一个消息直接搅乱了AI圈和科研圈：OpenAI负责后训练的核心人物WilliamFedus，居然和DeepMind搞材料科学的大佬EkinDogusCubuk一起辞职了。

俩人拉着20多个从OpenAI、谷歌、Meta挖来的顶尖研究员，凑了个新公司叫PeriodicLabs，一出手就拿到了3亿美元融资。

新公司员工XanderDunn直接cue了Sora2，说与其花力气做社交媒体App巨头，不如好好培养能搞科研的AI。

这话戳中了不少人的点，现在的AI好像什么都能聊，但真要解决室温超导、芯片散热这种硬骨头问题，还得靠实打实的实验，这俩大佬，就是要让AI从“纸上谈兵”变成“动手做实验”。

先说说这两位创始人有多牛，能让a16z、NVIDIA风投这些巨头砸钱，团队底子肯定不一般。

WilliamFedus是Transformer架构的核心参与者，ChatGPT早期那套强化学习的流程就是他牵头搭的。

他本科读的MIT物理系，后来又拿了蒙特利尔大学的计算机博士学位，物理和AI的活儿都精通。

在OpenAI的时候，他一直琢磨怎么让语言模型真的“变聪明”，不是只会背书，Operator（现在叫Agent）这个项目他也是早期开发者。

EkinDogusCubuk则是材料科学领域的专家，哈佛大学凝聚态物理博士出身，DeepMind那个大名鼎鼎的材料发现项目GNoME，他就是核心参与者。

在谷歌内部，他还建了好几个自动化的实验平台，专门用AI找新材料，算是把AI和实验结合的老玩家了。

俩人最早在谷歌就认识，据说还是一起搬轮胎的时候熟起来的，真正让他们决定一起创业的，是个共同的判断：现在的AI已经把互联网上的知识嚼透了，但离真正的“科学发现”还差得远。

有人算过，互联网上的文本标记大概有10T之多，一个英文单词通常对应1到2个标记，现在最牛的AI模型，早就把这些数据“嚼”完了。

研究人员再怎么折腾，也只是从旧知识里挖新角度，跟科学家重读教科书没啥区别，要想搞出真东西，必须得去做实验，从现实世界里拿新数据。

这就是PeriodicLabs的核心打法：给AI造个能自己动手的实验室，他们要培养的“AI科学家”，不是只会分析数据的工具，而是能完成一整套科研流程的系统。

具体怎么操作？说起来也不复杂，就是模拟人类科学家的工作逻辑，但速度和精度更夸张。

先从文献里找灵感提假设，再用仿真工具建模，接着让机器自动规划实验、合成材料，最后根据实验结果调整假设，再来一轮。

整个过程不用人插手，大自然就是最好的“考官”，实验结果对不对，一测就知道。

要实现这套流程，得凑齐三个关键部分，一是大模型的推理能力，负责动脑想问题，二是仿真系统，比如能算晶体结构的工具，提前做模拟，三是高通量实验平台，也就是机器人动手做实验、测数据。

这三部分凑在一起，就形成了AI“感知、思考、行动”的闭环。

为啥一上来就瞄准室温超导？

从科学上讲，200K以上的常压超导体至今没被发现，一旦搞定，人类对量子世界的理解都得改写，工程上，超导的特性很稳定，就算实验里有点小缺陷也不容易影响结果，特别适合AI反复试错迭代。

操作层面更方便，粉末合成的流程能被机器人掌控，能快速做大量实验，商业价值就更不用说了，电网损耗能降下来，量子计算、下一代交通工具都能受带动。

更关键的是，搞定超导需要的能力特别全面，得会解析文献、会设计晶体结构、会建热力学模型、还得懂实验配方优化。

这些能力练出来，随便迁移到电池材料、磁性材料、半导体领域都能用。等于先拿最难的课题练手，练出来就是全能选手。

他们不只盯着基础科研，早就开始对接产业了，现在已经和一家半导体公司合作，帮着解决芯片散热的问题，传统工程师靠经验试错，周期长还不一定有结果。

他们的AI系统能读进去之前的实验数据，再用仿真工具算，结合当下的实验条件，直接给工程师指新方向，还能说清物理上的限制在哪。

这等于给研发团队加了个“外置大脑”，迭代速度能快不少。

公司的团队构成也很有讲究，30多个人正好对半分，一半是像Fedus这样的顶尖AI研究员，另一半是物理、化学、材料工程领域的实验专家。

每周都有内部教学课，AI研究员学量子力学和晶体生长，化学家学强化学习怎么搭管线，他们内部鼓励问“笨问题”，更看重动手做实验，而不是发论文。

能拿到3亿美元融资，投资方阵容也能说明问题，领投的是a16z，跟着投的有NVIDIA风投、Felicis、DST这些老牌资本，个人投资者里还有杰夫・贝佐斯、埃里克・施密特、JeffDean这些大佬。

这么多大佬愿意给钱，显然不是看短期回报。

这事透露出一个重要信号：AI圈的竞争已经从“比谁模型大、数据多”，转向“比谁能落地解决硬问题”。

以前AI搞科研，多半是在电脑上做模拟、分析数据，相当于“纸上谈兵”，现在PeriodicLabs要让AI走进实验室动手，这是把AI的能力从“理解知识”推向了“创造知识”。

新公司里还藏着不少狠角色，今年8月从MSL离职的RishabhAgarwal也来了，他是印度理工出身，在Mila拿的博士，论文被引过万还拿过NeurIPS最佳论文奖。

中科大少年班05级的WeiChen也在团队里，之前在TikTok管机器学习的技术团队，这些人愿意放弃大厂职位，显然是看好“AI+实验”这条赛道。

现在再想“AGI会不会取代人类科学家”，可能问错了问题，PeriodicLabs的思路是让AI成为科学家的“搭档”，甚至是“先锋”。

人类负责提出大方向，AI负责快速试错、积累数据、找到规律。

毕竟人类做实验受时间、精力限制，一个实验可能要等几周，AI操控的机器人能24小时连轴转，还能记录那些人类懒得发表的“失败结果”。

3亿美元的投入，30人的顶尖团队，瞄准的是科研范式的改变。

要是真能让AI在实验室里跑通完整的科研流程，不光是室温超导，摩尔定律延续、核聚变突破、太空旅行升级这些难题，都可能迎来新解法。

AI圈的热闹从来不止于模型更新，像这样扎进实验室搞“硬核创新”的，或许才是真正能改变世界的力量。

PeriodicLabs这步棋到底能不能成，得看几年后的实验结果，但至少现在，它让我们看到了AI离开屏幕、走进现实的另一种可能。