2025年,一家名为Periodic Labs的初创公司公布了令人瞩目的3亿美元种子轮融资,投资方囊括Andreessen Horowitz、DST、Nvidia、Accel,甚至包括科技领袖Jeff Dean、Eric Schmidt与Jeff Bezos。如此巨额的种子资金在科技史上并不常见,其背后不仅反映了资本市场对AI驱动科研的热切期待,也映照出研究者背景与项目愿景在吸引战略性投资时的强大号召力。Periodic Labs由Ekin Dogus Cubuk与Liam Fedus联合创立,二人分别来自DeepMind与OpenAI,曾主导材料科学与大型神经网络等关键项目。创始团队的履历与科技巨头的支持,使这家公司一经亮相便引发广泛关注。 Periodic Labs的目标宏大:打造可自治运行的"AI科学家",并配备能够自动执行物理实验的机器人化实验室,形成从设计、实验到数据反馈的闭环系统。其首要研发方向是新型超导体,期望在性能与能耗之间实现更优平衡。
相比于以往依赖文献与互联网数据训练的模型,Periodic Labs强调通过真实物理实验产生的新鲜数据来喂养模型,从而突破现有数据源"穷尽性"的瓶颈。创始人提到,过去的科学AI多数从互联网上的文本或数据库中学习,而现实世界实验所产生的高价值数据,正是下一代AI模型所需的关键燃料。 从技术路线看,Periodic Labs的核心由三个部分构成:机器学习模型、自动化实验平台与数据管理体系。机器学习部分延续了创始团队在大型模型训练与材料信息学上的研究积累,例如Cubuk在DeepMind/Google Brain期间参与的GNoME项目,其曾在短时间内预测出数百万种新晶体结构;Fedus则在OpenAI参与过超大规模参数模型的构建。将这些算法能力与自动化硬件结合,Periodic Labs希望实现"设计 - 实验 - 学习"循环的自动化加速。自动化实验平台则涉及机器人操作、精密温控、化学试剂配比与多模态传感器等硬件集成,目标是让机器人在可控的环境中安全、可重复地执行合成、加热、测量等实验步骤。
数据管理体系则需要解决数据标准化、元数据记录、实验可复现性与数据共享等问题,确保每一次实验的条件与结果被详尽记录并能被后续模型有效利用。 为何选择超导体作为首要目标?超导体在能源、交通、量子计算等领域具有重要应用,提升临界温度或降低制备能耗可带来颠覆性商业价值。传统材料发现通常依赖理论计算与人工实验验证,周期长、成本高且往往依赖领域专家的经验。Periodic Labs试图通过自动化并行实验结合AI预测,显著缩短从候选材料到性能验证的时间。这种方法若成功,不仅能催生具备商业价值的新材料,也将形成一套可复用的平台用于电池材料、催化剂与半导体等其他高价值材料的发现。 资金规模与投资者阵容本身也传递重要信号。
3亿美元的种子轮在数量级上接近甚至超出许多公司A轮甚至B轮的融资规模,表明投资者对Periodic Labs在软硬件结合、数据资产以及团队能力上的高度信任。Nvidia的参与尤其值得关注:材料发现的过程高度依赖大规模计算与GPU加速,Nvidia可提供训练大型模型与模拟所需的硬件支持。顶级风投与个人投资者的联合出现,也意味着市场预期该领域在未来可能形成长期且规模化的营收模式,例如通过授权材料配方、提供自动化研发服务或出售高价值实验数据集。 然而,数亿美元的投入并不意味着成功可期。自动化科学的路径在技术与实践层面都存在多重挑战。首先,物理实验的复杂性与不可控因素远高于纯软件问题。
试剂的微量杂质、环境温湿度波动、设备微小误差都可能导致实验结果不可复现。要让AI科学家在这种环境下高效学习并提出可靠结论,需要极高的实验标准化水平与鲁棒的传感器系统。其次,物理实验具有安全风险与合规要求,尤其是在处理高能材料或有毒化合物时,需要严格的安全防护与监管审批流程。Periodic Labs若要扩展研究领域,需要投入大量工程资源以确保实验环境符合法律与伦理标准。 数据问题亦是核心挑战之一。Periodic Labs的战略之一是通过其自动化实验室产生大量高质量物理世界数据,并将这些数据作为训练下一代模型的基础。
