OpenAI和DeepMind大佬离职联手，誓用AI科学家实现室温超导！已融3亿美元

就在今天，OpenAI后训练负责人William Fedus发布推文宣布，与DeepMind的另一位AI4S大佬Ekin Dogus Cubuk合伙创办了AI4S公司Periodic Labs，还挖来了20余名来自OpenAI、Meta、谷歌的顶级研究员。

完整推文：

今天，@ekindogus和我很高兴介绍@periodiclabs。 我们的目标是培养一名人工智能科学家。 科学的运作方式是推测世界可能是什么样子、进行实验并从结果中学习。 智能是必要的，但并非充分条件。当发现想法与现实相符时，新知识便会诞生。因此，在Periodic，我们正在培养人工智能科学家，并为他们打造自主运作的实验室。 迄今为止，科学界的人工智能进步都源于在互联网上训练的模型。然而，尽管互联网规模庞大，其规模依然有限（据估计，互联网上大约有10T个文本标记，而一个英文单词可能由1-2个标记组成）。近年来，最前沿的人工智能模型已经完全耗尽了互联网的容量。 研究人员寻求更好地利用这些数据，但正如任何科学家都知道的那样：虽然重读教科书可能会带来新的见解，但他们最终需要尝试他们的想法，看看它是否成立。 自主实验室是我们战略的核心。它们提供海量高质量数据（每个实验都能产生数GB的数据！），这些数据在其他地方是独一无二的。它们也产生了宝贵的负面结果，但这些结果很少被发表。但最重要的是，它们为我们的AI科学家提供了行动的工具。 我们从物理科学开始。 技术进步受到我们设计物理世界的能力的限制。 我们之所以从这里入手，是因为实验具有较高的信噪比，并且（相对）速度很快，物理模拟可以有效地模拟许多系统，但更广泛地说，物理学是一个可验证的环境。人工智能在拥有数据和可验证结果的领域（例如数学和代码）进步最快。在这里，自然就是强化学习的环境。 我们的目标之一是发现比现有材料工作温度更高的超导体。重大进展将有助于我们打造下一代交通工具，并构建损耗最小的电网。但这仅仅是一个例子——如果我们能够实现材料设计的自动化，我们就有可能加速摩尔定律、太空旅行和核聚变的发展。 我们还致力于将我们的解决方案应用于工业界。例如，我们正在帮助一家半导体制造商解决芯片散热问题。我们正在为他们的工程师和研究人员培训定制代理，帮助他们理解实验数据，从而更快地进行迭代。 我们的创始团队共同创建了ChatGPT、DeepMind的GNoME、OpenAI的Operator（现在是Agent）、神经注意力机制MatterGen；他们还扩展了自主物理实验室；并为过去十年中一些最重要的材料发现做出了贡献。我们齐心协力，致力于扩大规模并重塑科学研究的方式。 我们非常荣幸地获得了与我们拥有共同愿景的投资者的支持，包括领投我们3亿美元融资的(@a16z、@Felicis、DST Global、NVentures（NVIDIA的风险投资部门）、@Accel，以及包括@JeffBezos、@eladgil、@ericschmidt和@JeffDean在内的个人。他们的支持将帮助我们壮大团队、扩大实验室规模，并培养第一代AI科学家。 Periodic Labs志在重塑科研的底层流程：他们要让AI走进实验室、提出假设、执行实验、生成数据、优化设计——一步步逼近「自动化科学发现」的理想。

新公司一位员工Xander Dunn还Cue了一下今天刚发布的Sora 2，认为培养AI科学家比OpenAI试图打造另一个社交媒体App巨头更有意义。

从ChatGPT与GNoME走向一间AI科研实验室

Periodic Labs的两位联合创始人William Fedus和Ekin Dogus Cubuk，有着双重履历线：他们既站在当今AI前沿模型的核心构建现场，也长期深入物理与材料科学的理论与实践。

William Fedus是Transformer架构的重要共作者，曾在Google Brain、OpenAI领导核心模型的后训练（Post-Training）方向。

