三亿美元的问题：人工智能真能自动化科学发现吗，抑或只是炒作周期？
引言: 在一次令人咋舌的财力展示中，Periodic Labs 带着高达3亿美元的巨额种子轮融资从秘密运营中浮出水面，其使命与其估值一样大胆：彻底自动化科学发现。尽管其创始人团队的背景毋庸置疑，但这一宏伟抱负却招致了理性的怀疑，人们对其实现的时间表以及用算法真正取代人类科学直觉的实际可行性都存有疑问。
核心提炼
- 创纪录的3亿美元种子轮融资，由史无前例的科技巨头阵容支持，标志着对“自主科学”在基础层面上的深刻信念。
- Periodic Labs 旨在将人工智能训练范式从“枯竭的”互联网数据，转变为由人工智能驱动的自主实验室生成的专有物理世界实验数据。
- 现实世界材料科学的巨大复杂性以及物理实验的资本密集性，对在商业相关的时间框架内实现真正自动化突破构成了严峻挑战。
深度解读
Periodic Labs 的声明由 Google Brain 和 OpenAI 校友领衔，这不仅仅是又一个 AI 初创公司的故事；它是一份向传统科学方法宣战的宣言，尽管这场战争是用巨额资本打响的。高达3亿美元的种子轮融资规模，证明了创始人明星光环以及投资界对“变革性”AI永不满足的胃口。然而，其核心前提——AI 可以完全自动化科学发现，创造出能够发明超导体等新材料的“AI科学家”——需要严格审视。
该叙事与以往的AI应用于科学的尝试不同，它声称互联网作为AI训练的数据来源已经“枯竭”。这是一个关键的转折点。Periodic Labs 不仅仅是利用AI分析现有数据；它旨在建立自主实验室，让机器人通过迭代实验生成前所未见的全新物理数据。这种闭环系统，即AI设计实验、机器人执行实验、AI再从结果中学习以设计下一个实验，是许多业内人士的圣杯。Cubuk 之前在 GNoME 项目上通过计算发现了数百万种晶体的工作，暗示了他们方法的潜力，但从计算预测到实验室物理实现和优化的飞跃是巨大的。
该领域现有的努力，从多伦多大学加速联盟等学术团体到小型初创公司，长期以来一直与实验科学中固有的高昂成本、复杂性以及纯粹的偶然性作斗争。据推测，3亿美元的资金可以用来大规模并行化这些实验，建造极其复杂的机器人平台，并吸引顶尖人才来整合这些系统。发明更好的超导体这一近期目标尤其说明问题；这是一个潜力巨大但难度同样巨大的领域，充斥着虚假承诺和渐进式进步。如果成功，其现实世界的影响可能会带来范式转变，实现新能源技术、先进电子产品等。然而，从“自动化”实验室到可靠地生产出具有工业可行性的突破性材料的道路，充满了技术和经济障碍。这不仅仅是关于更快的迭代；它是关于以前所未有的规模和精度，从根本上理解和操纵物理世界。
对比观点
尽管这一愿景无疑令人振奋，但必须用现实来给这份热情降温。声称“自动化科学发现”根本上误解了真正突破那种混乱、非线性且往往由直觉驱动的本质。人工智能擅长在既定参数内进行优化和模式识别，但科学发现往往源于意想不到的观察、跨学科的飞跃以及人类创造力，而无论多么复杂的算法都难以复制。Periodic Labs 究竟是在创造“AI科学家”，还是仅仅在构建由人类设计的AI算法指导的高效机器人实验平台？
这项事业的资本密集度怎么强调都不为过。即使是3亿美元——对于种子轮来说这是一个惊人的数字——也可能只是基础设施、专业机器人、高纯度材料以及以足以真正加速广泛材料发现的规模运行自主实验室所需的能源的杯水车薪。大型语言模型（LLM）的互联网数据“枯竭”是一个合理的观点，但自动生成有意义、干净、无偏的物理世界数据，会带来其自身的一系列“垃圾进，垃圾出”问题，如果实验设计没有经过人类专业知识的精细调整，可能会自动生成不相关或误导性信息。此外，从实验室合成的新型材料到商业化产品的道路，涉及严格的测试、规模化和制造挑战，这些远远超出了甚至自主发现实验室的范围。风险投资界期望回报；而基础科学，尤其是材料科学，往往需要以数十年而非数季度来衡量的耐心。
前景探讨
在未来一到两年内，Periodic Labs 很可能会集中精力建设其最初的自主实验室基础设施。我们可以预期会看到其闭环AI科学家进行迭代实验的概念验证演示，或许能基于预设参数或计算预测的结构成功识别出新型材料。在这个初期阶段，最大的障碍将不是AI的智能程度，而更多地是关于将复杂的机器人技术、传感器和数据管道整合到一个可靠的、高通量系统中，使其能够大规模生成科学可靠数据的工程壮举。
然而，在这个时间框架内，实现“发明出性能更好、能耗更低的新型超导体”并具有商业可行性的飞跃，是极不可能的。基础科学的真正突破很少能在初创公司的发展时间表内实现。在初期建设之后，真正的挑战将是规模化运营这些系统，吸引和留住引导AI研究方向所需的多元化人才，以及驾驭从实验室发现到工业应用的极其艰难的过渡。Periodic Labs 未来的成功不仅取决于他们的AI，更取决于他们是否有能力在风险投资严苛的预期框架下，管理一项资本密集型、长期性的科学事业。
原文参考: Former OpenAI and DeepMind researchers raise whopping $300M seed to automate science (TechCrunch AI)