知识卡片：ChatGPT共同创造者Fedus：AI科学家须进实验室验证

一句话结论

ChatGPT共同创造者Liam Fedus认为，要造出真正的“AI科学家”，AI不能只停留在文本与数据中，而必须进入实体实验室、参与真实的科学实验；他创办的Periodic Labs正以材料发现为切入口，把语言模型推理、计算物理模拟与高通量实验结合，目标是新型超导体等方向。

事件概述或研究问题

• 2022年加入OpenAI、参与创造ChatGPT并后执掌后训练团队的Liam Fedus，在播客对谈中提出上述观点。
• 他创立的Periodic Labs于2025年获3亿美元种子轮，并在门洛帕克（Menlo Park）建立实验室。
• 核心问题：如何让AI真正具备“做科学”的能力，而不仅是生成文本或解题。

方法/产品要点

• 训练观察：Fedus认为ChatGPT依赖更强的预训练基座与RLHF（基于人类反馈的强化学习）；但通过偏好训练得到的奖励模型，对“正确性”并不敏感。
• 编程突破路径：编程能力的突破靠“测试时计算（test-time compute）加可验证奖励（verifiable rewards）”。
• 材料领域难点：网上材料数据噪声大、常缺细节，且几乎没有负面结果（失败实验数据）。
• Periodic路线：把语言模型推理、计算物理模拟与高通量实验室三者结合；从材料发现切入，新型超导体是重要目标。

主要结果或产业意义

• Fedus预计其实验室规模将“轻松达到几十个”。
• 他判断商业化的核聚变“未来七年左右似乎非常有可能”。
• 产业意义：这是“AI for Science”从纯计算/纯文本走向“AI+实体实验室闭环”的一个代表性案例，把模型推理与真实实验验证绑定。

为什么重要

• 与以往只强调模型规模或数据的路径不同，这条路线强调AI必须接触真实物理世界、接受实验检验，才能被称为“AI科学家”。
• 对材料、超导、核聚变等长周期、高成本领域，若能以高通量实验+AI推理加速迭代，可能改变研发范式。
• 与既有“AI进实验室”的脉络（如AI公司引入哲学家、开源科学大模型等）相比，本条聚焦的是AI自己做科学、进实验台验证这一增量方向。

局限与不确定性

• 播客对谈中的表述多为Fedus个人判断，缺乏独立验证。
• Periodic Labs的具体技术细节、实验进展、可复现结果尚未在材料中体现。
• 核聚变“七年左右商业化”为个人预测，待核实。
• 材料领域“几乎没有负面结果”是Fedus的观察，是否有系统性数据支撑，待核实。

可用于图书/PPT/简报的角度

• “AI科学家”的定义之争：是解题工具，还是实验参与者？
• AI + 高通量实验室：材料发现与超导研发的新范式。
• 奖励模型对“正确性”不敏感：RLHF局限性的一个一线视角。
• 从编程到材料：可验证奖励在不同领域的适用边界。
• 资本与人才动向：3亿美元种子轮投向“AI+实体实验室”的信号意义。

与既有脉络的关系

• 本条延续了“AI进入实验室”的产业脉络，但增量在于：不是把哲学家请进AI公司，而是把AI送进实验室做科学；不是开源科学大模型，而是自建实体实验室闭环。

原始材料

• 标题：腾讯研究院AI速递 20261012
• 链接：https://m.sohu.com/a/1086432362_455313
• 关键词：Liam Fedus、Periodic Labs、AI科学家、材料发现、超导体、RLHF、可验证奖励、高通量实验室