他本科毕业于MIT物理系，后于蒙特利尔大学取得计算机科学博士学位，有着物理+计算机的双重背景。

ChatGPT早期版本的强化学习管线正是他主导建立。

他也是Operator（现Agent）的早期开发者，关注点始终聚焦在「如何让语言模型具备实用智能」。

Ekin Dogus Cubuk则是一位物理出身的材料科学家，曾在DeepMind和Google Brain领导材料科学与化学研究。

他是哈佛大学凝聚态与材料物理和计算科学的博士。

他参与了GNoME（DeepMind在材料科学发现领域的旗舰项目），也在Google内部构建了多个自动化合成实验平台，聚焦于如何用AI寻找新材料。

两人的交集最早来自Google内部，一次合力翻轮胎的趣事成为他们相识的契机——但真正把他们聚在一起的，是对AI科学家的共同追求。

他们都意识到：LLM已经在代码、数学和知识问答中展现了强大能力，但如果不让AI与物理世界「做实验」，它就无法生成真正的新知识。

于是，2025年，两人共同宣布离职，成立Periodic Labs，目标是打造「面向物理世界的AI科学家」。

在这家新公司中，我们还找到了今年8月从MSL离职的Rishabh Agarwal。

他以全印度高考第33名的身份——相当于中国的省状元——进入「印度清华」印度理工大学孟买分校就读计算机专业。

本科毕业后进入北美学术界的AI圣地，Yoshua Bengio创立的加拿大魁北克AI研究所Mila，取得了AI博士学位。

他的被引已破万，获得过NeurIPS的最佳论文奖，还从去年9月开始担任麦克吉尔大学的兼职教授。

另外，我们还发现这家新公司还有中科大少年班05级校友Wei Chen。

在加入Periodic Labs前，他在TikTok做技术领导，负责机器学习。

科学是一种「可验证」的环境

Periodic Labs对科学的理解，带有一种行动主义哲学。他们提出的核心观点是：

互联网文本已经被模型读尽，真正稀缺的是实验数据。

相比于人类语言和代码，物理实验的结果是真实、可验证、不能编的。

而科学之所以有效，正是因为它的每一个猜想都可以被实验验证或推翻。

Periodic的选择很明确：不再从网络上「榨干」数据，而是走向现实世界，把实验变成模型优化的关键环节。

他们的系统是具备闭环推理能力的AI智能体：从文献中提出假设、调用仿真工具建模、自动规划实验、执行材料合成，再根据结果更新假设、继续搜索更优解。大自然成了RL环境，实验成为Ground Truth（真值）与Reward（奖赏函数）。

Periodic认为，要训练出这样的AI，需要三种信息源紧密耦合：

• 大模型语言推理能力（预训练+中期训练）

• 仿真系统（比如第一性原理模拟、晶体建模工具）

• 高通量实验平台（自动化合成与测量）

这三者互为补充，构成了AI科学家的「感知—认知—行动」闭环。

为什么从超导材料开始

Periodic的首个科研方向，选定了一个看似遥远却极具象征意义的目标：高温超导材料的发现。

就像OpenAI做AGI前必须先做出玩Atari的智能体、能写代码的助手，我们也必须先做出在一个物理子领域内能跑通完整科研闭环的AI系统。

这个目标具有数个吸引人的特性：

• 科学上，200K以上的常压超导体尚未被发现，一旦实现，将重塑人类对量子行为的理解；

• 工程上，超导是一种相变特性，健壮性较强，不容易被微观缺陷干扰，适合用实验+仿真迭代；

• 自动化上，粉末合成流程较为可控，便于机器人系统高通量探索；

• 商业上，与能源传输、芯片冷却、量子计算等前沿领域均高度相关。

在实现过程中，系统需要具备的能力远远超出单一任务，包括文献解析、晶体结构生成、热力学建模、实验配方优化等。

而这些能力一旦建立，便可横向迁移至磁性材料、电池材料、半导体结构等其他物理域。

从科学发现，到赋能工程师与产业研发

Periodic并不只想做科学界的「突破性实验室」。

他们的目标同样是构建在产业中可部署的AI科研助手。

他们要打造嵌入研发流程的Copilot（co-pilot for physical R&D），让材料、半导体、航空航天、国防等行业中的一线工程师和研究员，能用AI更快地分析实验数据、构建设计空间、发现隐藏参数，缩短试验周期。

他们已经与一家半导体公司合作，解决芯片散热问题。

Periodic的系统会读入历史实验数据，调用仿真，结合当前实验条件，输出新的设计方向，并评估可能的物理约束与极限。

从搜索空间压缩到结构生成，从材料预测到合成计划，这类系统将成为工程团队的外置大脑。

多学科深度融合+实验优先

Periodic的组织结构与大多数AI公司不同。

其团队大约30人，一半是顶尖的LLM研究者，一半是来自物理、化学与材料工程的一线实验专家。

每周的内部教学课，让模型研究员了解量子力学与晶体生长，让化学家理解强化学习与数据管线。

他们强调「可以问最笨的问题」，也强调「行动比论文更有说服力」。

这是一家以构建为本、以实验为先的研究机构。

同时，Periodic也与高校建立了深度合作，包括设立学术顾问委员会与资助计划，资助那些在学术体系下更适合推进的基础工具研究，构建长期的科研生态。

3亿美元融资背后的信号

在宣布公司创立的同时，Periodic也披露了由a16z领投的3亿美元融资，参与投资者包括NVIDIA（NVentures）、Felicis、DST、Accel，以及杰夫·贝索斯、Elad Gil、Eric Schmidt、Jeff Dean等个人。

这是一个顶尖AI与顶尖实验系统共同启动、以十年为周期布局科研范式转变的团队。

他们的目标是明确的：重构人类如何发现知识这件事本身。

如果你今天还在思考「AGI会不会取代人类科学家」，Periodic Labs的答案可能会让你换一个角度看：科学不是只有智力，更是一个与现实交互、被自然评判的过程。

而真正强大的AI科学家，必须能自己去做实验。

Periodic要做的，是让它成为现实。

参考资料：

https://www.youtube.com/watch?v=5FoWFeJCa2A

https://x.com/LiamFedus/status/1973055380193431965

https://x.com/xanderai/status/1973067906259841457

https://www.linkedin.com/in/william-liam-fedus-26547811/

https://www.linkedin.com/in/ekin-dogus-cubuk-9148b8114/

https://www.linkedin.com/in/agarwl/

https://www.linkedin.com/in/wchen89/

文章来自于微信公众号 “新智元”，作者 “新智元”