ChatGPT创造者Liam Fedus谈AI突围：走出数学，迈向物理实验室

type

status

date

slug

summary

从数学推导到物质世界：AI的新十字路口

不久前，OpenAI 公布了数百篇由前沿内部模型生成的数学研究手稿，部分研究成果甚至附带了能够被计算机验证程序直接校验的 Lean 形式化证明。这一举措在科研界引起了广泛关注与讨论。然而，数学之所以能成为当下生成式大模型与长链推理大展拳脚的领域，核心原因在于数学体系拥有纯粹的形式化逻辑——一份证明究竟是对是错，编译器给出的反馈即是最终裁决。

然而，现实的物理与化学世界并不是依靠虚拟代码就能凭空搭建的。某种新型超导晶体能否在常温或较高温度下保持零电阻？某种耐高温合金在极端应力下是否会出现晶格断裂？面对这些现实物理问题，世界上没有任何纯符号的形式化系统可以取代一次真实的物理化学实验。

这正是 ChatGPT 核心共同创造者、前 OpenAI 后训练团队负责人 Liam Fedus 在近期访谈中所阐述的核心观点。如今，Fedus 创立了 Periodic Labs，致力于打造实体实验室，通过高通量实验设备为人工智能补充互联网文本根本无法提供的高质量现实物理数据。深入理解他的思考逻辑，不仅能让我们看清前沿 AI 从数字世界走向物理世界的进化路线，也能让我们更透彻地理解大语言模型（LLM）的底层能力与技术边界。

对于国内关注技术演进的开发者与研究者而言，探索这一代模型的能力边界，往往始于日常对前沿工具的高频使用。若希望体验最新一代推理基座的高阶性能，许多工程师会选择诸如 ChatGPT官方镜像站等稳定平台，了解 ChatGPT国内使用 的最佳实践，获得无延迟、ChatGPT不降智 的稳定交互体验，从而更直观地把握大语言模型的技术脉搏。

为什么 ChatGPT 与 AI 编程能率先取得颠覆性突破？

在回溯 AI 技术的爆发路径时，许多人都会产生一个疑问：为什么过去数年里，率先引发全球质变的是聊天机器人与代码辅助智能体，而不是材料合成、生物制药或物理建模？

Liam Fedus 结合自身主导 ChatGPT 与后训练工程的经验，揭示了其中深层的技术根源：

预训练底座的表征压缩与RLHF的风格对齐：ChatGPT 的爆发并不是偶然。在 GPT-3 阶段，模型对通用文本分布的压缩能力尚不足以支撑高度拟人化的意图理解。而到了 GPT-3.5，强大的基础模型结合人类反馈强化学习（RLHF），将人类交流的偏好与意图形式精准地蒸馏进神经网络中。RLHF 擅长捕捉的是“表达风格、人类意图与交互规范”，它并不直接考核绝对的数理正确性，只要跨过了“产品契合度”（PMF）的阈值，通用对话机器人就能迅速席卷大众。

编程领域的天然“奖惩裁判”与海量上下文：相比日常闲聊，AI 编程能力的突破依赖完全不同的驱动力。代码拥有人类软件工程沉淀数十年的代码库、开源框架以及单元测试套件。代码能不能跑通，编译器与测试用例会在毫秒级内返回确定的 Reward（奖励信号）。结合测试时计算（Test-time Compute）与强化学习，智能体能够进行长链推理与自主纠错。

换言之，对话系统依托人类对自然语言的包容性，编程系统依托编译器的确定性验证，这两大支柱让 AI 率先在比特世界（Bits）中完成了从量变到质变的飞跃。

物理世界的痛点：互联网数据无法支撑真正的“AI科学家”

然而，当人类试图让 AI 从代码与闲聊走向原子世界（Atoms）时，预训练范式遭遇了严峻的“数据墙”。

Fedus 指出，材料科学、凝聚态物理与分子化学等领域，极度缺乏可以直接用于模型高效训练的高纯度数据。互联网上虽然存在海量科研论文，但普遍存在以下三大致命缺陷：

严重的幸存者偏差（负样本缺失）：学术论文几乎只发表成功的实验结果，没有人会把数千次失败的配比与烧结过程详细记录并上传。但对于强化学习与生成模型而言，缺乏负样本，模型就无法学到物理规律的真实边界。

