在OpenAI締造了ChatGPT的前研究副總裁，和谷歌DeepMind材料科學與化學研究的領導者，聯手出走創業了！

他們的新公司Periodic Labs一亮相就拿下了3億美元的種子輪融資，投資陣容星光熠熠，a16z領投，跟投方有DST、英偉達NVentures、Accel、Felicis等，以及杰夫·貝索斯、埃里克·施密特、杰夫·迪恩等科技大佬。

如此夸張的融資數字和投資人陣列，在初創公司中極為罕見，引發了業界的轟動。

這家公司究竟要做什么？為何能夠吸引如此多關注？

從頂尖實驗室出走

只為「真正做科學」

這兩位聯合創始人一位是William Liam Fedus，OpenAI前研究副總裁，核心團隊成員之一，參與創造了劃時代的ChatGPT；

另一位是Ekin Dogus Cubuk（昵稱「Doge」），曾在谷歌DeepMind領導材料科學與化學研究。

他也是震驚學界的GNoME項目負責人之一，該項目在2023年利用AI一下子發現了超過200萬種全新晶體材料。

按理說，他們在各自領域已經登頂，可謂前途無量。

William Liam Fedus

作為OpenAI后訓練部門負責人，Liam Fedus主要進行ChatGPT、API和AI智能體底層模型的研究與開發工作。

此前，他就職于谷歌大腦，專注于通過MoE技術來優化神經網絡效率。

2022年，他正式入職OpenAI，初期作為核心開發人員加入強化學習團隊，是ChatGPT的共同創造者之一，主要負責數據處理和模型評估工作。

期間，他主導了多個重要模型（包括4o、o1-mini、o1-preview等）的后訓練研發工作。

2024年10月，Fedus接替了的Barret Zoph的職位，晉升為后訓練團隊負責人。

當時首席技術官Mira Murati和首席研究官Bob McGrew也一起離職。

Fedus在MIT獲得物理學學士學位（期間參與了一個定向暗物質探測器項目：DMTPC），并劍橋大學獲得物理學學士學位。

2016年，他獲得了加州大學圣迭戈分校基本粒子物理學的碩士學位，導師是David Meyer和Gary Cottrell。

隨后，他又在蒙特利爾大學獲得了計算機科學博士學位，師從Yoshua Bengio和Hugo Larochelle。

Ekin Dogus Cubuk

另一位聯合創始人Ekin Dogus Cubuk，之前是Google DeepMind的研究科學家。

他于2017年加入谷歌大腦，參與了材料科學發現領域的旗艦項目GNoME，并為公司內部構建了多個自動化合成實驗平臺，聚焦于如何用AI尋找新材料。

他是哈佛大學凝聚態與材料物理和計算科學的博士。

然而今年3月，Fedus毅然從OpenAI辭職，Cubuk也選擇離開DeepMind，轉身投入創業。

緣起在谷歌一起翻輪胎

兩人的交集最早來自谷歌內部，一次合力翻輪胎的趣事成為他們相識的契機——但真正把他們聚在一起的，是對當前AI研究路徑局限的清醒認識，以及對AI科學家的共同追求。

現階段訓練AI主要依賴互聯網文本，可互聯網看似無邊無際，其實是有限的。

據估計，互聯網上有價值的文本數據約有10萬億個tokens（一個英文單詞約1-2個token），頂尖的大模型這幾年幾乎已把這些數據消耗殆盡。

沒有新鮮數據，僅靠無限制增大參數規模已經難有質的突破。

正如Fedus在接受采訪時直言的：

AI的主要目標根本不是替白領自動化辦公。AI的主要目標，是加速科學。

在他看來，如今硅谷熱炒的大模型應用有些「智力上的懶惰」，AI真正該發力的是推動科學發現的速度。

Cubuk也指出，光靠大模型在文本中推理幾天幾夜，不可能憑空蹦出驚世駭俗的科學發現。真正的科學突破離不開大量實驗和無數次失敗的淬煉。

現在的AI模型，缺的恰恰就是「親自動手實驗」的環節。

于是，兩人在今年年初一拍即合：與其受限于既有數據，不如讓AI自己「走進」實驗室，從零開始創造數據。

他們要打造一位「AI科學家」，讓AI親自提出假設并在現實世界反復試驗，從實驗結果中學習，無論結果成功還是失敗。

正如Fedus在和投資人交流時所說的那句話：

要讓AI真正做科學，就必須讓它動手做真正的科學。

OpenAI前同事、現Felicis投資合伙人Peter Deng第一次聽到這句話時，甚至在舊金山山坡上當場停下腳步，決定立刻投資。

在他看來，大模型掌握的只是訓練數據的「常規分布」，也就是人類已有的知識；

要想有原始創新，唯有讓AI走出舒適圈，像科學家一樣提出新假說并驗證之。

這一理念，成為Periodic Labs創業的原點。

自主實驗室

讓自然成為強化學習環境

Cubuk總結道，近年有三大技術進展讓這一切成為可能。

第一，能夠處理粉末合成的機器人手臂已經變得可靠，意味著機器可以自動混合原料、燒制新材料；

第二，機器學習驅動的物理模擬更加高效精確，足以模擬復雜材料和化學體系；

第三，大型語言模型（LLM）的推理能力今非昔比，能夠勝任更復雜的規劃和分析。

三個領域的飛躍拼合在一起，就勾勒出一幅圖景：AI可以在虛擬世界假設并計算，在真實世界動手實踐，再由AI分析實驗結果、調整思路。

材料科學的自動化閉環實驗室，現在正是構建的好時機。

事實上，Cubuk正是相關先驅工作的參與者之一。

早在2023年，他與同事在《Nature》上發表論文，描述了谷歌的一座全自動化機器人實驗室：由AI語言模型提議實驗方案，機器人據此合成材料，在短短17天內合成了41種以前從未記錄的新化合物。