这就提出了数据规范、治理与开放性的问题。若公司将数据私有化并作为竞争壁垒,可能加速其商业化路径但同时限制学术界与产业界的协同创新。若选择开放数据以促进广泛研究合作,则需要平衡知识产权与商业回报。另一个层面的问题是数据的多样性与可重复性,单一平台产生的数据可能存在偏差,模型在跨实验室或跨设备环境下的泛化能力需通过严格验证来确保。 产业层面,Periodic Labs并非孤军奋战。AI辅助化学与材料发现近年来成为研究热点,涌现出众多初创公司、学术团队与大型企业项目。
像Tetsuwan Scientific、托管式科研机构以及各大学术联盟都在探索人工智能与自动化实验的结合。传统制药与材料公司也在积极部署类似技术以提高研发效率。Periodic Labs的竞争优势在于创始团队的声誉、巨额早期资金与硬件整合能力,但市场竞争激烈且资本密集,早期的速度与成果将决定能否建立持久的领先地位。 从伦理与监管角度看,自动化科学的发展同样带来新的议题。自动化实验室在提升效率的同时,也可能放大不当使用的风险。虽然当前Periodic Labs聚焦于材料科学而非生物实验,但随着平台能力的扩展,潜在用于化学合成或生命科学的能力需要被严格约束与审查。
政策制定者、学术界与企业需要共同制定行业标准,以确保技术发展不会带来安全与社会风险。透明性在此尤为重要:实验方法、数据处理流程与模型训练细节应在满足安全与知识产权前提下尽可能公开,以便外界评估与监督。 在商业化路径方面,Periodic Labs有多种可能的收入模式。其可以将平台作为服务提供给传统企业,帮助加速新材料的筛选与验证;也可以通过授权发现的材料专利、出售材料配方或与产业链合作伙伴共同开发应用产品来获取收益。另一个长期价值来源是由实验生成的高质量物理数据集,这类数据在训练科学AI模型时极其宝贵,Periodic Labs若能建立独特且不可替代的数据资产,将具备极强的市场议价能力。 对学术与科研生态的影响同样值得关注。
若Periodic Labs及类似公司能够稳定输出高质量材料发现结果,学术界可能获得新的研究方向与验证工具,加速理论与实验的互促。然而,若这些能力被少数资本支持的企业垄断,可能对开放科学传统形成冲击。因此,如何在商业利益与科研共享之间找到平衡,是未来几年行业健康发展的关键问题之一。 从长期视角看,Periodic Labs代表的不仅是一个公司或一次融资,而是科研范式的潜在转变。过去几个世纪,科学进步多依赖于人工观察、试验与理论推导。如今,随着机器人、传感器和机器学习的发展,越来越多的探索工作可以被自动化并扩展到人类无法触及的规模。
若闭环自动化科学体系逐步成熟,研究周期将被压缩,创新点也许会以指数级速度出现。这对产业创新、教育体系与劳动力结构都会产生深远影响。科研人员的角色可能从重复的实验执行转向更高层次的实验设计、模型解释与伦理监管。 投资者与行业观察者需关注若干关键指标以判断Periodic Labs进展的真实情况。首先是成果产出速度与质量,包括新材料的性能指标、可重复实验的比率与同行评审认可度。其次是平台的自动化能力与扩展性,例如能否支持多种实验类型、并行实验规模与设备稳定性。
再者是数据管理与商业模式的清晰度,尤其是数据的可获得性、版权安排与潜在收入来源。最后是合规与安全框架是否健全,涉及实验安全、环境影响评估与法规遵守。 总而言之,Periodic Labs以3亿美元种子轮开启了一场关于AI科学家与实验室自动化的大胆尝试。其创始团队的背景、投资者阵容以及明确的目标方向,使得这一项目被寄予厚望。成功的话,这不仅可能带来新型超导体等高影响力材料,更可能催生一套新的科研生产力工具链,重塑材料科学乃至更广泛科学领域的研究范式。但路途充满挑战,技术工程、数据治理、合规与伦理问题都需被认真对待。
未来数年内,Periodic Labs的进展将成为衡量"AI能否真正进入并改造物理实验领域"的重要风向标。无论结局如何,这次融资与尝试都将推动社会对自动化科学的讨论,并可能在科研、产业与政策层面产生长期影响。 。
