Periodic Labs — AI for Atoms：用 AI 重塑材料科学

来源： No Priors 播客，Liam Fedus 访谈，2026-04-03 Liam Fedus： ChatGPT 联合创始人，前 OpenAI VP of Post-Training，前 Google Brain 播客链接： https://www.youtube.com/@NoPriorsPodcast 深度文章： 2026-04-14-no-priors-liam-fedus-periodic-labs

核心论点

"Science ultimately isn't sitting in a room thinking really hard. You have to conduct experiments. You have to learn from them. You have to interface with reality."

物理科学需要像软件工程一样建立 AI 自我改进的闭环系统。

技术架构

LLM 作为编排层

• LLM 负责：理解指令、处理文献、协调实验流程
• 专用神经网络负责：原子级别的精确计算（内置对称性感知）
• 这个架构与 coding agent、customer support agent 完全一致

闭环实验系统

数据池 vs 闭环系统的关键区别：

实验 → 数据 → 分析异常 → 与模拟数据交叉验证 → 驱动下一轮实验

不是积累数据，而是建立数据驱动实验的闭环。

数据质量问题

文献中报告的材料属性值有时跨越多个数量级（不同实验室测量条件不同）。训练在这种数据上的 ML 系统只能建模分布，无法接近真实值。实验数据（有明确测量条件的）比文献数据更有价值。

关键洞察

1. 智能的"尖刺性"（Spikiness）

"Intelligence is not a scalar. These systems have odd spikiness."

AI 系统不是全能的神，而是在特定领域极其强大、在其他领域仍有明显局限的系统。世界级数学能力的系统对问题稍作扰动就可能大幅退化。

对 AI 应用的启示： 不要期待通用 AI 能解决所有问题。在具体领域内深耕，比等待通用 AI 更有效。

2. 软件工程的自我改进正在发生

条件已经成熟：

• 可验证的环境（单元测试）成本极低
• AI 研究者和软件工程师之间没有领域知识鸿沟
• 训练数据极其丰富

Fedus 认为软件工程领域的 AI 自我改进"现在就在发生"。

3. 物理世界的闭环

软件工程和 AI 研究正在建立自我改进的闭环，物理科学也需要同样的闭环。Periodic 正在构建这个基础设施。

4. 为什么物理学家主导 AI 革命

物理学训练了极其严谨、原则性强的思维方式。Higgs 玻色子发现后，高能物理的下一个前沿受制于加速器成本，很多物理学家转向 AI。

商业模式

• 定位：企业的"智能层"（intelligence layer）
• 起点：以 Periodic 自身为"客户零号"，验证技术
• 目标市场：所有与物理世界交互的企业（先进制造、半导体、航空航天、能源）
• 可能的发现模式：类似生物技术的发现+授权模式

与相关观点的对比

两者都印证了同一个架构模式：LLM 作为编排层 + 专用工具 + 闭环反馈。

关联页面

• Fat Skills Fat Code Thin Harness
• Vercel Open Agents
• Autonomous Labs
• 一人十亿公司

Sources

• AI 简报 2026-04-14 — AI 简报 | 2026-04-14
• 2026-04-14-no-priors-liam-fedus-periodic-labs