先让 AI 提出设想，再由机器人动手验证，用实验结果裁定模型的对错——美国初创公司 Periodic Labs 的业务就建立在这个循环之上。这家公司正在建设自动化材料实验室，让 AI 模型指挥机器人做实验，目标是找到比现有材料更实用、临界温度更高的超导体和更合适的磁性材料，面向低损耗电网与下一代交通工具；同时为航天、半导体等领域的客户提供服务，例如为一家芯片制造商训练专属智能体，用于分析芯片散热方面的实验数据。
公司的两位创始人均出身科技大厂。利亚姆·费杜斯（Liam Fedus）此前在 OpenAI 担任负责后训练的研究副总裁，是 ChatGPT 的共同缔造者之一，2025 年 3 月宣布离职创业；埃金·多乌什·丘布克（Ekin Dogus Cubuk）在哈佛大学取得博士学位，先后执掌谷歌 Brain 和谷歌 DeepMind 的材料与化学研究团队，2023 年带队开发出材料发现系统 GNoME，预测了约 220 万种新晶体结构，成果发表于《自然》杂志。
丘布克解释过为何选择此时创业：用于粉末合成的机械臂已经足够可靠，机器学习模拟能够描述复杂的物理体系，大语言模型也具备了较强的推理能力——三者终于可以组合成一个系统，由 AI 提出假设、指挥机器人做实验，再从结果中学习。
这一构想背后还有一层数据逻辑。过去 AI 的进步主要依靠用互联网数据训练模型，而这部分数据规模有限，最好的前沿模型已经把它用尽，想再上一个台阶，就得靠真实世界的实验生产新数据。在 Periodic Labs 看来，AI 之所以在数学和编程上进步最快，是因为这两个领域数据充足、结果可以验证；物理世界同样可以验证，实验信噪比高、周期相对短，物理模拟也已能较好地描述许多体系——自然界本身就是一个强化学习的训练环境。自主实验室既能产出独特的高通量、高质量数据，记录下学界很少发表的失败结果，还能让 AI 在真实世界里学会动手。
资本市场对这套思路反应热烈。2025 年 9 月底，Periodic Labs 宣布完成 3 亿美元种子轮融资，投资方包括 a16z、英伟达、杰夫·贝索斯、埃里克·施密特，以及时任谷歌首席科学家的杰夫·迪恩。12 月，公司跻身美国能源部“创世纪计划”（Genesis Mission）首批 24 家机构之列。近期还有消息称，该公司正以约 70 亿至 75 亿美元的估值洽谈新一轮融资，交易尚未落定。
自 2025 年成立以来，Periodic Labs 已在门洛帕克建成高通量粉末合成实验室以及支撑大规模物理模拟的计算设施。材料发现在这里被拆成一个循环：先根据稳定性和性质预测决定合成什么、怎么合成，再借实验检验实际产物是否符合预期，据此修正假设，进入下一轮。实验室里，由机械臂将样品送入 X 射线衍射仪，测量数据交由语言模型分析，判断实验成败并规划下一步。目前这里每天进行约 100 次实验，第二座实验室已在建设中，目标是将规模提高到每天 1000 次。
公司还基于开源模型 Kimi K2.6，用自家实验数据训练出一款专门分析 X 射线衍射数据的模型，取名 Periodic Neon。据公司介绍，它在内部测试中的表现超过了 GPT-6 Astra 和 Claude Fable 5.1。
据《纽约时报》报道，公司亮相前后，已有 20 多名研究人员从 meta、OpenAI、谷歌 DeepMind 等机构离职加入，团队里既有物理学家，也有机器学习研究者，每周还会组织交叉授课。最近，这支队伍又多了一位重量级新成员——哈佛大学物理学教授尹希。
尹希的上一站是 OpenAI。今年 5 月底，他被曝加入这家公司，但仅仅五个月后便决定离职。
这次跳槽最耐人寻味之处在于方向的反差。Periodic Labs 以实验立身，用实验结果判定模型的对错；而尹希深耕的弦理论和量子引力，几乎无法用实验检验——这一领域试图回答引力在最微观尺度上如何运作，理论极其复杂，难以被人类现有的任何装置验证，几十年来，物理学家判断一个想法是否成立，主要依靠数学上的自洽。眼下公司主营的粉末合成和衍射分析，对一位做了二十多年弦论的理论物理学家而言，也是十足的全新领域。一位离实验很远的学者走进一家以实验为核心的 AI 公司，恰是今年 AI 与科学研究交汇处变化的一个缩影：顶尖科学家持续流入 AI 企业，AI 企业则纷纷动手建起自己的实验室。
尹希 1983 年出生于湖南株洲，1996 年，12 岁的他考入中国科学技术大学少年班，此后赴哈佛大学攻读博士并留校任教，31 岁时成为哈佛历史上最年轻的华人正教授之一，2017 年获物理学新视野奖。
放眼基础物理学界，像他这样看好 AI 的人并不多。他曾公开表示，AI 让自己的编程工作提速了至少 100 倍；在他看来，世界上不存在任何一种 AI 无法复制的人类智力能力。今年 4 月，他在接受《哈佛深红报》采访时算了一笔账：即便需要人工监督，AI 几周写出的代码，换作他自己也要写上十年；一些过去因为工作量太大而根本不会考虑的课题，如今都可以放手去做。