這項成果被視為AI自主科研的里程碑，證明了技術可行性。

Periodic Labs的核心，就是要構建這樣的「自主實驗室」（autonomous lab）。

它是一個真實的物理實驗場，有機械手臂操作試管和材料，有傳感器表征產物性質，每進行一次實驗就產生海量一手數據。

這一過程就像給AI搭建了一個巨大的強化學習環境，大自然本身成為了它的試驗場。

模型讀文獻、跑模擬，提出對某材料性質的預測，接著由機器人按方案合成該材料并測量驗證，實驗結果要么證實了猜想，要么打臉。

無論結果如何，都為下一步改進提供了依據，實現真正的「閉環」。

正因為每次實驗都是獨一無二的，這套系統將源源不斷產出以前不存在的新數據，擴充AI的知識庫。

而且它還有一個傳統科研無法比擬的優點：系統地記錄失敗。

平常科研中，大量「負結果」無人問津，論文里發表的大多是成功案例，導致研究存在幸存者偏差。

Periodic Labs的自主實驗室則把每一次失敗都當作寶貴財富，失敗本身也成為模型學習的養分。

久而久之，AI將積累起一個覆蓋成功與失敗案例的完整經驗庫，幫助它更聰明地探索未知。

正如Periodic Labs官網放出的豪言壯語：「在這里，自然界本身成為強化學習環境」。

瞄準超導與尖端材料

直擊百億美元難題

Periodic Labs選擇從物理科學領域切入，并非心血來潮。

一方面，物理和材料領域的數據相對豐富且客觀可驗證，AI在有海量數據且結果可驗領域往往進展神速（例如數學定理證明、蛋白質折疊預測等）；

另一方面，人類技術的飛躍很大程度受限于材料的突破——誰要是率先找到室溫超導體這樣的「圣杯」，將徹底改變游戲規則。

Fedus和Cubuk深知這一點，因此公司初始的頭號目標就是發現新型高溫超導材料。當前已知的超導體都需要極低溫度或高壓才能工作。

如果能研制出在接近常溫下工作的超導體，將帶來革命性影響：零電阻輸電、電網幾乎無損耗，磁懸浮列車、大型核聚變裝置等等都有望成為現實。

找到室溫超導體，可能就是下一個諾獎級別的成就，也是幾十萬億美元級產業的引爆點。

Periodic Labs押注AI可以加快這一奇跡的誕生。

除了超導體，他們還將目光投向半導體等領域的現實難題。

目前團隊已經在與一家芯片制造商合作，利用專門訓練的AI代理優化散熱材料，幫助工程師更快迭代解決芯片散熱瓶頸。

未來，這種AI科研平臺還可以拓展到航天、能源、國防等前沿行業中。

例如加速新型合金、耐熱材料的開發，幫助人類以更低成本邁向深空探測和可控核聚變等目標。

a16z在投資公告中將Periodic Labs的策略稱為「在前沿領域登陸并擴張」：

先針對太空、國防、半導體這些每年投入數萬億美元研發的行業，挑選評價標準清晰、價值巨大的關鍵難題，與客戶合作用AI實驗室攻克，證明這套方法的威力——向世界展示，與其依賴互聯網文本訓練，不如直接面向物理現實優化AI，究竟能強大到什么程度。

一旦在這些尖端領域站穩腳跟，再逐步將能力拓展到更廣闊的科學版圖。

換言之，先拿下幾個「硬核」戰役，再將勝利經驗復制推廣。

投資人相信，如果這一步步走通了，Periodic Labs有機會撬動先進制造、材料、能源、航空航天等總計約15萬億美元產值的龐大市場。

在摩爾定律遭遇瓶頸的當下，也許正是這種全新范式來接棒續寫下一章的時候。

頂尖人才和資本的狂熱下注

如此宏大的愿景自然需要與之匹配的夢之隊。

Fedus和Cubuk用3億美元「彈藥」迅速網羅了全球一流的人才，短短幾周內，就有超過20位AI研究領域的翹楚從Meta、OpenAI、Google DeepMind等大廠離職，加入Periodic Labs。

據《紐約時報》報道，不少人為了投身這家初創放棄了數百萬甚至上千萬美元的薪酬待遇。

他們的創業團隊履歷令人瞠目：不僅有共同創造ChatGPT者、執掌過DeepMind材料項目者，還包括Transformer神經網絡「注意力機制」的發明者、OpenAI早期智能體Operator（Agent）的開發者、微軟材料科學大模型MatterGen的締造者等。

