这集讲什么
Periodic Labs 想让 AI 不只提出材料假设，还能借助模拟、实验室设备与连续反馈，学会把材料真正造出来。
1-3要点
- 材料发现的核心反馈来自现实：模拟可以筛选，模型可以规划，但实际合成与测量决定假设能否站住脚。
- 自动表征是关键瓶颈：不知道产物是什么，就无法有效利用更高的合成通量。
- 负结果需要上下文：失败不是材料“不可能存在”的证明，却是学习工艺边界的重要证据。
0:00 / --:--
Latent Space · 10 月 8 日
Periodic Labs 认为材料发现不能只靠模拟和推理，必须把 AI 决策、实体实验与自动表征接成闭环，让模型从真实合成的成败中持续学习。
Periodic Labs 想让 AI 不只提出材料假设，还能借助模拟、实验室设备与连续反馈，学会把材料真正造出来。
这集还没有学习卡。生成后会保存在这一集，下次直接打开。
Latent Space· 2026-06-17🔬 自驱动实验室——Joseph Krause，Radical AI🔬 The Self-Driving Lab — Joseph Krause, Radical AI同主题：物理与材料科学Latent Space· 2026-08-26🔬“我们有语言基础模型，却没有物理基础模型”——Anima Anandkumar，Bren 计算机科学教授🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing同主题：物理与材料科学
The Cognitive RevolutionLatent Space
Synthesis Superintelligence: from Semiconductors to Superconductors — Periodic Labs’ Liam Fedus and Ekin Dogus Cubuk
YouTube
音频
Periodic Labs 由 Liam Fedus 与 Ekin Doğuş Çubuk 共同创办，目标是把材料模拟、AI 决策和高通量实体实验接成一个发现循环。本集面对 AI 工程师与科学研究者，追问一个容易被软件经验遮蔽的问题：即使模型能提出合理的晶体结构，它如何知道材料能否合成、实际合成出了什么，以及下一次该改哪一步？
两位嘉宾将这一目标称为 synthesis superintelligence，可译作“合成超级智能”。它强调的不是单次预测得分，而是在不确定、耗时且可能出错的物理实验中持续取得可靠结果。
本集最鲜明的判断是：材料发现不能照搬数学、编程任务中“给出问题—推理—验证答案”的模式。真实实验的输入并不完整，炉温可能偏移，设备会老化，产物也不会自动附上结构标签；即使实验失败，衍射图样仍可能混合了原料、杂相与未知晶相。Periodic 因而把发现任务拆成候选材料选择、合成路径设计、产物表征和下一轮决策，并特别重视自动表征：如果无法快速弄清已经造出了什么，增加实验通量只会更快地堆积难以解释的数据。
这也解释了他们为何同时投资于模拟、模型与实体实验。密度泛函理论可以扩大候选搜索，却难以充分表示缺陷、微结构及某些超导性质；实验提供现实校验，但昂贵、缓慢且有噪声。团队希望用设备遥测、重复实验、多模态测量和完整的实验过程记录，让模型学到的不仅是成功材料的最终配方，还有失败之后如何调整条件。商业路径则先从内部实验室的工具出发，将系统部署到半导体等工业客户现场，再探索从研究助手走向按科学结果交付的模式。贯穿全程的张力是：自动化能扩大“尝试的表面积”，却不能保证找到室温超导体；更好的模型仍须面对合成与测量的物理限制。
💬 他们说了什么：Fedus 用“智能是必要但不充分的”概括 Periodic 的出发点：阅读文献、思考和模拟都无法预知所有实验结果，必须提出猜想，再让现实决定猜想能否成立。Çubuk 说，团队因此同时集合固态化学、物理、实验、硬件与 LLM 人才，并以贝尔实验室式的跨学科合作为参照。
💡 为什么重要：公司要建设的不只是材料预测模型，而是能反复提出、执行、测量和修正假设的组织与基础设施。实体实验室不是模型完成后的附属验证部门，而是知识生产的组成部分。
⚡ 争议点：跨学科团队和高通量设备能否形成持续优势，取决于不同专业之间的工作能否真正接通；“像贝尔实验室”是组织愿景，并非成果保证。
