# Periodic Labs: Как выходцы из OpenAI и DeepMind обучают ИИ-физиков в автоматизированных лабораториях

Источник: https://www.youtube.com/watch?v=HsDx8pjvnco
Канал: The Cognitive Revolution
Опубликовано: 02.10.2025

---

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
[[JUMP:04:46]]

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 [05:12]. 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 [00:13]. В проект уже инвестировано $300 млн в рамках посевного раунда под руководством фонда a16z [00:25].

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 [01:05]. 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) [01:18].

## 📉 Почему современные LLM «буксуют» в науке
[[JUMP: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 [14:27].

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 [15:45].
*   **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 [16:00].
*   **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 [26:54].

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 [25:47].

## 🏗️ Лаборатория как «функция вознаграждения»
[[JUMP:08:46]]

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 [09:00].

Ключевые технические аспекты лабораторного комплекса:

1.  **Порошковый синтез (Powder Synthesis):** Это один из базовых методов создания новых материалов, где порошки исходных веществ смешиваются и нагреваются в печах [13:24].
2.  **Роботизация:** Процесс синтеза легко автоматизируется. Экин Догуш Чубук сравнивает сложность таких манипуляций с роботами-бариста в аэропортах [13:37].
3.  **Автономная характеризация:** После синтеза система должна самостоятельно измерить свойства полученного вещества (магнетизм, проводимость, прочность) [30:07].

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 [09:14].

## 💎 Сверхпроводимость как «Полярная звезда»
[[JUMP:28:48]]

В качестве главной стратегической цели (North Star) стартап выбрал поиск высокотемпературных сверхпроводников [01:45]. 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 [04:32].
*   **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 [31:00].
*   **Объединяющий фактор:** Эта тема одинаково вдохновляет как опытных физиков с 40-летним стажем, так и молодых ML-инженеров [31:38].

Достижение этой цели потребует решения множества подзадач: от автоматизации чтения научной литературы до управления сложным лабораторным оборудованием через интерфейсы агентов [30:07].

## 💼 Коммерциализация: «Интеллектуальный слой» для промышленности
[[JUMP:36:16]]

Periodic Labs не планирует оставаться чисто исследовательским проектом. Лиам Федус подчеркивает, что успех науки и капитала взаимосвязан [37:09]. 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 [37:42].
*   **Полупроводники:** Разработка новых структур и слоев для микроэлектроники [37:42].
*   **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) [48:11].

Лиам Федус утверждает, что это позволит моделям обладать более глубоким, «интуитивным» пониманием физики процесса, а не просто копировать ответы из базы данных [47:58].

## 🧬 Культура «без глупых вопросов» и связь с наукой
[[JUMP:40:28]]

Команда Periodic Labs на текущий момент насчитывает около 30 человек [44:17]. Около половины — специалисты по ML, остальные — физики и химики [37:36]. Для синхронизации таких разных областей в компании внедрена уникальная культура:

1.  **Еженедельное обучение:** Исследователи ML обучают физиков принципам работы RL-циклов, а физики читают лекции по квантовой механике и истории науки [39:09].
2.  **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 [41:45].
3.  **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 [57:35].

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 [59:46].