Periodic Labs：训练 AI 科学家的，不只是论文，而是完整实验轨迹

训练科学的过程，而不是科学的最终产物

Fedus 说，一个只读教科书和论文的系统不会自己长出合成物质的能力，光靠想更久也不会得到新的高温超导体；必须接上物理世界，把假设、计算预测、执行和结果完整串起来，让模型学到判断和重做的过程。

“Rather than knowing the state of science, it knows how to do science.”Liam Fedus

一次实验循环里，AI 管的是“看清做出了什么”

流程是：选前驱体、混合、进炉子、用 X 射线衍射（XRD）表征，再测抗磁响应看是不是超导体。Fedus 强调材料出炉时没有标签，AI 帮着判断做出了什么，这是最早做的系统之一。他们讲了两个事例：样品在圆形托盘里整体错位两格被 LLM 发现并纠正；一个不在任何数据库里的产物，由 LLM 跑新模拟推断出来，下一轮实验验证。

用自己的数据做“无污染”的强化学习

Fedus 说，可以取某一天的数据状态做“快照”，问“科学家接下来做了什么、结果是什么”，把它变成强化学习任务。因为这些数据不在公开文献里，模型没有在预训练里见过答案，不会靠背答案蒙混过关。

“having a basket of data we know doesn't exist in the literature.”Liam Fedus

不等更好的模型：瓶颈在实验系统，难的是做出材料

Cubuk 说材料从实验室到产业常要十到二十年，主要卡在能不能做出来、能不能放大；同样的配方也会因为前驱体纯度、炉子温度漂移而做不出来，所以 Periodic 把硬件遥测传回系统并做重复实验估计方差。Cubuk 说现有模型已经够好；Fedus 说他们今天停下来也能找到“剩下的所有诺贝尔奖”（物理科学），这是他自己的断言，没有给依据。能买现成的就买，只在吞吐不够处自己做；他们还说一项分析按最大吞吐要约 3,000 万美元一年，压缩进更小的模型后降到不足 100 万。

一个实验室只能泛化到相似的实验室，所以要建很多种

Cubuk 的理由是：一个实验室训出的模型只能泛化到相似的实验室，所以要建很多种高通量的实验室。这是他们的假设，访谈里没有证据；Fedus 只说新一轮的钱用于算力和基础设施，没谈金额。