室温超导体不会被AI一次性推算出来，得靠实验室硬试
密度泛函理论再完美也装不下10的23次方个原子，科学发现的本质就是训练数据之外的东西——这是为什么连下一代大模型也得靠物理实验室反复试错。
原视频在 YouTube 上放不出来，用音频听：
核心论点 · 点时间戳可跳到原声
实验环境换了，奖励函数不能照搬
Periodic的强化学习环境直接来自物理实验室，数据没有标准答案，充斥噪声、仪器误差和不完整的遥测——比如以为炉温是某个数值，实际却偏离了一截。做数学或代码优化时精度很高，但在材料发现里，连东西从炉子里出来时都没贴标签，连标注过程本身都是随机的。这要求一套不同于数字环境的推理策略：在高度不确定下做决策，并且极度高效地利用有限数据，因为你不能像数字环境那样随意增加 rollout。
— Liam Fedus物理学远没有被解决
Dirac当年写完量子力学教科书后据说说过「剩下的都是化学问题」,但过去一百年证明这并不成立——氮和氧的相互作用远不是氢原子的简单推广。至今仍有大片物理没搞懂：比如铜酸盐这类高温超导体不遵循传统电声子耦合理论(可以用同位素效应验证的那套),但没人知道它们遵循什么物理。密度泛函理论一旦遇到强电子关联也会失效。这正是Periodic押注AI介入材料科学的理由：理论、计算、实验三条线都还有大量空白要填。
— Ekin Doğuş Çubuk即便DFT完美，也替代不了实验室
密度泛函理论(DFT)把量子力学里指数级增长的希尔伯特空间问题，压缩成只需计算电荷密度这个三维对象，由此可以把原本不可计算的东西变得可算。但现实中用的DFT仍是近似——交换关联泛函和动能泛函都还没有精确形式。更关键的是，就算有一天拿到了理论上完全精确的DFT,也装不下10的23次方个原子进一台计算机，所以实验室依然是绕不开的。
— Ekin Doğuş Çubuk每台仪器都要有140 IQ
随着实验规模扩大，靠技术员盯着电镜图像判断形貌很快就跟不上节奏，一套简单的自动取景截图程序产出的数据也「太笨」用不上。于是Periodic把AI系统直接装进每台仪器，让仪器本身知道这次实验的意图是什么、想合成什么、此前有哪些证据——在采集数据的当下就做更智能的判断，这样产出的数据对后续AI训练和计算预测才更有价值。延迟也是硬约束：如果调用模型推理的速度跟不上物理过程本身的时间尺度，这套系统就不可行，有点像自动驾驶。
— Liam Fedus全自动化是非目标，人形机器人反而更慢
Periodic认为直接上人形机器人去解决实验室自动化，反而会拖慢实现目标的速度。更现实的路径是人机混合：哪些环节是人类擅长的高难度动作但自动化要花几个月，就先不碰；哪些是占用大量科学家和技术员时间、又容易自动化的常规操作，就优先拿下。实验室真正要的是大量、高质量、多样化的数据，完全自主运行本身从来不是目标，自动化只是服务于数据目标的手段。
— Liam Fedus文献天生只发表正样本，他们自己攒负样本
训练一个分类器，如果没有负样本，光有正样本是训练不出来的，而材料科学文献有系统性偏差——人们发表能合成出来的晶体，几乎不发表失败的尝试，而且永远无法确定一种晶体究竟是「不可合成」还是单纯「还没找对方法」。Periodic自己跑实验，恰恰能攒下大量带着完整上下文的负结果，用来训练分类模型；比起最终结果，他们更想把整个科学过程——包括一连串失败后如何迭代出正确结果——都变成训练数据。
— Ekin Doğuş Çubuk没人能零次推算出室温超导体
哪怕未来的前沿模型比今天强得多，也依然得去跑实验才能拿到结果，原因是机器学习擅长的是它被训练过的东西，而科学发现按定义就是你没被训练过的东西。正因为如此，Periodic才要建实验室，让开源或闭源模型都能真正「摆弄宇宙」——数学和理论计算机科学里能看到的零样本飞跃，不会直接搬到物理世界里发生。
— Ekin Doğuş Çubuk合成才是真正瓶颈，不是缺理论
以二硼化镁(MgB₂)为例：日本团队发现它是迄今常压下温度最高的常规超导体，靠的不是理论预测，而是硬试了大约三万种材料，其中三十种显示出有意思的超导迹象——而当时BCS理论早在1957年就已经提出，这种材料也早就作为前驱物摆在货架上几十年没人在意。Periodic的判断是：能想到哪些化学空间可能孕育超导体并不难，难的是把它们真正合成出来；如果实验室自动化规模化，相当于把一个科学家一辈子能试的次数压缩到一个月内完成，本质上是在扩大「运气」发生的面积。
— Ekin Doğuş Çubuk原话 · 已逐字校验
No amount of rereading that textbook or paper, thinking, or disappearing into a room is going to allow you to think through all possible experimental outcomes, expected and unexpected, and you really need this iterative process.
