Periodic Labs：实验结果开始变成模型的训练信号

2026 年 9 月 15 日，Periodic Labs 一口气发布三篇文章，分别讲实验室、Neon 模型和背后的 AI 基础设施。三篇放在一起看，公司的路线很清楚：让实验室不断产生数据，再把这些数据送回模型训练。公司成立于 2025 年 9 月，创始人是前 OpenAI 研究副总裁 Liam Fedus，以及曾在 Google Brain 和 DeepMind 负责材料科学的 Ekin Dogus Cubuk，目标是做出更好的超导体和磁体。^[S1][S4]

Neon 从 1 万亿参数的开放权重模型 Kimi K2.6 起步，经过 scientific midtraining 和强化学习。在 Periodic 自建的 FrontierXRD 上，成功率从基座模型的 2.7% 提高到 55.3%。这个评测集收了 134 个来自自家实验室的复杂 XRD 样品。^[S2]

目前公开得最完整的一项能力，是材料发现流程里的「What was made?」：实验做完之后，判断究竟合成出了什么。^[S1]

198

泛化评测所用的留出化学体系图谱数；原文说明这一集合比 FrontierXRD 容易^[S2]

1,300

最终一次训练运行的 H200 峰值数量，含 midtraining 和 RL 两个阶段^[S2][S3]

测量怎样变成训练信号

XRD 相分析要做的远不止图谱匹配。一次材料合成可能同时得到目标相、未反应的前驱体和副产物，多相样品的衍射峰还彼此重叠；科学家得结合温度、气氛、样品处理历史、结构数据库和相关实验，判断某种解释在化学上讲不讲得通。FrontierXRD 里已有认可解的样品平均含五个相，复杂样品靠人工分析要花上几小时。^[S2]

Periodic 把这部分专家判断做成了训练信号。材料相关专业的博士专家先定下评分细则，再为数千条 XRD 分析逐条标注，每条由三位专家标，然后据此搭出 LLM judge。专家之间的一致率是 77.2%，judge 与单个专家为 74.6%，与专家共识为 84%。^[S2]

实验数据于是能沿着这样一条路径重新进入模型：实验 → 测量 → 科学判断 → reward → 模型更新。「Nature is our learning environment」这句话到这里才落到工程上：自然界给出测量结果，而从测量结果到能用于训练的 reward，中间还要有实验上下文、专业工具和专家判断。^[S1][S2]

为什么先做 XRD

这里还有一个很实际的原因：实验室和 GPU 走的不是同一个时钟。一次真实的材料实验要几小时甚至几天，多做几组并行实验还得添设备、电力和工程人手；GPU 却可以一直消化已经攒下的实验数据。所以 Periodic 先把表征做成可以大规模训练和评估的问题：它既来自物理世界，又已经数字化，评价标准也相对好定。^[S1]

按 AI4S.fyi 的框架看，这次最清楚的进展落在 Interact → Update 这一段：实验室做出物理测量，模型开始读得懂这些测量，结果又被送回学习过程。

接上实验室环境，差 3.8 倍

这次发布里另一个值得记住的数字是 3.8 倍。Periodic 用同一个 Claude Opus 5 做对照：一边配 Claude Code 和 COD、Materials Project、BGMN 等开放工具，另一边用 Periodic 自己的 scientific harness，里面有实验室上下文、内部结构与模拟数据库，还有 XRD 分析软件。成功率分别是 8.33% 和 31.53%，单次成本 4.56 美元和 5.41 美元（相近）。模型一点没变，差别是整套系统配置：实验上下文、数据库和工具，而不是 harness 框架代码本身。^[S2]

很多 AI4S 讨论停在「模型够不够强」。这组对照摆出了另一个变量：科学任务上的能力，很大程度上取决于模型能访问到什么。对一家自建实验室的公司来说，数据资产的范围因此比通常理解的宽：不止最终那条 composition → property，合成条件、失败记录、仪器原始测量、样品历史和专家判断，都能进同一套 scientific environment，成为模型可以调用的一部分。^[S2]

另一层价值在方法上。很多科学任务都属于「可证伪但不易验证」：对不对要靠专家判断，而不是某个能廉价算出的指标。Periodic 的做法是把评分细则、多人标注和 LLM judge 拼在一起，再拿专家之间的一致率作参照，说明这个 judge 够用。别的领域也可以照搬这套流程，前提是同样组织得起这个规模的专家标注。^[S2]

评测体系和数据出自同一家公司。

FrontierXRD 是 Periodic 自建的内部基准，含 134 个样本；实验数据、专家标签、scientific harness 和评分体系也都出自这家公司。LLM judge 既给 RL 提供 reward，又参与最终评测，所以它是一套经专家校准的评价工具，还算不上独立的 ground truth。三篇都是技术博客，目前没有同行评审，也没有第三方复现。^[S2][S3]

成本这条轴，两边算法不一样。

研究篇注明：外部模型按标准 API 价格估算成本，并假设各轮智能体调用全部命中缓存；Neon 则按系统每 H200 小时的吞吐、每小时 2.5 美元折算。评分用的是 Opus 5 和 GPT-5.6-Sol 组成的 LLM judge 集成。图里所有模型都跑在 Periodic harness 中。^[S2]

目前拿出来的只有 XRD 分析这一段。

55.3% 出自最难的那个样本集；泛化测试用的 198 条留出体系，原文说明更容易，两个数字不能混用。这次发布也没有拿出新的超导体、磁体或别的新材料。它证明的是一段分析能力，以及这段能力能靠实验数据训练出来。^[S2]

循环的另外三步，还没有同一级别的结果。

Periodic 自己把下一阶段列得很清楚：direct scientific campaigns、develop synthesis procedures、decide which experiments to run。这三步比表征难，难在评价标准：合成和实验选择没有同样明确的判据，留出集也更难构造。^[S1]

Neon 能不能从解释上一轮实验，走到挑选下一轮实验。

这是同一条循环里性质不同的两步。解释已有测量，对错相对明确；挑下一个实验，则要在候选远多于预算时作判断，选得好不好往往要等几轮之后才看得出。同一套 judge 方法要是能在合成路径或实验选择上重现，这条路线才算真正闭合。

反馈循环收紧，能不能少做实验、少花时间。

这是这条路线最终要回答的问题，也是短期内最难看到答案的。可以先盯几个中间信号：科学家的分析时间压缩了多少、实验室的有效吞吐提高了多少，以及第一个由这套系统提出并真做出来的材料。