Periodic Labs：为何AI科学家必须亲手做实验

在人工智能领域，大语言模型在数学证明和代码生成上取得了显著进展，但在材料科学等需要接触物理世界的任务中却步履维艰。Periodic Labs的联合创始人Liam Fedus和Ekin Dogus Cubuk指出，这种差异并非源于智力不足，而是源于科学发现的本质：新知识产生于猜想与现实的一致性验证，而非纯粹的逻辑推演。

Fedus强调，“智力是必要的，但不足以创造新知识”。在数学或编程中，所有上下文（公理、API）都是确定且可访问的；而在物理学中，系统包含阿伏伽德罗常数级别的原子，人类和AI都无法获取完整信息。实验过程充满噪声：炉温不均、仪器震动、甚至标签错误。因此，AI科学家必须具备在高度不确定性和缺失信息下做出决策的能力，这与优化已知答案的逻辑截然不同。

为了解决这一问题，Periodic Labs提出了“合成超级智能”的概念，即构建一个闭环系统，将预测、合成与表征结合。与传统RL环境不同，这里的奖励函数基于对X射线衍射（XRD）等原始数据的相位识别。如果AI能准确从嘈杂的实验数据中识别出目标晶体结构，它就能获得奖励。这种机制迫使模型学习如何从模糊信号中提取有效信息，而不是依赖预先记忆的答案。

此外，Cubuk和Fedus认为，失败的实验数据比成功的数据更具价值。现有文献往往只发表成功的合成结果，导致训练数据存在严重的幸存者偏差。Periodic Labs通过自动化实验室收集大量“阴性结果”，并将其作为关键训练信号。这不仅帮助模型区分“不可合成”与“合成条件不当”，还通过记录整个探索过程（包括错误的尝试），让AI学习到类似人类科学家的直觉和试错策略。

尽管这一愿景极具吸引力，但其实现面临巨大挑战。首先，物理实验的速度远低于数字模拟，即使采用高通量机器人，单次实验仍需数小时至数天，这限制了强化学习的迭代频率。其次，硬件标准化虽能降低噪声，但无法完全消除微观结构的复杂性。最后，该模式依赖于巨额资本投入建设专用实验室，其经济可行性尚待验证。然而，对于希望理解AI如何真正介入科学研究的人来说，Periodic Labs提供了一个清晰的视角：真正的AI科学家不仅要会思考，更要学会在混乱的物理世界中动手实验。