Periodic Labs

155 · 讓 AI 接上原子世界

29:26YouTube 上架 2026-04-03Liam Fedus（Periodic Labs）

AI for Atoms: How Periodic Labs is Revolutionizing Materials Engineering with Co-Founder Liam Fedus

Liam Fedus 從物理、Google Brain、ChatGPT 一路走到 Periodic Labs，說明為什麼 AI 要接上實驗與物理世界，以及資料、架構、資本和自我改進怎麼看。

155 講了什麼

• 為什麼是原子Liam 認為科學不能只靠想，要做實驗、從中學習；2022 年的模型還太弱，推理、test time inference、可靠的工具使用與 coding agents 出現後，才有條件把系統接到物理世界。
• 資料靠實驗接地既有模型提供先備知識，但文獻裡同一個材料性質的回報值可以跨好幾個數量級。實驗資料給了地面真相，而且是反覆檢查、再決定下一輪實驗的閉環。
• 語言模型當調度層Periodic 用語言模型指揮實驗、整理文獻與資料，另外訓練針對原子系統設計、具對稱性意識的 neural nets，當工具也當 reward function。
• 先當軟體，再看發現Periodic 先把自己當第一個客戶，對外想成企業的智慧層與實驗的控制平面；Liam 也說某些突破的價值很高，之後可能更像 biotech 的發現模式。
• 成本主要是算力Liam 說資本主要花在算力，實體設施的花費有時反而比較低，但建置時間長、系統要調得準也不容易。
• 自我改進有領域限制Liam 認為軟體工程的自我改進現在就在發生，因為驗證便宜；AI 研究的外圈較慢，科學與工程則要靠接上物理世界的閉環。

從哪一段開始看16 段

1. 00:05開場與來賓介紹主持人介紹 Liam Fedus：ChatGPT 的共同打造者之一、前 OpenAI post-training 副總；Liam 創辦的 Periodic Labs 要替原子世界打造 AI foundation lab。
2. 01:08物理背景與物理學家Liam 大學主修物理、做過暗物質研究；談為什麼這麼多物理背景的人進了 AI。
3. 02:38從 Google Brain 出發研究所時一直被機器學習問題吸引，2016、2017 年進 Google Brain，做架構與 sparsity，看著分散式訓練、mixture of experts、transformer 出現。
4. 04:11OpenAI 與 ChatGPT2022 年底轉到 OpenAI，當時的目標是把 GPT-4 做成產品；John Schulman 主張走通用的 chatbot。
5. 05:13為什麼回到原子科學不能只靠坐著想，要做實驗；2022 年的模型太弱，推理、test time inference、可靠的工具使用與 coding agents 是後來才補上的條件。
6. 06:31資料從哪裡來靠既有模型帶來的先備知識，加上模擬與實驗；Periodic 不花力氣改進 coding 模型，只集中在現有前沿不夠好的地方。
7. 08:52實驗資料與閉環文獻抽出的材料性質值跨好幾個數量級，實驗資料才能當地面真相，重點是不斷回頭驅動下一輪實驗的閉環。
8. 09:54跨領域的泛化主持人拿 AlphaFold 比較；Liam 說資料充足的領域進步最快，受量子力學支配的系統有泛化，但對流體力學幫助不大。
9. 11:43語言模型當調度層語言模型負責調度與指揮實驗，另有針對原子系統設計的 neural nets 當工具與 reward function。
10. 13:00先賣給誰、怎麼賣先把 Periodic 自己當第一個客戶，對外定位成這些公司的智慧層，一開始當軟體業務來想，之後可能走接近 biotech 的發現模式。
11. 15:04The Diamond Age 與十年後主持人用小說 The Diamond Age 提問十年後的世界；Liam 談從寫文章、寫軟體走向生成物質，以及半導體、航太、能源。
12. 17:53跨領域團隊與 scaling物理學家、化學家、AI 研究者與工程師一起做；Liam 把早期 Google Brain 的小團隊對比今天靠 scaling laws 的工業化，並認為物理科學也會有類似性質。
13. 19:55資本與科學家待遇需要更多資金，主要成本是算力而不是實體設備；主持人感嘆學術界科學家的薪資相對於社會價值偏低。
14. 21:45AGI 與遞迴自我改進Liam 認為智慧不是單一純量，系統有奇怪的不平整；軟體工程的自我改進已經發生，AI 研究的外圈較慢，科學與工程則需要接上物理世界的閉環。
15. 25:41機器人與自動化不需要靈巧的人形機器人也能做，但會是很大的加速器；目前用的是現成、簡單的機器人，主持人分享自己做過液體處理機器人的經驗。
16. 28:05最期待的 AI 發展Liam 最期待 AI 與物理世界的介面，尤其是機器人帶來的對物理世界的控制。

值得記的話5 句

• Science ultimately isn't sitting in a room thinking really hard.科學終究不是坐在房間裡拚命想05:28

• Periodic spends zero effort on improving coding models.Periodic 不花力氣改進 coding 模型07:50

• it's not just a pool of data. It's this very active loop.重點不只是一池資料，而是一個很活躍的迴圈09:39

• just because atoms are hard doesn't mean there's not an order of magnitude or two to speed up.原子很難不代表沒有一兩個數量級的加速空間16:52

• I think one fallacy is thinking about intelligence as a scalar.我覺得有一種謬誤，是把智慧當成單一純量22:01

名詞與人物8 個

Periodic Labs

Liam 創辦的公司，目標是替原子世界打造 AI foundation lab，用 AI 影響材料科學、化學等物理領域

Liam Fedus

來賓；曾任 OpenAI post-training 副總，更早在 Google Brain

John Schulman

Liam 說當時在 OpenAI 主張「保持通用、做 chatbot」的人

orchestration layer

Liam 對語言模型在 Periodic 角色的說法：調度專門模型、實驗與資料的上層

closed loop

實驗資料、模擬與文獻互相核對，再驅動下一輪實驗的迴圈

spikiness

Liam 形容 AI 系統能力不平整：某個領域世界級，題目稍微改動就大幅退步

AlphaFold

主持人拿來比較的蛋白質結構模型，建立在數十年累積的結構資料上

The Diamond Age

主持人提到的小說，Liam 被問到十年後世界時的引子

提到但沒有展開

• 主持人問為什麼這麼多物理學家進了 AI；Liam 說高能物理在發現 Higgs 之後，卡在下一代實驗裝置，很多人看了自己的技能，覺得在別處能有更大貢獻。
• Liam 說 Periodic 借用開源模型訓練時用到的數十兆 token 當先備知識，所以進到特定化學空間時，樣本效率很高。
• 主持人說自己待過的公司曾自建液體處理機器人，要加相機、用 ML 監控並 3D 列印零件減震，作為高通量實驗需要可靠機器人的例子。

在 YouTube 看原片 ↗