AI物理学家的赌局
作者：微信文章互联网文本数据已死，科学实验数据永生——两位AI巨头用这句话，撬动了3亿美元投资。
2025年10月，OpenAI前训练副总裁William Fedus与DeepMind材料科学负责人Ekin Dogus Cubuk共同宣布成立Periodic Labs，聚焦打造“AI科学家”。该公司一举获得3亿美元融资，由a16z领投，NVIDIA、Jeff Bezos、Eric Schmidt等跟投，创下AI+科学交叉领域的融资纪录。而与此同时，传统大模型正面临数据枯竭——互联网上约10万亿规模的文本数据已被前沿模型消耗殆尽。01 数据饥渴：大模型遭遇天花板，实验数据成新油田当前基于互联网文本训练的AI模型已触及数据天花板。互联网尽管浩瀚，其数据仍是有限的（估计约10万亿文本token），而近年来最前沿的AI模型已将其完全耗尽。传统AI的数据管道正在干涸。科学家们早就知道：重读教科书可能会带来新见解，但最终必须通过实验来验证想法。Periodic Labs的战略核心是“自主实验室”，每个实验可生成GB级别数据，且能捕捉传统研究中常被忽视的“负面结果”。（教科书刷完了，该进实验室了）02 AI科学家：从分析数据到设计实验Periodic Labs的核心理念是构建“AI科学家”以及供其操作的自动化实验室。这不仅是将AI用于数据分析，更是打造能够自主运作的完整研究闭环。他们的AI系统能够：从文献中提取假设、调用仿真工具建模、自动规划实验、执行材料合成，并根据实验结果不断优化设计。AI从研究助理升级为首席科学家。这与传统的科研模式有着显著差异，后者往往依赖于研究人员的经验和直觉，而AI则能够通过海量数据和快速迭代来加速科学发现的进程。03 物理科学：站在自然界的肩膀上训练公司选择从物理科学起步，原因很现实：实验的信噪比高且速度相对较快，物理模拟能有效建模许多系统。在物理科学领域，自然界就是强化学习的环境。AI在拥有数据和可验证结果的领域（如数学和代码）中进步最快。公司的目标之一是发现比现有材料更高工作温度的超导体。这方面的重大进展将有助于创造下一代交通工具，并建设损耗最小的电网。（RL不只是游戏，现在是真实世界）04 豪华团队：OpenAI+DeepMind的终极合体创始团队的履历堪称豪华。他们曾参与ChatGPT、DeepMind的GNoME材料发现系统、OpenAI的Operator智能体等项目的开发。这些技术成果覆盖了从基础模型架构到垂直领域应用的多个层面。William Fedus曾担任OpenAI后训练副总裁，并在谷歌大脑团队积累过丰富经验。而Ekin Dogus Cubuk则是Google DeepMind材料科学与化学领域的负责人，同样出身于谷歌大脑。跨界组合弥补了AI与科学的鸿沟。05 热力学视角：科学研究的熵减革命从热力学角度看，传统科学研究是典型的熵增过程——假设空间无序度随探索扩大，人力难以应对。AI科学家则通过数据驱动实现熵减，在混沌中建立新秩序。每个自动化实验室都是一个信息负熵源，通过持续的数据输入降低系统不确定性。传统科研像盲人摸象，而AI科学家是给整个房间开灯。（科学需要的是电灯，不是更聪明的盲人）06 商业路径：从芯片散热到改变世界公司致力于将解决方案与工业界结合。例如，他们正在帮助一家半导体制造商解决芯片散热问题。通过为其工程师和研究人员训练定制的AI agent，帮助他们理解实验数据，从而加快产品迭代速度。短期变现与长期愿景并行。如果能够实现材料设计的自动化，就有可能加速摩尔定律、太空旅行和核聚变的发展。从解决具体工业问题起步，逐步向基础科学难题迈进——这是典型的马斯克式“第一性原理”应用。科学发现的成本曲线正在被重绘。当AI不再只是分析工具，而是具备自主探索能力的合作者，人类知识的边界将以前所未有的速度扩张。▶ 未来的诺贝尔奖得主，可能没有博士学位，只有预训练权重。（科学的下一个春天，是硅基与碳基的共舞）
页:
[1]