這樣的組合幾乎囊括了AI算法和物理科學兩界的一眾頂尖高手。

為了讓不同背景的專家形成合力，Periodic Labs每周都會內部舉辦研究生水平的跨界講座：這周物理學家給大家講量子力學中的邏輯，下周機器學習專家再給同事們培訓前沿AI模型，讓全員都對彼此領域有深刻理解。

公司還組建了一個豪華科學顧問委員會，包括諾獎得主Carolyn Bertozzi等多位在化學、物理領域德高望重的教授，為研究方向把關。

可以說，Periodic Labs在創立之初就建立起了學術界與產業界罕見融合的一支隊伍。

正如投資方a16z所評價的：

Liam和Doge匯集了一支獨一無二的團隊：物理學家、化學家、模擬專家以及世界上最頂尖的機器學習研究者。

這樣的團隊配置，大模型公司里都不多見，更何況一家初創。

另一邊，投資界的熱情同樣高漲。

當Fedus宣布離開OpenAI投身新事業時，硅谷VC們幾乎陷入瘋狂爭搶。

據說有投資人情真意切地寫了一封「情書」給Periodic Labs表白，還有的遞上數頁紙長的PPT來介紹自己能提供的價值，希望打動創始人。

最先敲開他們大門的是Felicis風投的合伙人Peter Deng——巧的是，他曾與Fedus在OpenAI共事，也是在今年初離開去做VC的。

Deng火速約了Fedus在舊金山Noe Valley街區喝咖啡，興奮地邊走邊聊。

當聽到Fedus描繪的愿景，他激動得當場表示：「我現在就給你們寫支票！」

他甚至一度忘了公司尚未注冊、連名字都沒取好，支票無處可寄的尷尬。

最終，Felicis成功搶下了這一輪的領投權之一。

不過OpenAI本身并未參與投資。

雖然Fedus離職時OpenAI高層給予了祝福，他甚至在推文中暗示OpenAI可能會支持，但這一假設并未成真。

然而，OpenAI的缺席并不重要了。

憑借創始團隊的聲望，Periodic Labs手握的投資邀約很快多到令人眼花繚亂。

除了前述機構，跟投名單上還出現了硅谷最大牌的天使投資人：亞馬遜創始人貝索斯、前谷歌CEO施密特、AI領域傳奇人物杰夫·迪恩、硅谷投資人埃拉德·吉爾等等，連NVIDIA也透過旗下基金NVentures站臺助威。

硅谷幾乎半個「神仙圈子」都聚齊了，可見大家對AI4S這個賽道的期待有多高。

投資人直言這可能是「壓縮幾十年科研進程」的機會，誰都不愿錯過。

AI科研競賽

巨頭與初創同臺競技

Periodic Labs的橫空出世，標志著AI探索版圖的一次重要轉向：從追逐通用人工智能、聊天機器人這樣的「虛擬智能」，邁向與物理世界深度互動、以創造新科學知識為目標的新賽場。

他們并非孤軍奮戰。在大型科技公司中，類似的理念正在萌芽。

OpenAI就在上月宣布成立「OpenAI for Science」部門，試圖打造「AI驅動的次世代科學儀器」，讓AI平臺加速科學發現。

DeepMind更是早有先例：其AlphaFold系統將生物蛋白質折疊難題攻克，一舉改變生物學研究版圖，不僅贏得了全球聲譽，更為兩位核心研發者贏得了諾貝爾獎的肯定。

可以說，科技巨頭們已經意識到，下一個AI突破口很可能就在實驗室里，在現實世界的未知現象中。

而在創業公司陣營，除了Periodic Labs外，也有像FutureHouse這樣的新創非營利組織，喊出要打造自主AI科學家的口號。

種種跡象表明，「AI搞科研」正成為新一輪創新競賽的熱點。

相比之下，Periodic Labs擁有業界罕見的專注和豪華班底，手握充沛資金，又沒有大公司的包袱，被視為這一賽道最值得期待的選手之一。

當然，科學研究從來就不是一朝一夕之功，更何況要用AI去挑戰人類未知領域的難題。

Periodic Labs本身也承認，這是一場高風險的豪賭。

就算有再聰明的AI和再能干的機器人，科研過程依然充滿不可預知的曲折，可能十試九敗。

但正因為充滿不確定性，才意味著巨大的突破空間和價值，哪怕最終沒能找到理想的超導體，他們在探索中積累的大量數據和失敗教訓也本身具有非凡意義。

這與傳統科研過于功利、只獎勵成功論文發表的機制形成對照，Periodic Labs追求的是一種「探索本身即有價值」的新范式。

可以預見，如果這條道路走通了，我們對待科研的思路也將被顛覆。

Periodic Labs要重新想象科學發現的進行方式。

當AI真正走入實驗室，當自然世界變成AI的訓練場，也許人類迎來的將是科研范式的躍遷。

抱著這樣的信念，這群頂尖科學家和投資人正全情投入這場豪賭。

未來十年，Periodic Labs能否交出改變世界的答卷，我們拭目以待。