把教科书或论文反复读多少遍、怎么冥思苦想、把自己关进房间琢磨，都不可能让你想清楚所有可能的实验结果——无论是预期之内还是预期之外的，你真正需要的是这种迭代过程。
Liam Fedus0:00
It’s not enough just to do optimization against, some answers that were known in some papers or textbooks because we’re going beyond that, and I think that’s one of the biggest differences.
光针对论文或教科书里已知的答案做优化是不够的，因为我们要做的是超越那些已知答案，我认为这是最大的区别之一。
Liam Fedus2:49
But then higher-temperature superconductors like cuprates, like the ones that are above 77 kelvin, like 93 kelvin, turns out don’t obey that physics. But we don’t know what physics they obey. They’re just incredible superconductors.
但像铜酸盐这样的高温超导体，高于77开尔文、比如93开尔文的那些，其实并不遵循那套物理规律。可我们并不知道它们到底遵循什么物理规律，它们就是一类不可思议的超导体。
Ekin Doğuş Çubuk14:50
And then even if we had perfect DFT, I still think we’d need a lab because we. Even if we had perfect DFT, we cannot fit ten to the twenty-three atoms in a computer.
而且就算我们拥有完美的密度泛函理论，我仍然认为我们需要一个实验室，因为——就算有完美的DFT,我们也没法把10的23次方个原子装进一台计算机里。
Ekin Doğuş Çubuk33:42
But ultimately what we want from the lab is a huge quantity of data, high-quality data, diverse data, and those are our goals. And full autonomy is a non-goal. It’s sort of in the service that we use automation in the service of achieving the goals on the data.
但归根结底，我们想从实验室获得的是海量数据、高质量数据、多样化数据，这才是我们的目标。完全自主运行本身不是目标，我们用自动化是为了服务于这些关于数据的目标。
Liam Fedus51:39
machine learning is really good at what it’s been trained on but scientific discovery is almost by definition what you haven’t been trained on.
机器学习非常擅长处理它被训练过的东西，但科学发现几乎从定义上来说，就是你没有被训练过的东西。
Ekin Doğuş Çubuk1:00:20
There’s not going to be like. No one’s going to zero shot the room-temperature superconductor.
不会有那种情况——不会有人能零样本就直接推算出室温超导体。
Liam Fedus1:00:20
I think they tried 30,000 different things. Thirty of them seemed to host interesting superconductivity, and MgB₂ was one of them.
他们大概尝试了三万种不同的材料，其中三十种显示出有意思的超导性，二硼化镁(MgB₂)就是其中之一。
Ekin Doğuş Çubuk1:21:59
数字与实体
| 铜酸盐超导临界温度 | 约93开尔文(高于77开尔文) | 14:50 |
| 单个实验室难以存储的原子数量级 | 10的23次方个原子 | 33:42 |
| 日本团队发现MgB₂前尝试的材料数量 | 约30000种，其中30种显示超导迹象 | 1:21:59 |
术语
- DFT (Density Functional Theory)密度泛函理论
- 用电荷密度代替波函数计算量子体系基态性质的近似方法
- XRD (X-ray Diffraction)X射线衍射
- 用X射线测量原子间距，得到晶体结构的「指纹」图谱
- Matter Compiler物质编译器
- 把目标材料性质编译成具体合成路径的系统比喻
- Landauer limit兰道尔极限
- 删除一比特信息理论上所需消耗的最小热力学能量
- Synthesis Superintelligence合成超级智能
- Periodic的使命愿景，强调合成能力而非单纯理论推演
- Phase transition相变
- 物质结构或状态在特定条件下发生突变的现象，如冰融化
收听指南
关注AI for Science、材料发现、自动化实验室与具身智能方向的工程师和投资人，想了解LLM下一个落地战场在哪里。
13:27-16:41 物理理论背景(DFT近似、强关联电子、Kolmogorov复杂度类比)偏硬核，工程背景读者可适当跳读。