💬 Periodic 的训练环境和数据最终来自实体实验室。Fedus 举例：炉中产物没有现成标签，仪器间可能读数不一致，实际温度也可能偏离设定值。Çubuk 补充，炉体使用后会退化，炉内位置影响受热，振动甚至能改变光学测量。与可廉价增加模拟回合的数字环境不同，实体实验迫使模型重视样本效率。
💡 在这里，好的推理不仅是找到答案，还包括识别测量异常、保留不确定性，并决定下一次昂贵的实验是否值得做。实验记录和设备状态因而与模型架构一样关键。
⚡ 实验中可观测的信息始终只是物理系统的一部分；增加传感器可以减少盲区，却不能消除隐藏变量，也不能把每次异常都自动归因于设备或材料。
💬 Fedus 将循环拆为“选什么材料、怎样合成、实际合成出了什么”。他们不会等上数天，再仅用“是否找到室温超导体”作奖励；更可行的是在表征环节奖励正确识别产物中的晶相，惩罚虚构或化学上不合理的晶相。X 射线衍射（XRD）提供晶体结构的特征图样。团队还设想按时间截断实验记录，让模型只依据当时已有证据预测下一步，避免从已见过的答案中“作弊”。
💡 将漫长的发现周期分解为较短、可检查的任务，才能给 AI 提供较密集的反馈；带时间顺序的数据也更接近真实科研决策。
⚡ 晶相识别的奖励并不等于材料性能的最终奖励。模型即使擅长解释衍射图，也未必擅长决定哪些性能目标值得追求。
💬 回应“物理学不是已经基本弄清了吗”，Çubuk 指出，简单体系的规律并不能直接解出大量粒子的集体行为。以铜氧化物为例，部分所谓高温超导体的转变温度超过液氮的 77 K，有例子约为 93 K；其机制不能直接套用常规电子—声子耦合的解释。强电子关联也可能使常用的密度泛函理论失效。
💡 这区分了“知道基础方程”和“能可靠预测实际材料”。材料性能还受集体行为、合成过程及具体结构影响，因此模拟与实验必须互相校验。
⚡ 节目以“更多即不同”说明涌现现象，但不能由此推断所有模拟都无效；不同材料类别和预测目标，对近似方法的适用程度差别很大。
💬 主持人提出一种按目标性能反推制造流程的“材料代工厂”；Fedus 将其称作“物质编译器”。但首次合成通常不是明确的成功或失败：样品可能同时含有未反应原料、非晶部分和意外晶相。即使目标晶相只占约 1%，准确识别它也能指导提高纯度的下一轮实验。XRD 图样可能对应不止一种解释，因此团队结合合成条件、热力学先验及电学、磁学、电子显微等测量。
💡 AI 表征是连接“做了实验”和“知道下一步怎么做”的枢纽。多模态证据与重复测量，可以避免把单台仪器的一次输出误当成确定真相。
⚡ “编译器”是目标比喻，不表示任意性能要求都有可实现的原子构型或可复制的工艺。增加测量种类也会增加成本，并引入新的校准问题。
💬 Çubuk 解释，密度泛函理论（DFT）用电荷密度处理量子体系，常用于估计材料的形成能及稳定性。他强调，DFT 的理论基础不必然是近似的，但实际计算所需的关键泛函尚不能精确获得；即使有完美的 DFT，也难以把约 10²³ 个原子的真实样品完整放入计算机。DFT 通常处理理想晶体，而缺陷、微结构和超导转变温度等问题仍需实验。
💡 模拟能快速缩小候选范围，实验则检验模拟遗漏的结构和过程效应。两者最有价值的关系不是互相取代，而是在具体化学体系中利用实验数据校准计算。
⚡ 海量模拟结果可能让模型过度相信计算世界；反过来，实验测量也有噪声。“实验是真值”指它是最终现实约束，不意味着每份实验记录都准确无误。
💬 谈到高价值目标，Çubuk 提到超导体、减少稀土依赖的磁体、少用钴的电池材料，以及让计算能耗更接近朗道尔极限。他对可逆计算和量子计算的具体收益保持谨慎：即使计算能力大增，仍须回答究竟要模拟什么，以及完美晶体模型与实际样品之间的差距如何弥合。
💡 材料突破不仅能改善终端产品，也可能反过来改变计算硬件的能效与成本，形成材料研究和 AI 基础设施之间的长期反馈。
⚡ 节目中关于当前计算距朗道尔极限尚有多少数量级的说法，带有嘉宾即席回忆与估计性质；不同计算操作和能耗口径也不宜直接比较。
💬 实验规模扩大后，科学家操作扫描电子显微镜（SEM）、寻找有价值的形貌视野，开始成为瓶颈。简单的固定视野拍摄程序又采不到足够有用的信息。Fedus 因此提出给仪器接入了解实验目标、预期产物和其他测量结果的 AI，让设备在采集时主动选择更有信息量的数据。“每台设备有 140 IQ”描述的是这种能力愿景，而非可测量的智商指标。
