「没人能零-shot发现室温超导」：Periodic Labs 的自主实验室生意

信源说明：本文基于 Latent Space（Dwarkesh 类科技访谈频道，本期在 Periodic 公司现场录制，主持人含 Aravind 等三人，转写未稳定给出全名）2026-10-08 发布的专访（视频 ID YHiqVRxGViM，时长约 85 分钟），嘉宾为 Periodic Labs 两位创始人 Liam 与 Doge（转写作 Liam/Doge，Doge 疑为绰号或转写疑误，其 PhD 经历与理论物理背景见正文；另一位常以第一人称谈 ML 工程细节）。公司中文名待考：本期主题"Periodic Labs"为材料科学自主实验室公司，据嘉宾称即将宣布一轮大额融资（“about to announce a big fundraise”）。文中所有数字与判断均为嘉宾观点或节目转述，未做独立核实。

先说结论

在 AI for science 的叙事里，数学与代码先陷落了，材料科学被普遍认为是更硬的堡垒。这期访谈给出了一条与"模型变强就自动赢"相反的路线图：Periodic 的两位创始人认为科学发现按定义发生在训练分布之外——“机器学习擅长它被训练过的东西，而发现就是它没被训练过的东西”，所以再强的模型（他们点名"即使 Fable 7 变得比今天好得多"）也必须跑真实实验才能出结果，“没人能零-shot 发现室温超导”（原话"zero shot the room temp supernova"，结合语境应为超导材料，转写疑误）。围绕这个判断他们搭了一门生意：把高通量固态实验、机器人自动化、DFT 模拟与 LLM/RL 缝成端到端发现回路，把"做科学的过程数据"（包括失败与全谱系谱系）变成别人没有的训练资产，最终卖"合成超级智能"——以及一条已经落地的 to B 路径：forward deployed engineer 驻场半导体客户、在客户数据上本地训练。对读者的可迁移核心是三点：真值从哪来（物理世界而非文献）、噪声与不确定性如何变成研究问题本身、以及"过程数据 > 结果数据"的数据策略。

仓库里没有答案：为什么必须建物理实验室

节目开场就用公司网站的一句话立论：“智能是必要但不充分的，新知识产生于想法被证实与现实一致之时”（Intelligence is necessary but not sufficient）。两位嘉宾的展开：宇宙复杂到没有任何_amount_of 读论文和闭门思考能穷举所有实验结果（预期与意外的），必须走"猜想-对现实检验"的迭代；而且这支团队"从未存在过"——固态化学家、固态物理学家、实验ists、理论家、硬件工程师、LLM 专家、计算机科学家被刻意凑到同一个屋顶下，高通量实验与机械臂"只在最近三年左右被尝试"，最接近的历史先例是 Bell Labs。

这句话不是修辞。嘉宾反复用一个结构性论证支撑它：做数学或写代码时，所有上下文都在场——公理、推论、函数、API，“你只需要足够聪明”；而做物理实验，你面对的原子数（一房间约 10^23–10^27 个）远超任何计算机能存的程度，必须先做降维（他们用热力学的例子：一团混乱的蒸汽机最终被五六个热力学变量解释），再从降维后的主成分去逼近真实现象。这个"信息天然有损"的处境，决定了材料发现与可验证任务有本质差异。

真值来源因此被颠倒：他们的 RL 环境直接从自家物理实验室的数据派生，“这是我们的 ultimate truth”——不是论文里的已知答案（“优化文献里的已知答案不够，因为我们要超越它”）。这与上个月数学领域的进展形成对照：数学可以对答案，材料不能。

不确定性是研究问题，不是工程噪声

访谈最技术性的段落，是嘉宾对"不确定性下的决策"的拆解。实验室的真实现状：样品出炉不自带标签，表征过程本身是随机且有噪声的；不同机器之间有系统偏差；遥测不足时"以为跑在这个温度，实际偏了一个 delta"；炉子会随使用退化（焙烧物蒸发覆盖加热元件）；炉内温度不均匀，放的位置影响结果；光学仪器怕震动——嘉宾回忆自己 PhD 时的真实案例：某实验室结果长期不稳定，最后发现是深夜楼上有入走路（转写如此，结合语境应为楼上人员走动）。“能把噪声数据吃进去并像科学家一样做决策的智能，是一套不同的推理策略。”

