Слияние передовых языковых моделей и физических экспериментов открывает новую главу в истории научно-технического прогресса. Стартап Periodic Labs, основанный выходцами из OpenAI и Google DeepMind, ставит перед собой амбициозную цель: создать «ИИ-физика», способного не только рассуждать о законах природы, но и самостоятельно проводить эксперименты для открытия материалов будущего.
🧪 Рождение Periodic Labs: от нейросетей к физическому миру 4:46
История компании началась восемь лет назад в спортзале Google Brain, где Лиам Федус (Liam Fedus) и Экин Догуш Чубук (Ekin Dogus Cubuk) познакомились, пытаясь совместными усилиями перевернуть гигантскую покрышку . Этот эпизод стал метафорой их дальнейшего сотрудничества: объединение усилий эксперта по большим языковым моделям (LLM) и специалиста в области материаловедения для решения задач, непосильных в одиночку.
Лиам Федус, ранее занимавший пост вице-президента по исследованиям в OpenAI и бывший одним из создателей ChatGPT, и Экин Догуш Чубук, возглавлявший направление квантовой химии и материаловедения в Google DeepMind (проект GNoME), объединились для создания Periodic Labs . В проект уже инвестировано $300 млн в рамках посевного раунда под руководством фонда a16z .
Основная идея проекта заключается в том, что современным ИИ-моделям не хватает связи с физической реальностью. Несмотря на успехи LLM в программировании и математике, их прогресс в естественных науках ограничен качеством и объемом существующих данных . Periodic Labs стремится преодолеть этот барьер, создав автоматизированные лаборатории, где ИИ-агенты смогут проверять свои гипотезы напрямую, используя законы природы как сигнал для обучения с подкреплением (Reinforcement Learning) .
📉 Почему современные LLM «буксуют» в науке 14:14
Несмотря на мощь современных моделей, они все еще не способны совершать прорывные научные открытия в автономном режиме. По мнению Экина Догуша Чубука, наука по своей сути итеративна: даже самые гениальные люди редко делают открытия с первой попытки без возможности практической проверки .
Спикеры выделяют три критических проблемы текущего подхода к обучению ИИ в науке:
- Шум в данных: В научной литературе данные часто противоречивы. Например, значения одного и того же физического свойства одного материала могут различаться на несколько порядков в разных статьях .
- Отсутствие «отрицательных результатов»: Ученые редко публикуют данные о неудавшихся экспериментах. Однако для ИИ-модели знание о том, что не работает, является столь же ценным обучающим сигналом, как и успешный кейс .
- Проблема экстраполяции (Domain Shift): Лиам Федус утверждает, что согласно законам масштабирования (scaling laws), производительность моделей растет предсказуемо внутри обучающего распределения, но для принципиально новых задач (out-of-domain) наклон кривой прогресса может быть слишком пологим .
По мнению Федуса, модель, обученная на текстах интернета, может стать отличным помощником-кодером, но она никогда не «изобретет» лекарство от рака сама по себе, так как в ее обучающей выборке просто нет необходимых фундаментальных данных и опыта итераций с биологической средой .
🏗️ Лаборатория как «функция вознаграждения» 8:46
Центральный механизм Periodic Labs — это создание физически обоснованной функции вознаграждения (reward function). В цифровом мире ИИ оптимизируется под математические задачи или предпочтения человека. В Periodic Labs «судьей» выступает сама природа .
Ключевые технические аспекты лабораторного комплекса:
- Порошковый синтез (Powder Synthesis): Это один из базовых методов создания новых материалов, где порошки исходных веществ смешиваются и нагреваются в печах .
- Роботизация: Процесс синтеза легко автоматизируется. Экин Догуш Чубук сравнивает сложность таких манипуляций с роботами-бариста в аэропортах .
- Автономная характеризация: После синтеза система должна самостоятельно измерить свойства полученного вещества (магнетизм, проводимость, прочность) .
Лиам Федус отмечает, что такой подход превращает научный поиск в среду RL, аналогичную играм или программированию, но с выходом в физический мир. Если симулятор ошибается в предсказании свойств материала, реальный эксперимент мгновенно корректирует модель .
💎 Сверхпроводимость как «Полярная звезда» 28:48
В качестве главной стратегической цели (North Star) стартап выбрал поиск высокотемпературных сверхпроводников . Спикеры считают это идеальной задачей по нескольким причинам:
- Фундаментальная ценность: Обнаружение сверхпроводника, работающего при температуре 200 Кельвинов (около -73°C) и обычном давлении, стало бы колоссальным апдейтом для физики .
- Техническое преимущество: Температура перехода в сверхпроводящее состояние — это фазовый переход. По словам Экина Догуша Чубука, это свойство более «устойчиво» к дефектам структуры материала, чем многие другие механические характеристики, что делает его более подходящим объектом для моделирования на текущем этапе развития технологий .
- Объединяющий фактор: Эта тема одинаково вдохновляет как опытных физиков с 40-летним стажем, так и молодых ML-инженеров .
Достижение этой цели потребует решения множества подзадач: от автоматизации чтения научной литературы до управления сложным лабораторным оборудованием через интерфейсы агентов .
💼 Коммерциализация: «Интеллектуальный слой» для промышленности 36:16
Periodic Labs не планирует оставаться чисто исследовательским проектом. Лиам Федус подчеркивает, что успех науки и капитала взаимосвязан . Стратегия компании подразумевает создание «интеллектуального слоя» для компаний в сфере передового производства (advanced manufacturing).
Основные направления коммерческого применения:
- Аэрокосмическая отрасль и оборона: Оптимизация свойств материалов для экстремальных условий .
- Полупроводники: Разработка новых структур и слоев для микроэлектроники .
- Замена RAG на Mid-training: Вместо простой вставки документов в контекстное окно (RAG), стартап предлагает внедрять специфические знания (чертежи, результаты симуляций, проприетарные данные) напрямую в веса модели через процесс «дообучения в середине пути» (mid-training) .
Лиам Федус утверждает, что это позволит моделям обладать более глубоким, «интуитивным» пониманием физики процесса, а не просто копировать ответы из базы данных .
🧬 Культура «без глупых вопросов» и связь с наукой 40:28
Команда Periodic Labs на текущий момент насчитывает около 30 человек . Около половины — специалисты по ML, остальные — физики и химики . Для синхронизации таких разных областей в компании внедрена уникальная культура:
- Еженедельное обучение: Исследователи ML обучают физиков принципам работы RL-циклов, а физики читают лекции по квантовой механике и истории науки .
- Отсутствие жестких требований к дипломам: Для компании важнее любопытство и миссия, чем наличие ученой степени. Лиам Федус шутит, что объем того, чего не знает даже лучший физик о мире, гораздо больше того, что он знает, поэтому все находятся в равных условиях процесса обучения .
- Академическое партнерство: Стартап запускает грантовую программу для университетов и создает консультативный совет, в который вошли такие ученые, как Стив Кивельсон (Steve Kivelson) и ZX Shen из Стэнфорда .
Экин Догуш Чубук подчеркивает важность «чувства срочности» (sense of urgency). Цель стартапа — не просто продвинуть науку за десятилетия, а достичь результатов в кратчайшие сроки, используя возможности ИИ для радикального ускорения циклов R&D .
