Лиам Федус, один из создателей ChatGPT, и Догуш Чубук, руководивший физическими проектами в Google DeepMind, покинули свои посты в ведущих ИИ-лабораториях мира, чтобы основать Periodic Labs. Их цель — создать «ИИ-физика», способного не просто предсказывать текст, но и проектировать материальный мир, совершая открытия в области сверхпроводимости и квантовых эффектов.
🏗️ От переворачивания шин до создания ИИ-физика 1:00
История Periodic Labs началась восемь лет назад в тренажёрном зале Google Brain, где Лиам Федус и Догуш Чубук познакомились, пытаясь совместными усилиями перевернуть огромную покрышку, с которой нельзя было справиться в одиночку . Это случайное знакомство переросло в многолетнее обсуждение квантовой механики и материаловедения. Несмотря на то, что Федус был сосредоточен на больших языковых моделях (LLM), а Чубук — на физических симуляциях, они оба заметили, как нейросети начинают трансформировать научный поиск.
По словам Чубука, поворотным моментом стало осознание того, что LLM могут быть «гражданами первого класса» в физических исследованиях, помогая не только писать код для симуляций, но и восполнять пробелы в знаниях по химии и физике . Со временем у основателей сформировалось убеждение: следующей вехой развития технологий станет переход от чат-ботов к ИИ-системам, способным ускорять физические НИОКР (R&D) . Для этого и была создана Periodic Labs — исследовательская лаборатория нового типа, где ИИ-модели тесно интегрированы с реальными экспериментами.
🧪 Реальный мир как функция вознаграждения 4:00
Ключевой тезис основателей Periodic Labs заключается в том, что современные ИИ-модели ограничены «цифровым миром». Обучение ChatGPT и аналогичных систем опиралось на метод обучения с подкреплением на основе предпочтений человека (RLHF), где наградой служила оценка пользователя . Это позволило моделям стать вежливыми помощниками, но не сделало их точными в научном смысле. Даже продвинутые математические и кодинговые модели ограничены тем, что их проверяют по заранее известным ответам или тестам.
Periodic Labs предлагает принципиально иной подход:
- Природа как среда обучения: Вместо человеческих оценок используется физический эксперимент. Nature (Природа) становится средой обучения с подкреплением (RL environment) .
- Замкнутый цикл (Experiment-in-the-loop): Модель предлагает гипотезу или состав нового материала, роботы в лаборатории синтезируют его, и результат измерения возвращается в модель как сигнал для обучения .
- Исправление симуляторов: Основатели отмечают, что физические симуляторы часто имеют дефекты; реальный эксперимент позволяет корректировать эти ошибки в режиме реального времени .
По мнению Федуса, наука по своей природе итеративна, и именно возможность действовать и получать обратную связь от реальности отделяет «умного чат-бота» от настоящего «ИИ-учёного» .
⚛️ Квантовая лаборатория и роботы-бариста 8:42
Первым направлением работы Periodic Labs стала физика твердого тела и материаловедение на квантовом уровне . Выбор пал на синтез порошковых материалов — метод, при котором различные компоненты смешиваются и нагреваются в печах для создания новых соединений. Чубук сравнивает этот процесс с работой робота-бариста в аэропорту: современные технологии автоматизации позволяют дешево и эффективно смешивать порошки и управлять печами с помощью ИИ .
Этот метод открывает путь к поиску новых:
- Сверхпроводников.
- Магнитов.
- Материалов с заданными механическими свойствами (прочность, вязкость).
Основатели утверждают, что существующие ИИ-модели не способны на научные открытия, так как в литературе почти не публикуются «отрицательные результаты» — данные о неудачных экспериментах . Лаборатория Periodic Labs будет генерировать такие данные самостоятельно, создавая фундамент для обучения моделей пониманию квантовых процессов.