💡 聪明的采集发生在实验当下；错过的视野或设备状态，事后未必能从数据库中补回。仪器智能也涉及延迟、推理成本及研究人员等待结果的时间。
⚡ 控制步骤的时间尺度各异：一次合成可能持续数小时，局部操作却可能要求更快响应。不能假设云端模型或复杂工具调用适用于每个设备动作。
💬 Fedus 明确说，完全自主并非目标；团队优先自动化重复、耗时且容易出错的步骤，保留人类擅长的灵巧操作。他举例，AI 曾发现一组数据图样与实验安排不符，进一步识别出可用循环置换解释的错位，团队最终追查到设备装载错误。标准化工作流和硬件布局也用于降低污染与数据噪声。
💡 自动化的回报不只是每小时多做几次实验，还包括样品身份可追踪、操作更一致，以及异常能被及早发现。
⚡ AI 发现一致性异常，并不自动证明它对错误原因的解释正确。纠错仍须回到设备和实验记录核实。
💬 团队混用开放与闭源模型，并认为独有、高质量的实验数据有时比单纯增加推理算力更有用。所谓负结果，可以是未得到目标结构，也可以是意外发现另一种结构。文献偏向发表成功合成，实验室内部却能记录失败条件、阴性对照和随后怎样调整工艺；若按单次实验标注，多数结果可能是负的，而以最终成功的整场研究行动为单位观察，数据面貌又不同。
💡 保留失败及其条件，模型才可能学习成功配方的边界，并从“连续失败后如何成功”学习工艺调整。
⚡ “这次没合成出来”不等于“这种材料永远不能合成”。失败可能来自操作、设备、路线或尚未掌握的技术；负标签必须带着实验条件解释。
💬 Fedus 希望把科学家的讨论、直觉、代码、模拟、实际操作和测量结果串成完整数据谱系，让模型学习“怎样做科学”，而非只学习论文中的最终结论。他认为，把这种经验压缩进模型权重仍有意义，不能假定更长的推理链就能代替训练。Çubuk 同时强调，未来即便有更强的前沿模型，新发现仍需要做实验。
💡 过程记录能支持针对“当时已知信息”构造训练任务，也让模型有机会学会何时请求新测量、何时改变路线。
⚡ 完整谱系的记录成本、跨设备对齐和评价标准都不简单；观察到科学家当年采取的下一步，也不意味着那一步必然最优。
💬 扩展不只是复制机器人：Çubuk 提到组合溅射可在一片样品上形成成分梯度、尝试数百至数千种晶体，但扩散会干扰结果；超导测量则可能每次约需 1 小时，仍是通量瓶颈。团队计划扩建不同类型的实验室，并把内部工具通过现场工程师带入半导体等行业。谈到超导搜索，Çubuk 借镍酸盐、铜氧化物及二硼化镁说明，合成能力与系统试错可能和提出理论一样关键；他提及一项历史搜索尝试约 3 万 种材料，并设想把类似搜索压缩到更短时间。
💡 Periodic 的路径同时包含实验能力扩张与商业部署：先让自身研究者使用工具，再让工业客户在其私有数据和安全环境中使用。长远目标可能从提供研究副驾驶，转向交付材料或工艺成果。
⚡ 组合实验中的样品独立性、超导测量通量，以及跨实验室复制的数据质量，都会限制扩张收益。“一个月尝试 3 万种”的说法是设想，不是节目已报告的成果；更快搜索也不能保证找到室温超导体。
“Intelligence is necessary but not sufficient. New knowledge is created when ideas are found to be consistent with reality.” “智能是必要但不充分的。只有当想法被发现与现实相符时，新知识才得以产生。”——节目开场引用的 Periodic 理念
“Rather than training on the final output of science, you’re training on the process of doing science.” “与其在科学的最终成果上训练，不如在做科学的过程上训练。”——Liam Fedus
“Full autonomy is a non-goal.” “完全自主并非目标。”——Liam Fedus，强调自动化应服务于数据目标
“No one’s going to zero shot the room-temperature superconductor.” “没人能零样本直接找出室温超导体。”——Liam Fedus
