В рамках курса CS153 Frontier Systems в Стэнфордском университете состоялась лекция сооснователей стартапа Periodic Labs — Лиама Феррисса (Liam Ferriss) и Дордже Чубака (Dorje Chubak). Лиам, стоявший у истоков команды post-training в OpenAI в период запуска ChatGPT, и Дордже, работавший над проектом Genome в DeepMind, объединили усилия, чтобы перенести мощь больших языковых моделей (LLM) из цифровой среды в мир реальных атомов. Их цель — создать автономные лаборатории, способные с помощью ИИ открывать новые материалы, включая высокотемпературные сверхпроводники, и тем самым ускорить прогресс цивилизации.
🧪 Рождение Periodic Labs: от кода к атомам 0:24
Лиам Феррисс и Дордже Чубак основали Periodic Labs примерно 11 месяцев назад (по состоянию на май 2026 года), объединив опыт работы в лидирующих ИИ-лабораториях мира . Изначально их стратегия строилась на типично «айтишном» подходе: провести первый год исключительно в симуляциях (in silico), разрабатывая дизайн материалов на компьютере, и только потом приступать к строительству физической инфраструктуры . Однако реальность внесла коррективы.
Лиам признался, что их «априорные установки» (priors) пришлось радикально обновить. Вместо того чтобы ждать год, они начали с создания малых, полуручных-полуавтономных лабораторий. Это позволило им немедленно замкнуть цикл обратной связи (feedback loop) и понять, какое именно оборудование нужно масштабировать . Дордже добавил, что результаты применения LLM к физическим объектам превзошли их самые смелые ожидания: автоматизированный интеллект оказался чрезвычайно эффективен не только в написании кода на Python, но и в управлении реальными атомами .
🏗️ Анатомия ИИ-лаборатории в Менло-Парке 3:11
Сегодня Periodic Labs — это объект площадью около 3 700 квадратных метров (40 000 кв. футов) в Менло-Парке . Структура компании отражает междисциплинарный подход:
- Команда: Половина сотрудников — эксперты по машинному обучению из OpenAI и DeepMind; вторая половина — физики и химики из Стэнфорда, Массачусетского технологического института и Калтеха .
- Процесс: Система ИИ под названием Onnes (в честь Хейке Камерлинг-Оннеса, открывшего сверхпроводимость) предсказывает структуру новых материалов. Роботы синтезируют эти материалы (например, в виде порошков), а специальные установки проверяют их свойства .
Дордже подчеркнул, что ИИ не просто делает «великие открытия», но и берет на себя рутинную научную работу: правильно смешивает порошки, отслеживает примеси и находит ошибки в маркировке образцов. По его словам, научный прогресс — это цепочка приземленных задач, идеально подходящих для автоматизации .
⚡ Сверхпроводники как главный полигон для испытаний 5:52
В качестве основного домена для проверки своих моделей (evals) команда выбрала сверхпроводники и полупроводники. Лиам объяснил это тем, что в науке часто приходится принимать решения в условиях неопределенности, в отличие от простых задач вроде «2+2=4» . Сверхпроводники — это материалы с нулевым электрическим сопротивлением.
По словам Дордже, огромная часть энергии в современных дата-центрах теряется в виде тепла из-за сопротивления материалов . Создание новых высокотемпературных сверхпроводников позволило бы:
- Сделать передачу энергии без потерь .
- Ускорить развитие термоядерного синтеза и квантовых компьютеров .
- Создать поезда на магнитной подушке (маглев) .
Лиам отметил, что история человечества — это история материалов (каменный, бронзовый, железный века). Сейчас мы находимся в «кремниевом веке», и следующий прорыв в авиации или энергетике упирается именно в материаловедение .
🧠 Технические вызовы: Активное обучение и Force Fields 16:50
Обсуждая техническую сторону, Дордже скептически отозвался о байесовской оптимизации в науке из-за проблем с обобщением моделей на неизвестные области Вселенной . Вместо этого Periodic Labs делает ставку на активное обучение (active learning). Это позволяет модели постепенно расширять границы своих знаний, проводя эксперименты именно в тех областях, где она наименее уверена в результате .
Ключевые технические тезисы:
- Force Fields (силовые поля): ИИ совершил революцию в аппроксимации квантовой механики, используя графовые нейронные сети для предсказания взаимодействий атомов .
- Эффективность выборки (Sample Efficiency): В отличие от цифровых моделей, где можно делать миллионы итераций (rollouts), в физическом мире эксперименты дороги и долги. Лиам считает повышение эффективности обучения на малых данных главным фронтиром RL (обучения с подкреплением) .
- Синтезируемость: Мало предсказать материал — нужно понять, как его «приготовить». Periodic Labs работает над созданием алгоритмов, которые делают химический синтез предсказуемым и осознанным процессом, а не методом проб и ошибок .
🚀 Будущее: исчезнут ли физики? 25:52
Отвечая на вопрос о тревоге студентов по поводу захвата рабочих мест ИИ, Дордже отметил, что LLM пока революционизировали лишь малую часть физики. «Если вас что-то интересует — используйте LLM как повод и идите улучшать эту область», — посоветовал он . По мнению Лиама, даже если «завтра» появится AGI (сильный ИИ), он не сможет открыть новые законы природы, просто читая учебники — ему все равно придется «касаться атомов» и проводить эксперименты .
Барьер для входа в область «ИИ + физический мир» сейчас удивительно низок, так как большинство исследователей сосредоточены на чисто теоретических задачах или кодинге. Основатели Periodic Labs уверены, что через несколько лет наступит «золотая эра», когда молодые ученые осознают масштаб возможностей ИИ в материальном мире .