📈 Почему масштабирования интернета недостаточно 17:38
Один из главных вопросов дискуссии — почему существующие гиганты вроде OpenAI или Google DeepMind не могут просто «дообучить» свои модели физике. Лиам Федус объясняет это проблемой «распределения данных». Хотя законы масштабирования (scaling laws) продолжают работать, они работают в пределах того распределения, на котором обучалась модель (например, тексты из интернета) .
Федус приводит аналогию: даже если модель станет идеальным программистом, она не сможет вылечить рак, так как необходимые знания и опыт итеративного взаимодействия с биологической средой просто отсутствуют в её обучающей выборке . Чубук дополняет, что «шум» в существующих научных данных из литературы настолько высок, что обучение на них не дает предсказательной силы . Чтобы совершить прорыв, нужно максимально приблизить обучающую выборку к целевой задаче через собственные эксперименты.
🧊 Сверхпроводимость: «Северная звезда» проекта 23:06
Главной технической и философской целью Periodic Labs на текущем этапе является поиск высокотемпературных сверхпроводников (например, работающих при 200 К и выше) . Основатели выбрали эту цель по нескольким причинам:
- Верифицируемость: Результат легко измерить — материал либо является сверхпроводником при данной температуре, либо нет .
- Устойчивость к дефектам: Сверхпроводимость — это фазовый переход, который в меньшей степени зависит от микроструктурных дефектов, чем другие свойства материалов, что облегчает начальное моделирование .
- Фундаментальное значение: По словам Чубука, открытие высокотемпературного сверхпроводника изменит представление человечества о Вселенной даже до того, как появится первый коммерческий продукт на его основе .
💼 Коммерческая стратегия: От битов к атомам 27:40
Periodic Labs позиционируется как стартап, чьи технологии найдут применение в критически важных отраслях: космосе, обороне, полупроводниках и передовом производстве . Основатели планируют стать «интеллектуальным слоем» для R&D-команд в этих индустриях.
Их коммерческий тезис включает:
- Переход от поиска к обучению: Вместо простых систем поиска по документам (RAG), Periodic Labs предлагает «mid-training» — дообучение моделей на специфических данных заказчика (симуляции, экспериментальные отчеты), чтобы знания «зашивались» в веса нейросети , .
- Автоматизация симуляций: Многие компании тратят месяцы на обучение сотрудников работе со сложным софтом для моделирования. ИИ-агенты смогут автоматизировать эти процессы .
- Сохранение экспертизы: Компании теряют знания при уходе опытных инженеров; ИИ-модель, обученная на внутренних данных, позволяет сохранить и дистиллировать этот опыт .
👥 Культура и команда: Фрактальная экспертиза 30:51
На данный момент в команде Periodic Labs около 30 человек . Она разделена примерно поровну между специалистами по машинному обучению и учеными-физиками/химиками . Основатели описывают экспертизу в компании как «фрактальную»: каждый отдел (ML, эксперименты, симуляции) состоит из узких специалистов в таких областях, как квантовая химия, автоматизация лабораторий или инфраструктура RL .
Внутри компании принята культура «отсутствия глупых вопросов», где эксперты по ИИ учат физиков принципам работы циклов обучения, а физики объясняют ML-инженерам концепции симметрии в природе . Федус подчеркивает, что для работы в Periodic Labs не обязательно иметь ученую степень по физике — важнее «одержимость миссией» и готовность учиться, так как объем непознанного в физике огромен даже для профессоров , .
🏛️ Связь с научным сообществом 48:33
Несмотря на статус частной компании, Periodic Labs активно сотрудничает с академической средой.
- Консультативный совет: В него вошли выдающиеся ученые, включая специалистов из Стэнфорда (ZX Chan, Steve Kivelson) и Северо-Западного университета (Mercouri Kanatzidis) .
- Грантовая программа: Компания запускает программу поддержки академических исследований в области ИИ-агентов для науки и поиска материалов .
Лиам и Догуш призывают кандидатов с «чувством срочности» присоединяться к ним, утверждая, что они не хотят ждать 10 лет, пока ИИ начнет менять науку — этот процесс должен ускориться немедленно .
