新智元报道
新智元报道
【新智元导读】OpenAI的后训练负责人和DeepMind的另一位AI4S大佬，双双离职并成立了一家AI4S公司Periodic Labs，专注于用AI Agent改造传统科研，助力攻克室温超导等世纪难题。目前该公司已获3亿美元融资。
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。
完整推文可下滑浏览：
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。
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。
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。
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。
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。
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。
