Periodic Labs：为什么更强的 AI 仍要亲手做实验

导读

科学发现要面对尚未知道答案的材料，模型只读论文或模拟计算，无法替代现实中的检验。Periodic Labs 的创始人希望把实验条件、仪器读数和失败过程记录下来，让 AI 根据证据提出下一步，再由实验反馈修正。团队把漫长的材料发现拆成稳定性预测、合成和表征等子任务；例如用 X 射线衍射识别样品中的晶相，再结合电学、形貌等信息处理单一测量的歧义。模拟可以筛选候选，但理想晶体计算难以覆盖真实材料的缺陷和加工条件，因此需要与实验来回校准。Periodic 还保存失败实验及研究者如何修改条件，让模型学习一整段探索，而非只看到论文里的成功结果。团队将人机混合视为现实选择，完全自治并非目标；把三万次材料尝试压到一个月是愿景，不是已经达到的产能。