仅凭1300张H200显卡，就在一项高难度科学基准测试中超越了GPT-6 Astra。

日前，前OpenAI研究副总裁Liam Fedus在X平台上发帖，展示了Periodic Labs的首个模型：Periodic Neon。

帖子中最引人注目的一句话是：

仅用1300张H200，加上数月的实验数据，Neon在其自有的分析基准上胜过了GPT-6 Astra。

Periodic门洛帕克高磁场材料实验室实拍，机械臂正在样品上方操作。

上图中，一排排样品托上放置着刚合成出的候选材料，它们将被送入X射线衍射仪记录“指纹”，随后转化为Neon需要解读的图谱。

实验室全天候运转，进行合成、测量和数据输入。

Fedus表示，他们首批攻克的目标是超导体、磁体和半导体材料中的难题。

一位做大模型出身的人，为何转向材料研究？

Fedus曾是ChatGPT的核心创造者之一，在OpenAI负责后训练，深知模型如何变得更强。

去年创立Periodic时，他就明确表达：

互联网上的文本总量约为10T token，最前沿的模型已经将其全部读取。AI要更进一步，需要互联网上不存在的新数据。

这些新数据从何而来？实验室。

于是，他联合前谷歌DeepMind化学与物理研究负责人Ekin Dogus Cubuk，从零开始自建实验室、自主生成数据，目标只有一个：打造一个AI科学家。

一年后，首份成果出炉。

Neon拥有约1T参数，在一项高难度的X射线衍射（XRD）分析测试中，成功率达到55.3%，超越了GPT-6 Astra和Claude Fable 5.1。

从参数规模看，据业内传闻，Astra总参数达数万亿量级，而Neon仅为1T；

从算力看，按黄仁勋公开说法，Astra背后是10万张以上的Grace Blackwell；Neon最终训练峰值规模仅1300张H200。

这种巨大反差迅速在业内引发热议。

Jeff Dean第一时间在Fedus的帖子下留言祝贺。

1300对10万，这组数字背后，揭示了让AI持续进化的另一条路径。

一张考卷，将2.7%提升至55.3%

Neon解决的问题是X射线衍射分析（简称XRD）。

什么是X射线衍射？

比喻来说：一束X射线射入晶体，会在特定角度产生亮峰。材料不同，亮峰位置各异，如同指纹。

合成出的物质是否为超导体、磁性材料或半导体材料，首先需验证这枚“指纹”是否匹配。

Periodic Lab里的X射线衍射仪。Neon学习的XRD数据即由此类设备生成。

问题在于，实验室合成的样品往往极不纯净，多种物质相互重叠，如同数百人的指纹杂乱地印在同一张纸上。

材料科学家要分辨其中成分，通常需启动软件、查阅数据库、对比文献，耗时颇长。

Periodic挑选了134道这类“连专家都棘手”的难题，组成基准测试FrontierXRD。

Neon的55.3%正是在这134道题上取得的。

所有模型均使用Periodic自建的科学工具环境Periodic Harness。

与基于Claude Code、配备标准XRD工具的方案相比，在单题成本相近的情况下，Periodic Harness的成功率是后者的3.8倍。

AI做科研，一半依赖智能，一半依赖工具。

为防止模型“背答案”，团队还额外准备了198道题，题目涉及的化学体系在训练数据中均被刻意排除。Neon依然领先于众多前沿模型。

不过官方也承认，这套题比FrontierXRD简单。

成本方面，Neon更具优势。

最高配置下，Neon成功率为55.3%，每题成本约4美元；GPT-6 Astra每题成本约7美元，成绩却低于Neon；Claude Fable 5.1成本与Astra相近，成功率仅约40%。

互联网即将被AI读尽，他们想打造一口永不枯竭的“数据水井”

