摘要：最近硅谷AI圈出了个实打实的大事，OpenAI前顶级研究员LiamFedus，还有GoogleDeepMind前材料科学专家EkinDogusCubuk，俩人凑一起开了家叫PeriodicLabs的AI科研公司。

最近硅谷AI圈出了个实打实的大事，OpenAI前顶级研究员LiamFedus，还有GoogleDeepMind前材料科学专家EkinDogusCubuk，俩人凑一起开了家叫PeriodicLabs的AI科研公司。

今年9月的时候，这公司已经拿完了3亿美元的种子轮融资，换算成人民币差不多21.3亿。

在AIforScience这个赛道里，种子轮就能拿到这么多钱，真不是常见事儿。

这笔融资的领投方是Felicis，它家合伙人PeterDeng还是Fedus在OpenAI的前同事，这层关系多少有点意思。

除了Felicis，a16z、DST、Nvidia旗下的NVentures、Accel这些行业里叫得上名的机构也都参投了。

更厉害的是，天使投资人里还有亚马逊创始人JeffBezos、谷歌前CEOEricSchmidt，以及谷歌首席科学家JeffDean。

本来想，能拉到这么多顶流资本，可能是因为公司背景够硬，但后来发现，光看两个创始人的履历，就知道这钱投得不算冒进一个是ChatGPT初代模型强化学习团队的核心。

还主导过GPT-4o这些模型的后训练，另一个是在《Nature》主刊发过材料科学论文的专家，这组合在AI科研圈，差不多就是“强强联手”的代名词。

最开始的时候，外界还传过OpenAI也参投了这家公司，源头是Fedus离职时发的一条推文。

他当时说“AIforScience是OpenAI的战略重点，OpenAI计划与我的新公司合作”，这话一出来，投资圈直接炸了，不少VC都凑过来想抢额度，还有人专门递“情书”式的自荐材料，那阵仗跟抢热门演唱会门票似的。

不过前段时间Fedus和Cubuk终于回应了这事，说OpenAI最后并没参投。

更有意思的是，他们还补了句“但我们也不缺这笔钱”。

这话听着挺狂，但细想也有道理。

毕竟Fedus刚离职，VC圈就动起来了，连Felicis的PeterDeng都是主动找过来的。

据说PeterDeng听说Fedus离职，立马就发了短信，等Fedus说出“每个人都在谈论做科研，但要真正做科研，就得真的去做”这句话时，PeterDeng当场就承诺投资。

那时候PeriodicLabs连公司都没注册，名字没定，办公场地和笔记本电脑都没有，就这情况，PeterDeng还愿意“现在就把钱给他们”，这要是换家普通公司，根本不可能有这待遇。

从这里也能看出来，现在资本对AIforScience赛道的态度有多积极。

不是说只要沾了“AI”和“科学”就能拿到钱，关键还是看团队能不能落地。

Fedus和Cubuk一个懂大模型落地，一个懂材料科学实验，这种“技术+场景”的搭配，刚好踩中了资本的需求点。

聊完融资，就得说说这两位创始人了，毕竟公司的底气多半来自他们俩的能力。

先看LiamFedus，他的学习经历就跟“学霸升级”似的，先后在麻省理工、剑桥大学待过，一开始学的是基本粒子物理，后来又去蒙特利尔大学读了计算机科学博士，才算正式进了AI研究领域。

蒙特利尔大学在深度学习领域本来就有名，YoshuaBengio之前就在那任教，Fedus在那打下的基础，对他后来做AI研发帮助不小。

后来他去了GoogleBrain当深度学习研究科学家，2022年9月又跳槽到OpenAI。

在OpenAI的这段时间，他可是实打实的核心ChatGPT初代模型的强化学习团队里有他，之后GPT-4o、o1-mini、o1-preview这些模型的后训练工作也是他主导的，2024年还升成了OpenAI的后训练研究负责人。

搞不清为啥有人能在理论和落地之间切换得这么顺，他主导的后训练技术，其实是提升了大模型的推理准确性，这对AI做科研特别关键毕竟科研需要精准的判断，模型推理不准，后续实验全白费。

