The Future of AI Science: Autonomous Labs, Matter Compilers, and Superconductors — Periodic Labs

Periodic 团队用 AI 和自动化实验室，每天让机器人和模型协作，探索新材料，目标是找到如室温超导体这样的“物理界圣杯”。

AI 能写代码、画画，但能不能帮人类发现新材料、推动物理学前沿？Periodic 的创始团队把 LLM（大语言模型）、自动化实验室和高通量实验结合起来，试图让 AI 不只是“算”，而是真正“做实验”，在充满不确定性和噪声的物理世界里找到新规律。他们怎么做？AI 在实验科学里遇到的最大难题是什么？本期用具体例子讲透 AI 科学的边界和突破口。

AI 在实验科学里遇到的最大难题，是世界远比数据和代码复杂，很多关键环节必须靠真实实验来验证。

• Periodic 团队认为，AI 再聪明也只能在训练数据范围内推理，科学发现本质是“没见过的东西”，必须做实验才能突破。
• OpenAI、Google 这类大公司，实验资源有限，主要靠已有数据和模拟，Periodic 则自建实验室，机器人和人类科学家一起做高通量实验。
• 实验科学的最大不同是充满不确定性：比如同样的材料、同样的设备，结果可能因为仪器老化、环境变化等出现偏差，AI 必须学会像科学家一样处理噪声和不确定性。

Periodic 用机器人和 AI 结合，把实验流程拆成一环一环，让模型和硬件一起“摸着石头过河”。

• 实验流程分三步：1）AI 先推测哪些原子组合可能有新特性；2）机器人自动合成材料并测量；3）AI 再分析实验数据，判断是否有新发现。
• XRD（X 射线衍射）等仪器能快速给出材料结构的“指纹”，但很多时候数据不完整或有噪声，AI 要整合多种测量（比如电学、磁学、形貌）来判断材料性质。
• 每台仪器都装上“AI 大脑”：Periodic 给实验室里的每台设备都配上智能控制和数据分析系统，让它们能自动采集、分析并反馈结果，提升实验效率和数据质量。

材料科学的复杂度远超生物和纯软件，AI 想搞定它，得先解决几个“物理世界的死结”。

• 材料的结构是三维、超高维的，不像蛋白质那样能用一串字母表示，XRD 只能看到平均结构，很多细节丢失，AI 很难“还原真相”。
• 理论模拟（DFT 等）有巨大局限：比如 DFT 只能算理想晶体，现实材料有缺陷、杂质、微观结构，AI 必须结合实验和理论双管齐下。
• 科学发现需要“边做边学”：AI 必须能在实验中不断修正假设、处理异常和失败，这和写代码、做数学题完全不是一回事。

“AI 再聪明，也必须和真实世界的实验数据循环互动，才能推动科学发现。”

• 想用 AI 做科学创新，不能只靠数据和模拟，必须搭建自动化实验平台，让模型能“动手”做实验、实时修正假设。
• 设计 AI 科学系统时，要像带团队一样分工：有的模型负责提出新想法，有的模型和机器人负责执行和测量，有的专门做结果分析和反馈。