ChatGPT缔造者联手DeepMind大神，用AI攻坚高温超导，半个硅谷抢着投

---

  新智元报道  

在OpenAI缔造了ChatGPT的前研究副总裁，和谷歌DeepMind材料科学与化学研究的领导者，联手出走创业了！

他们的新公司Periodic Labs一亮相就拿下了3亿美元的种子轮融资，投资阵容星光熠熠，a16z领投，跟投方有DST、英伟达NVentures、Accel、Felicis等，以及杰夫·贝索斯、埃里克·施密特、杰夫·迪恩等科技大佬。

如此夸张的融资数字和投资人阵列，在初创公司中极为罕见，引发了业界的轰动。

这家公司究竟要做什么？为何能够吸引如此多关注？

这两位联合创始人一位是William Liam Fedus，OpenAI前研究副总裁，核心团队成员之一，参与创造了划时代的ChatGPT；

另一位是Ekin Dogus Cubuk（昵称「Doge」），曾在谷歌DeepMind领导材料科学与化学研究。

他也是震惊学界的GNoME项目负责人之一，该项目在2023年利用AI一下子发现了超过200万种全新晶体材料。

按理说，他们在各自领域已经登顶，可谓前途无量。

作为OpenAI后训练部门负责人，Liam Fedus主要进行ChatGPT、API和AI智能体底层模型的研究与开发工作。

此前，他就职于谷歌大脑，专注于通过MoE技术来优化神经网络效率。

2022年，他正式入职OpenAI，初期作为核心开发人员加入强化学习团队，是ChatGPT的共同创造者之一，主要负责数据处理和模型评估工作。

期间，他主导了多个重要模型（包括4o、o1-mini、o1-preview等）的后训练研发工作。

2024年10月，Fedus接替了的Barret Zoph的职位，晋升为后训练团队负责人。

当时首席技术官Mira Murati和首席研究官Bob McGrew也一起离职。

Fedus在MIT获得物理学学士学位（期间参与了一个定向暗物质探测器项目：DMTPC），并剑桥大学获得物理学学士学位。

2016年，他获得了加州大学圣迭戈分校基本粒子物理学的硕士学位，导师是David Meyer和Gary Cottrell。

随后，他又在蒙特利尔大学获得了计算机科学博士学位，师从Yoshua Bengio和Hugo Larochelle。

另一位联合创始人Ekin Dogus Cubuk，之前是Google DeepMind的研究科学家。

他于2017年加入谷歌大脑，参与了材料科学发现领域的旗舰项目GNoME，并为公司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。

他是哈佛大学凝聚态与材料物理和计算科学的博士。

然而今年3月，Fedus毅然从OpenAI辞职，Cubuk也选择离开DeepMind，转身投入创业。

两人的交集最早来自谷歌内部，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，是对当前AI研究路径局限的清醒认识，以及对AI科学家的共同追求。

现阶段训练AI主要依赖互联网文本，可互联网看似无边无际，其实是有限的。

据估计，互联网上有价值的文本数据约有10万亿个tokens（一个英文单词约1-2个token），顶尖的大模型这几年几乎已把这些数据消耗殆尽。

没有新鲜数据，仅靠无限制增大参数规模已经难有质的突破。

正如Fedus在接受采访时直言的：

在他看来，如今硅谷热炒的大模型应用有些「智力上的懒惰」，AI真正该发力的是推动科学发现的速度。

Cubuk也指出，光靠大模型在文本中推理几天几夜，不可能凭空蹦出惊世骇俗的科学发现。真正的科学突破离不开大量实验和无数次失败的淬炼。

现在的AI模型，缺的恰恰就是「亲自动手实验」的环节。

于是，两人在今年年初一拍即合：与其受限于既有数据，不如让AI自己「走进」实验室，从零开始创造数据。

他们要打造一位「AI科学家」，让AI亲自提出假设并在现实世界反复试验，从实验结果中学习，无论结果成功还是失败。

正如Fedus在和投资人交流时所说的那句话：

OpenAI前同事、现Felicis投资合伙人Peter Deng第一次听到这句话时，甚至在旧金山山坡上当场停下脚步，决定立刻投资。

在他看来，大模型掌握的只是训练数据的「常规分布」，也就是人类已有的知识；

要想有原始创新，唯有让AI走出舒适圈，像科学家一样提出新假说并验证之。

这一理念，成为Periodic Labs创业的原点。

Cubuk总结道，近年有三大技术进展让这一切成为可能。

第一，能够处理粉末合成的机器人手臂已经变得可靠，意味着机器可以自动混合原料、烧制新材料；

第二，机器学习驱动的物理模拟更加高效精确，足以模拟复杂材料和化学体系；

第三，大型语言模型（LLM）的推理能力今非昔比，能够胜任更复杂的规划和分析。

三个领域的飞跃拼合在一起，就勾勒出一幅图景：AI可以在虚拟世界假设并计算，在真实世界动手实践，再由AI分析实验结果、调整思路。

材料科学的自动化闭环实验室，现在正是构建的好时机。

事实上，Cubuk正是相关先驱工作的参与者之一。

早在2023年，他与同事在《Nature》上发表论文，描述了谷歌的一座全自动化机器人实验室：由AI语言模型提议实验方案，机器人据此合成材料，在短短17天内合成了41种以前从未记录的新化合物。