这种乐观渗透进了他的日常研究。在代码托管平台 GitHub 上，尹希维护着一部多卷本量子场论专著，署名为“GPT 5.5 在尹希指导下撰写”，全书规划 20 卷，前 12 卷已成稿，内容从量子场论的基础一直写到弯曲时空中的量子场论。他还用 Lean——一种让计算机逐步检验数学证明的语言——发起了几个形式化项目，贡献者名单里同样出现了 Claude。
这类做法在学界并非没有争议。9 月，陶哲轩等 25 位菲尔兹奖得主联署发声，担忧 AI 公司把攻克数学难题当作竞赛指标，产出的答案越来越多，对这些成果的理解、整理与传承却跟不上节奏。尹希随后转发了一位数学家的反驳文章，称这是近几天看到的回应中他完全赞同的一条——数学一直在扩充自己的工具箱，经过验证的机器证明即便暂时超出个人的理解能力，也能成为下一步研究的起点。
他甚至在采访中说过，只要 AI 能找到答案、并且有办法验证，他就会很高兴，答案是不是自己想出来的无关紧要。这种乐观也引来了质疑。香港大学计算与数据科学学院院长马毅表示，尹希是伟大的物理学家，但不等于是 AI 技术专家，不能轻易断言 AI 有没有局限。
在 OpenAI 的几个月里，尹希继续以这种方式推进研究。他在一段公开视频中谈到，物理学的突破往往源于提出正确的假设，AI 不仅能给出他从未想过的新猜想，还能自行编写数值检验。11 月初，他与两位哈佛合作者在预印本平台 arXiv 上发布论文，为一个研究量子引力的经典模型求出了最低能量状态的近似解。这个问题的计算规模极其庞大，学界长期认为常规方法无法整体求解；团队大幅简化问题后，得到的解与真实解的重合度超过 99.999%，全部计算在一台笔记本电脑上即可完成。论文致谢部分特别写明，代码编写和稿件修改用到了 OpenAI 与 Anthropic 的模型。
论文提交之前，尹希已经宣布离开 OpenAI。他在社交平台 X 上写道，这是一段很棒的旅程，也是“自己人生中的第一份企业工作”，但他决定提前下车、探索新的方向。随后不久，他正式宣布加入 Periodic Labs，具体职责尚未透露。
个人选择的背后，是一场更大规模的迁徙。《大西洋月刊》今年 7 月刊文统计，OpenAI、Anthropic、meta 和谷歌 DeepMind 四家公司里，至少有 80 多位现任或前任大学教授，其中多数是计算机科学家，作者认为这一数字很可能偏低；仅今年一年，就有至少 22 位斯坦福大学、哈佛大学、麻省理工学院等名校的教授离职或休假加入这四家公司。
流向 AI 企业的教授早已不限于计算机系。今年年初，理论计算机科学家陈立杰加入 OpenAI，专攻数学推理；5 月，宾夕法尼亚大学沃顿商学院统计学家苏炜杰在学术休假期间加入 OpenAI，参与模型训练。《麻省理工科技评论》分析过这股迁移潮的成因：大学负担不起训练和运行前沿模型所需的显卡，前沿实验室也不对外公开模型的内部细节，学术界研究者只能观察模型的行为，无法参与模型的设计和训练。对尹希这样希望主动拥抱 AI、加速科研进展的学者来说，进入企业是触达 AI 前沿的最直接途径。
反过来，科学家带着问题和判断力加入企业，也为模型补上了至关重要的一环。《麻省理工科技评论》认为，经验科学可能比数学更难自动化：物理、化学、生物这类依赖实验获得发现的学科，收集数据的过程缓慢，而且多数时候，判断实验成功与否并没有现成答案，需要懂行的人拍板。Periodic Labs 招揽物理学家，又请材料领域的博士给数千个样本打分，正是要把这种判断能力教给模型。
补上这一环，正在成为 AI 驱动科学发现公司的共同动作。纽约材料公司 Radical AI 的 CEO 介绍，其研究人员会把对实验结果的观察记录下来交给 AI，帮它培养科学直觉；生物科技孵化机构 Flagship Pioneering 创办的 Lila Sciences 由哈佛大学遗传学家乔治·丘奇（George Church）出任首席科学家，招聘时明确要求机器学习研究员与湿实验科学家并肩工作，一起解读模型输出；谷歌 DeepMind 计划在英国建设的首个自动化材料实验室，也将由一支多学科研究团队负责监督。在模型能够直接从自然界获得反馈之前，能判断对错的科学家始终是这套系统里最稀缺的部分。
至于 Periodic Labs 请来尹希，未必只是为了眼下的实验。材料的超导性由其电子的量子行为决定，a16z 在投资说明中提到，Periodic Labs 要让模型学会用量子力学推理。按照公司的设想，一旦材料设计实现自动化，摩尔定律、太空旅行和核聚变都可能因此提速——签下这样一位理论物理学家，更像是在为这些更远的目标落子。
不过，高温超导是困扰物理学界几十年的难题。截至目前，Periodic Labs 尚未宣布发现新的超导体或其他新材料。