对应的工程对策与 ML 判断：

  • 不能让 GPU 干等一周。如果 RL 环境是"发起实验→等几天→按是否发现室温超导给奖励"，方差大到不可行（“你没有足够多的 agent 把方差压下来”，且 rollout 时间与训练步不匹配）。解法是把回路拆碎：针对"表征"单独建 RL 环境——用 X 射线衍射（XRD）打材料，衍射图谱是晶体结构的指纹，奖励"正确识别实际存在的相"、惩罚虚假相与化学上不合理的项。他们早期 AI 工作就做这个，因为它同时解了吞吐瓶颈：“跑实验多到一定程度，瓶颈变成你理解产物的速度。”
  • 带时间戳的证据序列是新的环境类型：把"截至某日期的全部实验证据"作为输入，训练模型预测"科学家下一步选了什么/实验结果是什么"。嘉宾特别指出这能做别处做不了的类型学训练——如果预训练模型已经背下了某数据集的答案，再在其上构造依赖该答案的 RL 任务，模型会"假装工作"（不做真实物理推理直接报答案），被强化的策略不会泛化到新体系；而自家实验室的私有数据没有进过预训练语料，恰好规避了这个污染。
  • 样本效率是一等公民：数字环境可以任意加 rollout，物理实验不行，“我们的数据每一份都很珍贵，不删任何数据”。

计算与实验互相校准：DFT 的正确用法

针对主持人"物理定律不是都齐了吗，为什么没有完美模拟器"的外行问题，嘉宾给了一段漂亮的科普+祛魅：Dirac 式"剩下的是化学"的俏皮话失真——即便懂了基础定律，多体问题依然算不动；高温超导（铜氧化物类，约 77K–93K）不服从常规的电声耦合物理，“我们不知道它们服从什么物理，它们就是出色的超导体”；就连强关联体系的基础模拟都没解决。DFT（密度泛函理论）的定位被讲得很清楚：Kohn–Hohenberg 定理证明基态性质是电荷密度的泛函，把指数大的希尔伯特空间压成三维问题（Kohn 因此拿诺奖），实际用 Kohn–Sham 近似，约 n³ 的复杂度——“如果你能完美算，你要实验室干嘛？问题是我们不能。”

关键在校准回路：最好的开源 DFT 数据库 Materials Project 曾用实验数据校准 DFT，Periodic 内部也这么做——对感兴趣的化学体系，实验与模拟互相校准后再进入决策。模拟不是实验的替代，而是"模拟、AI、实验三者构成回路，比以前快得多"；同时清楚 DFT 的边界：它算完美晶体，而真实晶体有微观结构（中程有序）会显著影响性能；超导温度这类性质 DFT 基本没法算，所以从海量计算到真正进实验室之间有巨大的过滤层。主持人追问"生物有 AlphaFold，材料为什么没有"，嘉宾引用同行名言回应：“不存在材料的 AlphaFold，不只是算力问题，ground truth 根本不存在”——蛋白可以近似当低复杂度的一维序列（DNA/氨基酸链）再折叠，无机晶体是真正的三维，能装下金属、绝缘体、超导体、钻石，“我们始终没找到三维无机晶体的 SMILES 串”。

自动化的哲学：140 IQ 的仪器、非目标的全自主

“实验室里每台设备都该有 140 IQ"是嘉宾的口号，背后的故事很实际：早期用简单脚本控制扫描电镜（SEM），按固定流程"拍照-放大-再拍”，出来的数据"太蠢，没用"；于是把 AI 系统直接装到机器上，让它带着实验意图的完整上下文（这次想合成什么、其他实验证据是什么）去决定看什么、拍什么——在实验发生的当下做更聪明的数据采集，未来 AI 系统与计算预测可用的数据就更好。