这项成果被视为AI自主科研的里程碑，证明了技术可行性。

Periodic Labs的核心，就是要构建这样的「自主实验室」（autonomous lab）。

它是一个真实的物理实验场，有机械手臂操作试管和材料，有传感器表征产物性质，每进行一次实验就产生海量一手数据。

这一过程就像给AI搭建了一个巨大的强化学习环境，大自然本身成为了它的试验场。

模型读文献、跑模拟，提出对某材料性质的预测，接着由机器人按方案合成该材料并测量验证，实验结果要么证实了猜想，要么打脸。

无论结果如何，都为下一步改进提供了依据，实现真正的「闭环」。

正因为每次实验都是独一无二的，这套系统将源源不断产出以前不存在的新数据，扩充AI的知识库。

而且它还有一个传统科研无法比拟的优点：系统地记录失败。

平常科研中，大量「负结果」无人问津，论文里发表的大多是成功案例，导致研究存在幸存者偏差。

Periodic Labs的自主实验室则把每一次失败都当作宝贵财富，失败本身也成为模型学习的养分。

久而久之，AI将积累起一个覆盖成功与失败案例的完整经验库，帮助它更聪明地探索未知。

正如Periodic Labs官网放出的豪言壮语：「在这里，自然界本身成为强化学习环境」。

Periodic Labs选择从物理科学领域切入，并非心血来潮。

一方面，物理和材料领域的数据相对丰富且客观可验证，AI在有海量数据且结果可验领域往往进展神速（例如数学定理证明、蛋白质折叠预测等）；

另一方面，人类技术的飞跃很大程度受限于材料的突破——谁要是率先找到室温超导体这样的「圣杯」，将彻底改变游戏规则。

Fedus和Cubuk深知这一点，因此公司初始的头号目标就是发现新型高温超导材料。当前已知的超导体都需要极低温度或高压才能工作。

如果能研制出在接近常温下工作的超导体，将带来革命性影响：零电阻输电、电网几乎无损耗，磁悬浮列车、大型核聚变装置等等都有望成为现实。

找到室温超导体，可能就是下一个诺奖级别的成就，也是几十万亿美元级产业的引爆点。

Periodic Labs押注AI可以加快这一奇迹的诞生。

除了超导体，他们还将目光投向半导体等领域的现实难题。

目前团队已经在与一家芯片制造商合作，利用专门训练的AI代理优化散热材料，帮助工程师更快迭代解决芯片散热瓶颈。

未来，这种AI科研平台还可以拓展到航天、能源、国防等前沿行业中。

例如加速新型合金、耐热材料的开发，帮助人类以更低成本迈向深空探测和可控核聚变等目标。

a16z在投资公告中将Periodic Labs的策略称为「在前沿领域登陆并扩张」：

先针对太空、国防、半导体这些每年投入数万亿美元研发的行业，挑选评价标准清晰、价值巨大的关键难题，与客户合作用AI实验室攻克，证明这套方法的威力——向世界展示，与其依赖互联网文本训练，不如直接面向物理现实优化AI，究竟能强大到什么程度。

一旦在这些尖端领域站稳脚跟，再逐步将能力拓展到更广阔的科学版图。

换言之，先拿下几个「硬核」战役，再将胜利经验复制推广。

投资人相信，如果这一步步走通了，Periodic Labs有机会撬动先进制造、材料、能源、航空航天等总计约15万亿美元产值的庞大市场。

在摩尔定律遭遇瓶颈的当下，也许正是这种全新范式来接棒续写下一章的时候。

如此宏大的愿景自然需要与之匹配的梦之队。

Fedus和Cubuk用3亿美元「弹药」迅速网罗了全球一流的人才，短短几周内，就有超过20位AI研究领域的翘楚从Meta、OpenAI、Google DeepMind等大厂离职，加入Periodic Labs。

据《纽约时报》报道，不少人为了投身这家初创放弃了数百万甚至上千万美元的薪酬待遇。

他们的创业团队履历令人瞠目：不仅有共同创造ChatGPT者、执掌过DeepMind材料项目者，还包括Transformer神经网络「注意力机制」的发明者、OpenAI早期智能体Operator（Agent）的开发者、微软材料科学大模型MatterGen的缔造者等。