再看EkinDogusCubuk，他2016年从哈佛毕业，之后去斯坦福大学做博士后研究，然后才加入GoogleDeepMind当核心研究员。

斯坦福的材料科学实验室在全球都排得上号，他在那积累的实验经验，后来全用在了自己的研究里。

2023年的时候，他作为核心作者在《Nature》主刊发了篇论文，还推出了个叫“A-Lab”的自动化材料合成平台。

这个平台厉害在哪，它结合了自然语言模型、活性学习和机器人执行系统，17天就合成了41种之前没见过的新型无机化合物。

要知道传统材料研发，有时候几个月都未必能成一种，A-Lab直接把效率提了好几个档次，这也能看出来，他早就把AI和材料科学结合起来做实践了。

俩人能凑到一起创业，其实也是因为理念合得来。

早在2024年，他们就经常在行业会议上聊“AI赋能科研”的事，都觉得当时大模型推理能力、实验设备自动化、材料模拟技术已经成熟了，是时候把“AIforScience”真正落地。

2025年的时候，PeriodicLabs就正式成立了，说起来也算“蓄谋已久”。

成立公司之后，俩人明确了一套AI科研闭环的思路，简单说就是让AI从头到尾参与科研先用语言模型提出假设，再让模拟系统验证这个假设行不行，接着让机器人去做实验，最后AI再分析实验结果，调整下一步方案。

要实现这个闭环，他们觉得有三个关键进展不能少。

第一个是机械臂能稳定完成粉末合成实验，能混合材料还能创造新材料。

现在工业级的机械臂，实验误差已经能降到0.01毫米，完全能满足材料合成的高精度要求，这是做实验的基础。

第二个是机器学习模拟能准确建模复杂物理系统，科研里很多时候没法直接观察系统内部，靠模拟就能提前预判情况，少走不少弯路。

第三个就是LLM的推理能力显著增强，能根据现有知识提出合理的科研假设，不用人再一点点去想。

如此看来，他们这套思路不是凭空想的，是真的把现有技术整合到了一起。

现在PeriodicLabs已经搭好了实验室，还招了一批AI和科学领域的顶尖人才。

为了让团队里的人既懂AI又懂科学，他们每周还会办一次“研究生级别”的跨领域讲座，让团队成员轮流讲课，互相补短板。

这种做法其实挺聪明的，毕竟AI科研不是单打独斗，跨学科协作才是关键，他们现在的首要目标是研发新型超导材料。

要是这东西能成，以后搞高性能计算可能就不用那么高能耗了，对整个行业都是个大变革。

不过目前进展也没那么快，Cubuk说他们已经在处理实验数据、运行模拟，也在验证一些预测，但机器人环节还在训练中，“还需要一点时间”。

其实这也能理解，让机器人精准完成科研实验，比让机器人扫地、送餐难多了，毕竟科研里差一点就可能出完全不同的结果，急不来。

更有意思的是，他们对“失败”的态度。

一般科研里，失败的实验数据很少有人当回事，但PeriodicLabs不这么想，他们觉得失败实验本身就是高价值数据，能反哺AI系统训练。

这一点我还挺认同的，AI的优势就是能从大量数据里学东西，失败数据越多，AI后续判断就越准，相当于把之前浪费的资源都利用起来了。

Fedus之前总结过一句话：“我们希望让AI真正接触现实世界，把实验纳入AI闭环，这可能就是科研的下一前沿。”这句话挺有道理的。

现在很多AI研究还停留在理论层面，离现实应用还有距离，而PeriodicLabs直接让AI参与到实验里，等于把AI和现实世界连了起来，这或许就是他们和其他AI公司最大的不同。

值得一提的是，OpenAI今年9月也启动了“OpenAIforScience”部门，想打造能加速科学发现的“下一代科研工具”。

这也能看出来，AIforScience已经成了行业趋势，不光创业公司在做，科技巨头也开始下场。

PeriodicLabs现在走的路，相当于在前面探路，不管最后新型超导材料能不能研发成功，他们这套“AI+实验”的模式，已经给行业提供了一个落地的样本。

毫无疑问，PeriodicLabs现在已经是“AIforScience”赛道里的标志性项目了。

它的出现，不仅让更多人看到了AI在科研领域的潜力，也吸引了更多人才和资本关注这个赛道。

以后要是有更多公司能像他们这样，把AI真正落地到科研实践里，说不定科研的速度会越来越快，更多新发现、新技术也会早点出来。

毕竟搞科研不能只靠想，得真动手做，AI要是能帮着把动手的效率提上去，对整个科学领域来说，都是件好事。

来源：曦言说一点号