实验上下文严重缺失：论文中写一句“我们成功合成了该晶体”，背后往往隐藏着温度控制、湿度波动、搅拌速度等数以百万计的隐式自由度。单独拿到一段二十年前的实验数据，由于缺乏最初的假设意图与过程记录，对 AI 而言几乎等于高噪声垃圾。

不同课题组的数据可复现性差：同一套配方在不同实验室的设备中复现，可能得到截然不同的测试曲线，噪声极大。

如果缺乏真实世界的数据锚点，AI 即使推理能力再强大，也只能在虚拟空间中“凭空构想”。大语言模型生成的材料配方很可能只是数学自洽、但在三维物理空间中根本无法稳定存在的幻觉结构。

Periodic Labs 的闭环范式：语言模型、物理模拟与高通量实体实验

为了打破这一困局，Liam Fedus 与其团队开创了一种全新的科学发现范式：将大语言模型的推理规划能力、经典的计算物理/量子化学模拟工具，与高度自动化的高通量实体实验室深度咬合。

这个闭环体系的具体运作逻辑如下：

假设生成层（LLM推理）：基于海量物理文献与基础原理，大语言模型提出具备科学潜力的材料配方与原子排列构型。

虚拟筛选层（物理模拟）：利用现有的密度泛函理论（DFT）或分子动力学模拟器对构型进行初步力学与热力学稳定性筛查，缩小搜索空间。

物理验证层（机器人实验室）：在位于门洛帕克的实体实验室中，自动化机械臂与高通量实验设备直接展开化学合成与 X 射线衍射（XRD）等物理表征测试。

数据反哺与持续微调：无论实验成功还是失败，实验室传感器记录下的全流程高精度数据，都会实时回流至数据库，对专用基础大模型进行后训练更新。

“大自然就是我们的最终学习环境。”正如 Fedus 所强调的，要真正造出具备颠覆性发现能力的 AI 科学家，唯一的途径就是让 AI 直接置身于物理世界的实验交互中，把无数种理论可能性坍缩为唯一的物理客观事实。

科技辐射效应：从常温常压超导到突破摩尔定律

将 AI 引入真实实验室，其终极目标绝非仅仅是发表几篇论文，而是破解现代工业社会的底层物理瓶颈。在访谈中，Fedus 重点提到了几大具备深远经济价值的方向：

新型超导体的工程化落地：探索临界温度更高、延展性更优、不依赖稀缺元素的超导材料。这类突破哪怕尚未达到绝对的“室温常压”，只要能够在相对温和的液氮温区实现低成本大规模制造，就能彻底重构可控核聚变装置的磁体约束线圈，使商业化核聚变发电的进程大幅提速。

打破算力与硬件的物理限制：目前全球大模型产业正在向万卡乃至十万卡集群狂飙突进，然而，数据中心的能耗上限、芯片散热瓶颈、高频互联线缆损耗，本质上全部是材料问题。若能在半导体与封装材料领域取得突破，摩尔定律将获得新的生命周期，从而反哺 AI 算力本身。

能源与碳捕集新纪元：廉价且高密度的储能介质、高效催化剂的诞生，将使应对气候变化的工程方案转变为具备正向经济效益的工业循环。

结语：在比特与原子之间构建智能未来

从协助构建席卷全球的 ChatGPT，到毅然投身自动化实验室研发物质科学专用模型，Liam Fedus 的职业轨迹映射出人工智能发展的深层脉络：大语言模型绝非仅仅是屏幕里的文字处理器，而是人类用来探索未知客观世界的强力推理中枢。

正如科学史上每一次重大飞跃都伴随着实验仪器的革新一样，AI 进驻实验室预示着一场“以数据为驱动、以物理为准绳”的科学范式革命。对于想要跟进这场技术革命的科技从业者而言，熟练掌握以 ChatGPT 为代表的大模型工具，理解其在逻辑推导、跨学科知识整合中的巨大威力，是拥抱未来的第一步。

通过接入稳定可靠的 ChatGPT官方中文版镜像，国内研究人员与开发者可以无门槛体验到未受降智限制的顶尖大模型逻辑推理能力，无论是在代码编写、文献研读还是假设推演中，都能抢占先机，感受技术演进带来的无限潜能。