这样的组合几乎囊括了AI算法和物理科学两界的一众顶尖高手。

为了让不同背景的专家形成合力，Periodic Labs每周都会内部举办研究生水平的跨界讲座：这周物理学家给大家讲量子力学中的逻辑，下周机器学习专家再给同事们培训前沿AI模型，让全员都对彼此领域有深刻理解。

公司还组建了一个豪华科学顾问委员会，包括诺奖得主Carolyn Bertozzi等多位在化学、物理领域德高望重的教授，为研究方向把关。

可以说，Periodic Labs在创立之初就建立起了学术界与产业界罕见融合的一支队伍。

正如投资方a16z所评价的：

这样的团队配置，大模型公司里都不多见，更何况一家初创。

另一边，投资界的热情同样高涨。

当Fedus宣布离开OpenAI投身新事业时，硅谷VC们几乎陷入疯狂争抢。

据说有投资人情真意切地写了一封「情书」给Periodic Labs表白，还有的递上数页纸长的PPT来介绍自己能提供的价值，希望打动创始人。

最先敲开他们大门的是Felicis风投的合伙人Peter Deng——巧的是，他曾与Fedus在OpenAI共事，也是在今年初离开去做VC的。

Deng火速约了Fedus在旧金山Noe Valley街区喝咖啡，兴奋地边走边聊。

当听到Fedus描绘的愿景，他激动得当场表示：「我现在就给你们写支票！」

他甚至一度忘了公司尚未注册、连名字都没取好，支票无处可寄的尴尬。

最终，Felicis成功抢下了这一轮的领投权之一。

不过OpenAI本身并未参与投资。

虽然Fedus离职时OpenAI高层给予了祝福，他甚至在推文中暗示OpenAI可能会支持，但这一假设并未成真。

然而，OpenAI的缺席并不重要了。

凭借创始团队的声望，Periodic Labs手握的投资邀约很快多到令人眼花缭乱。

除了前述机构，跟投名单上还出现了硅谷最大牌的天使投资人：亚马逊创始人贝索斯、前谷歌CEO施密特、AI领域传奇人物杰夫·迪恩、硅谷投资人埃拉德·吉尔等等，连NVIDIA也透过旗下基金NVentures站台助威。

硅谷几乎半个「神仙圈子」都聚齐了，可见大家对AI4S这个赛道的期待有多高。

投资人直言这可能是「压缩几十年科研进程」的机会，谁都不愿错过。

Periodic Labs的横空出世，标志着AI探索版图的一次重要转向：从追逐通用人工智能、聊天机器人这样的「虚拟智能」，迈向与物理世界深度互动、以创造新科学知识为目标的新赛场。

他们并非孤军奋战。在大型科技公司中，类似的理念正在萌芽。

OpenAI就在上月宣布成立「OpenAI for Science」部门，试图打造「AI驱动的次世代科学仪器」，让AI平台加速科学发现。

DeepMind更是早有先例：其AlphaFold系统将生物蛋白质折叠难题攻克，一举改变生物学研究版图，不仅赢得了全球声誉，更为两位核心研发者赢得了诺贝尔奖的肯定。

可以说，科技巨头们已经意识到，下一个AI突破口很可能就在实验室里，在现实世界的未知现象中。

而在创业公司阵营，除了Periodic Labs外，也有像FutureHouse这样的新创非营利组织，喊出要打造自主AI科学家的口号。

种种迹象表明，「AI搞科研」正成为新一轮创新竞赛的热点。

相比之下，Periodic Labs拥有业界罕见的专注和豪华班底，手握充沛资金，又没有大公司的包袱，被视为这一赛道最值得期待的选手之一。

当然，科学研究从来就不是一朝一夕之功，更何况要用AI去挑战人类未知领域的难题。

Periodic Labs本身也承认，这是一场高风险的豪赌。

就算有再聪明的AI和再能干的机器人，科研过程依然充满不可预知的曲折，可能十试九败。

但正因为充满不确定性，才意味着巨大的突破空间和价值，哪怕最终没能找到理想的超导体，他们在探索中积累的大量数据和失败教训也本身具有非凡意义。

这与传统科研过于功利、只奖励成功论文发表的机制形成对照，Periodic Labs追求的是一种「探索本身即有价值」的新范式。

可以预见，如果这条道路走通了，我们对待科研的思路也将被颠覆。

Periodic Labs要重新想象科学发现的进行方式。

当AI真正走入实验室，当自然世界变成AI的训练场，也许人类迎来的将是科研范式的跃迁。

抱着这样的信念，这群顶尖科学家和投资人正全情投入这场豪赌。

未来十年，Periodic Labs能否交出改变世界的答卷，我们拭目以待。