2026年10月，由前OpenAI研究员Liam Fedus与DeepMind资深科学家Ekin Doğuş Çubuk联合创办的Periodic Labs，对外公布了自建实验室进展与名为“合成超级智能”的技术主张。这家仅成立一年的创业公司同时披露了旗下1万亿参数模型Periodic Neon的一组实验数据，随即在人工智能与凝聚态物理界引发讨论。
外界很容易将这组消息提炼为又一次“AI几天内发现室温超导”的硅谷神话，但事实并非如此。Periodic Neon展现出的能力，本质上是针对材料物理特征的反向图谱解析，而非材料本身的物理产出。大模型在材料科学领域的真正死穴，从来不是生成结构假设的速度，而是如何确认合成物不是由杂质和晶格无序构成的虚假新颖相。
表征跑分不是物理突破：被误读的55.3%与私有基准
在Periodic Labs披露的内部评测FrontierXRD中，Periodic Neon面对134个复杂多相X射线衍射样本，交出了55.3%的准确率。作为对比，基线模型Kimi K2.6的准确率仅为2.7%。如果在分析流程中引入专用科学软件框架，原本通用的Claude Opus 5在XRD谱图判读上的表现，也比单纯依靠Claude Code配合开源工具提升了3.8倍。
这一度被社交网络转述为“AI自主合成材料的成功率达到五成以上”。然而在凝聚态物理中，XRD图谱判读属于表征分析环节，即让算法从粉末衍射的峰位与强度中推断晶体属于哪种物相。解释衍射谱与在高温炉中把原料烧成目标相，是两个完全割裂的工程节点。
更为关键的是评测机制本身。FrontierXRD采用了大模型评审团评估方式。在数据一致性测试中，人类专家之间的一致性为77.2%，评审团与单一人类专家的一致性为74.6%，与专家共识的一致性则达到84%。尽管统计一致性较高，但这套包含134个样本的测试集与评估架构目前完全处于非公开私有状态。截至2026年10月，Periodic Labs并未公开任何经过第三方独立实验室复核、端到端自主发现并完成物理合成的新材料成果。
- 风险.将表征跑分偷换为合成成功率，会直接放大产业对材料AI的早期预期泡沫，甚至误导下游电池与半导体企业的验证投入。
三代AI材料范式迭代：从算力海选到重资产物理回环
要把Periodic Labs的意图看透，需要梳理AI发现材料的演变路径。
第一阶段以Google DeepMind的GNoME项目为代表。它利用图神经网络结合密度泛函理论（DFT）展开主动学习循环，在虚拟空间中计算出220万种晶体结构，其中筛选出约38万种具备合成稳定性的候选物质。这种方法本质上是大规模穷举与稳定性海选，但计算机证明稳定的结构，在实验室的真实热力学条件下往往无法结晶。
第二阶段转向了属性反向生成。微软的MatterGen采用扩散模型，直接以特定物理属性为目标反推晶体结构。团队曾成功生成并通过实验验证了TaCr₂O₆，测得其体积模量为169 GPa，接近200 GPa的设计目标。但即便逆向生成成立，它依然没有摆脱实验室对人工配料、高温退火以及反复试错的依赖。
因此，当Liam Fedus与Ekin Doğuş Çubuk在2025年9月创立Periodic Labs时，他们选择直接自建重资产物理实验室。这家实验室聚集了注意力机制的发明者与首个万亿参数大模型的核心训练人员，其策略是跳过纯互联网文本的算力内卷，把物理实验本身变成强化学习的反馈环境。他们试图让自动化设备记录实验噪声、未达预期的配比以及烧结失败的样本，直接在物理世界里提炼经验。
A-Lab的前车之鉴：粉末衍射里的虚假新颖性陷阱
让实验仪器具备智能处理能力并不等于能够避开物理规律的暗礁。此前由劳伦斯伯克利国家实验室主导的A-Lab自主实验室，曾依靠自动化机器人合成管道宣布成功制备了41种新无机材料。
然而学界随后的核查打破了乐观情绪。权威期刊《PRX Energy》刊登的同行评审研究对A-Lab宣称的43种新材料记录提出了严厉质疑。研究人员指出，自动化实验平台在执行Rietveld精修时，过于教条地拟合衍射谱线的峰值，忽视了固溶体中的晶格无序态。最终的复核结论表明，A-Lab声称的新材料中，约有三分之二仅仅是人类已知的组分无序化合物，根本不是新结构。
谱线吻合不等于新物相诞生，自动化拟合极易将无序杂质误判为前沿发现。
这正是Periodic Labs这类探索面临的最大考验。固态化学实验不仅周期以天或周为单位，且极易受到炉温微小偏差、坩埚污染和微量氧化的干扰。算法如果只依靠衍射谱图进行概率层面的最优拟合，极容易在假阳性的死胡同里自我强化。
- 结论.合成超级智能要走出自我验证的闭环，必须公开其基准集供同行评议，并引入透射电镜、能谱分析等多维度物理交叉校验。