但全自主被明确列为非目标：“我们要的是大量、高质量、多样的数据，自动化服务于这个目标。“务实的混合策略：人与自动化混跑，快速识别瓶颈——灵巧度要求高、自动化要花数月的环节留给人类；例行、占用科学家大量时间、易于自动化的环节优先干掉。他们还讲了一个 AI 当质检的案例：某一步骤数据出现循环错位，AI 纵向读完整个数据篮子，判断"给定实际跑了什么，这不对劲”，发现做一个循环置换就全部自洽，回溯到物理基础设施——是一台机器被装错了。嘉宾由此强调：文献里实验数据的噪声地板通常比 DFT 还差（不同人、不同实验室、不同时间引入的波动），标准化工作流压低噪声地板本身就是核心产出。

被问到"是否担心 incremental 自动化是局部最优"时，嘉宾承认这个风险存在，但坚持数据质量优先。招聘原则同构：他们要顶尖的人亲手做（hands-on）——“现代学术生活把最好的人埋进基金申请与教学”，Bardeen 当年天天泡实验室、Alex Müller 以实验室主任身份亲手做实验，是他们的标杆。

独家数据如何变成模型优势

对"开源模型 vs 闭源模型"的问题，嘉宾的回答超出了成本叙事：混合使用，模拟与 ML 栈借力开源（不需要自己推这条轴），延迟与成本敏感处用开源；但**“有些场合我们能推到超越前沿”——因为手里有别人没有的数据**。他们用"计算效率"来刻画这种优势：同样表现，需要的算力更少；主持人顺势总结"钱换算力、算力换数据的汇率，钟摆正在摆向数据”。

两类独家数据被重点点名：

  1. Null results（阴性结果）：想造 A 造出来了 A，是阳性；想造 A 全部证据表明没造成，是阴性——后者在文献里几乎不存在（文献只发阳性），却是训练分类器必需的负样本。他们还系统采集过程工程数据：一串阴性结果如何通过工艺迭代最终转阳——“材料科学里很多东西的制法是模糊的，已知材料也可能极难复现”，这条从失败到成功的完整轨迹"别处根本不存在"。
  2. 全谱系科学过程数据：对话、直觉、执行了什么、结果如何，全部进模型。主持人点破：这很像 RSI，但不是回写到核心模型，而是"训练模型做更好的实验"——一条更高层、带防火墙的 RSI。

关于"未来某个 GPT-8/Fable-7 会不会直接零-shot 做掉这些"，嘉宾的两层回应值得记录：其一，物理世界的接口确实有独立挑战；其二，“把一切压进权重的压缩仍然有价值——如果推理时思考就够了，所有前沿实验室早在 GPT-4 就该停止训练”。

从 task-centric 到 role-centric，以及怎么收钱

数据形状的下一步与 Mercor 一周前在 Cognitive Revolution 上讲的完全同构：从"给你一个任务"走向"给你一个角色、一张组织架构图和全部数据——有人来找你要东西、你要追人要信息、有经理和资源冲突要解决"。嘉宾称未来几个月有更多可分享。

商业化已经落地：forward deployed engineers 驻场客户（重点是半导体行业，含"愿意长期驻场台湾"的要求），在客户最安全的环境里本地推理、在客户数据上训练，“让伙伴拥有自己的智能”，而不是把技术扔过墙。定价的终局设想借软件业的类比：从 Copilot 式加速，到 Codex 式"很少工程师还按老方式写代码"，最终按结果定价（“help me get to this goal state”）。嘉宾还给出一个更长的抱负：让固态物理与材料科学像 ChatGPT 让 CS/LLM 专业变火那样变得有利可图，吸引年轻人入行——他们用 2010-2015 年聊天机器人的停滞 vs 2021-2026 年的爆发做对照：技术进展与资本极度耦合，产品市场匹配改变一切资源 landscape，他们想在物理世界复刻这个正循环。开源侧已有动作：贡献 PyMatGen、Custodian、TorchSim（其研究员 Abhijit 维护）等，并设学术捐赠计划，首篇受资助论文即将发表。

