domain 本身是 hard mode, 历史 pattern 不站在创业者这边。

第二, "闭环合成" 的真正瓶颈不在 AI, 在于材料合成本身的物理工艺 — 高温超导尤其刁钻, 铜氧化物、铁基、氢化物三条路线各有各的工艺地狱。AI 可以优化 hypothesis ranking, 但 fabrication bottleneck 不是纯软件问题, 也不是 scaling 能直接压扁的。

第三, Fedus 的专长是 post-training, 不是 chemistry。Cubuk 是 DeepMind 材料团队 lead, 但 discovery 和 synthesis 是两个工种, Cubuk 的 background 更偏前者。这个组合能否撑过 10-20 年回报周期是个真实问题 — VC 的耐心通常不超过 7 年。

最坏情况: Periodic 变成又一个 "AI for science" 的 PR-driven 案例, 两轮钱烧完后被并购或关停, 进入 venture graveyard 的预测资产列表。但即便如此, Fedus 的出走本身仍是一个独立信号 — foundation model lab 的顶尖人才开始认为 "模型层之上的垂直机会" 大于 "继续在模型层迭代"。这个 signal 比公司本身的命运更值得 follow。