抛开性能分数，Periodic真正想展示的是其在门洛帕克建立的高通量材料实验室。

Periodic Lab实拍：机械臂夹取样品送入设备。

从最初的首批实验，到如今24小时不间断运行，Periodic将材料发现拆解为一个循环：

先预测要合成什么，基于对材料稳定性和性质的预判；

再预测如何将其合成出来；

最后确认实际产物是什么，性质是否达标。获取结果后修正预测，进入下一轮。

Periodic的材料发现循环：做什么、怎么做、做了什么，三段紧密衔接。

每循环一次，实验室就产出一批新鲜、私有、带有物理反馈的数据。这些数据正是Neon的原料。

Periodic的中训练语料，混合了学术文献、代码和实验数据，规模目前每月翻倍。

他们还发现，先通过中训练注入科学知识，后续的强化学习效果更佳。

而且实验进行时，GPU无需闲置等待。模型可利用已有实验数据继续分析、优化预测。

Periodic那篇研究博客的标题，叫“自然就是学习环境”。

它瞄准的是AI领域无法回避的挑战：

过去几年，Scaling依赖不断堆叠互联网数据。但互联网上的文本，已快被前沿模型读尽。

接下来，谁拥有能持续产出新数据的环境，谁就多了一条继续Scaling的路径。

互联网是一座越挖越少的矿藏，实验室则是一口能源源不断出水的井。

自然不提供标准答案，Periodic请来AI裁判

将强化学习引入物理世界，难度远超数字世界。

数字世界的RL，已让智能体编写了几乎所有代码，并解开了悬而未决的数学猜想，秘诀在于派出海量智能体，执行快速且能自动评分的任务。

到了物理世界，这三方面全受阻：

智能体不能随意增加，多跑一条实验路径，就多一份电力、设备和工程消耗；一次实验可能耗时数天；结果还常模棱两可。

最后一点最为关键。Periodic在研究博客中精辟指出：科学可以被证伪，却不易被验证。

一张XRD图谱，仅看拟合是否匹配，无法低成本判断分析是否成功。还需专家评估每个物相是否有图谱支持，化学上是否合理。

Periodic的方法，是将专家的判断“蒸馏”成裁判。

他们请材料专家为数千个XRD图谱标注，再用这些标签校准一个由Opus 5和GPT-5.6 Sol组成的LLM裁判组，三组数据极具说服力：

专家之间的一致率为77.2%；

LLM裁判与单个专家的一致率为74.6%；

LLM裁判与专家共识的一致率为84%。

也就是说，这个AI裁判的可靠性，已接近人类专家之间的水平。

能将“说不清”转化为可训练的奖励，是Neon的一项核心技术亮点。

1300对10万，这些显卡如何节省出来

1300张H200，是Neon最终训练时，中训练和强化学习两个阶段同时运行所需的最大显卡数量。

而Astra的10万张以上Blackwell，对应的是前沿通用模型的大规模训练。

因此，1300对10万，无法直接计算效率倍数，但至少说明这1300张显卡被Periodic充分利用。

科学任务上的强化学习有个怪毛病：模型处理一道题，需边思考、边查资料、边运行工具，一趟可能耗时一个多小时；但用这道题的结果更新模型，只需几分钟。

Periodic的解决方法，是让解题和学习分离，各自使用独立的GPU，互不等待。

这里有一个真实的失败案例。

他们最初的RL循环，训练、推理和模型编写的代码全混在一起，没有任何隔离。

直到有一次，模型编写的代码申请了80GB内存，导致整个任务当场崩溃。

于是他们自研了沙箱pbox。

它直接调用RL任务所在GPU节点上闲置的CPU来运行科学工具，数据全程不出集群。

与测试过的一家托管沙箱服务相比，数据往返速度提升了4.5倍，吞吐量是其3.3倍。

训练空闲下来的算力，再分配给物理模拟等科学计算任务，整个集群的利用率常年保持在95%以上。

Periodic的思路不难理解：算力总量拼不过巨头，就拼每个GPU小时能换回多少科学产出。

飞轮仍是那个飞轮，燃料变了

Neon已部署进Periodic的实验室，分析真实实验，帮助团队寻找更优的超导体和磁体。

还差哪一步？

回到之前提到的三段循环中，Neon这次仅验证了最后一段：理解实验室到底做出了什么。

至于让AI指挥整个科研项目、设计合成路径、决定下一轮跑哪些实验，Periodic官方表示，正在将这套方法向这些方向扩展。

Fedus的措辞也很谨慎：模型目前是“帮我们决定”，而非替科学家拍板。

准确说：实验、数据、训练之间的飞轮已开始转动，但要实现全自主闭环，还有两个环节未打通：决定做什么，以及如何将其合成出来。

Periodic也未否认算力的价值。

官方表示，将训练算力扩大到与当前前沿模型相当的量级，能解锁更强的科学能力。他们也提到，未来可换用更强的开放权重模型作为底座。

GPU依然重要，但光有GPU已不够。

回顾Fedus的履历：在GPT-4技术报告的贡献者名单中，他的职责是“数据飞轮”负责人。

三年后，他将这个飞轮从互联网文字搬进了真实的物理实验室。

飞轮仍是那个飞轮，变化的只是喂入的内容：从人类书写的文字，换成了自然给出的回答。

下一阶段的Scaling，比的或许不再只是谁能买下十万张芯片，还要看谁的实验室能不停地向模型输送真实世界的数据。

参考资料：

https://periodic.com/news/building-labs-that-learn

https://periodic.com/news/nature-is-our-learning-environment

https://periodic.com/news/ai-infrastructure-at-periodic

https://x.com/LiamFedus/status/1973055380193431965

https://a16z.com/announcement/investing-in-periodic-labs/

本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。