团队的"炫耀"环节给出关键人名（均为嘉宾自述）：计算材料学负责人 Muratahan Aykol（Chris Wolverton 门下）；实验室负责人 Joe Checkelsky（MIT 教授，休假全职加入，懂超导又懂合成）；Daniel Chica（转写如此，Mercury Kanatzidis 固态化学组的合成专家，“手指像魔术师”）；AI/LLM 负责人 Dima Bahdanau——注意力机制的发明者；Ray Nakano（转写如此）曾 tech lead OpenAI 的 operator 工作。

为什么赌"合成"而不是"理论"：两个历史案例

主持人最后 steelman：“就算你有 100% 自动化的实验室，强关联体系没有理论，到底怎么到超导？“嘉宾的回答是全场最有说服力的段落：想出会超导的化学空间不难，难的是合成出来——这正是"合成超级智能”（synthesis superintelligence）这个词的由来。两个案例：

  • Alex Müller 当年先试镍酸盐（nickelates）失败，改试铜氧化物（cuprates）成功拿诺奖；几十年后发现镍酸盐其实是好方向（斯坦福的 Harold Hwang 用薄膜形式做出了超导，嘉宾转写作 Harold Huang）——想法早就有，卡在合成。
  • 日本 Akimitsu 团队（嘉宾称"the Takeki group”，转写疑）发现二硼化镁（MgB₂，迄今最高温的常压常规超导体）的方式是暴力试了约三万个材料，其中三十个有戏；而 MgB₂ 作为前驱体在货架上放了几十年，BCS 理论 1957 年就有了——“不是理论没到位，是没人试”。嘉宾的结论：“把 Akimitsu 一辈子的三万次尝试压到一个月里，我们只是极大增加了运气的表面积。”

读者启发：四条机制链

  1. 真值来源决定 AI 上限：文献答案已进预训练语料 → 在其上做 RL 会奖励"背答案"的不泛化策略 → 自建物理实验室=私有真值流 → 既能做干净的 RL 环境，又能规避数据污染 → 观察指标：各 AI-for-science 公司自建实验室/收购数据源的动作。启发：做 AI+X，先问 X 的 ground truth 在谁手里、能不能持续生产。
  2. 噪声与不确定性是独立的研究对象：数字域可以加 rollout，物理域不行 → 样本效率与"不确定性下决策"成为一等约束 → 表征环节（XRD 相识别）被拆出来单独做 RL 环境 → 观察指标：表征自动化论文与产品的密度。启发：把"环境不可任意复制"的领域约束翻译成研究议程，是创业的选题方法。
  3. 过程数据 > 结果数据：文献只有阳性结果 → 阴性结果+失败到成功的迭代轨迹是独家资产 → 训练"下一个实验选什么"的策略而非答案记忆 → 观察指标：谁在系统采集 null results 与全谱系过程数据。启发：数据护城河不在"更多"，在"结构上别人不会采集"的维度。
  4. “零-shot 科学"有结构性上限：ML 擅长训练分布内，发现按定义在分布外 → 实验能力（合成、表征）成为瓶颈与卖点 → 合成超级智能=把运气表面积最大化 → 观察指标：自主实验室通量、单一"campaign"周期的压缩程度。启发：判断一个"AI 做科学"的 claim，先看它有没有接触现实的接口。

不确定项声明：两位嘉宾名字 Liam/Doge 以转写为准（Doge 疑为绰号或 ASR 误识，其身份为联合创始人）；主持人姓名不全；“room temp supernova"按上下文推断应为超导材料；“Harold Huang"应为斯坦福教授 Harold Hwang；“the Takeki group"应为发现 MgB₂ 的 Akimitsu 团队（Jun Akimitsu，2001）；“Daniel Chica”（Kanatzidis 组）、“Ray Nakano”（OpenAI operator tech lead）、“Muratahan Aykol"拼写以转写与嘉宾口述为准；Dima Bahdanau 为注意力机制共同发明者之一（嘉宾原话"the inventor of neural network attention"略有夸大，按学术惯例应为共同发明）；融资规模、客户名单、数据量级均未披露具体数字，本文未做外部查证。