这位 ChatGPT 的共同创造者、OpenAI 前副总裁、后训练负责人，如今在门洛帕克搭建实体实验室，试图为 AI 科学家补上互联网给不了的那块数据
Liam Fedus 参与创造了 ChatGPT，也领导过 OpenAI 的后训练团队。如今，他在门洛帕克搭建实体实验室，试图补上互联网无法提供的科学数据。
我读这篇访谈，关注的是他贯穿几段经历的判断：模型能力如何变成用户价值，反馈如何推动能力进步，以及当问题进入物质世界，哪些事情必须亲手验证。
ChatGPT 的突破，包含一次交互方式的突破
Fedus 最初学的是物理。在暗物质探测和粒子径迹重建中，他反复遇到同一个问题：如何从原始数据中还原物理过程。这条路把他带进机器学习，后来参与 Switch Transformer，再加入 OpenAI。
据他回忆，团队见到 GPT-4 时，已经能感受到能力的跃升，却并不清楚该把它做成什么产品。写作机器人、编程机器人、会议机器人都讨论过，最终选择了通用聊天。
真正引爆市场的 ChatGPT，使用的还是已经通过 API 开放数月的 GPT-3.5。一个关键变化是，用户终于可以直接表达要求，不必先学会构造一段让模型续写的文本。
我认为，这对产品判断很有启发。能力已经存在，不代表价值已经被用户获得。交互方式决定了多少人能跨过使用门槛，后训练和数据细节则决定了跨过去之后是否愿意留下。
早期内测中，多数亲友并不在意，少数人却每天使用，甚至会抱怨更新后的版本不如以前。相比多数人的冷淡，这批人的持续使用更值得追踪。研究者容易盯着能力缺陷，产品负责人还要看见已经成立的需求。
聊天、编程和科学，需要不同的反馈
Fedus 对聊天与编程的区分很重要。聊天的突破依赖足够强的预训练底座，以及把人类偏好融入模型的后训练。
但“更喜欢回答 A 还是 B”，并不等于判断哪个回答正确。这种反馈善于塑造风格、意图和表达形式，对数学、代码和事实的正确性却有局限。
编程拥有更直接的反馈：代码可以运行，测试可以失败，智能体可以根据错误继续修改。推理时投入更多计算，再配合可验证的奖励，才有机会形成持续纠错的过程。
原文以 OpenAI 发布大批数学手稿及其争议切入，也是在强调验证的重要性。形式化证明能让部分结果接受机械检查，但论文数量本身不能替代成果核验。
我更愿意据此判断一个领域的 AI 进展：它有没有足够好的学习材料，能不能及时判断结果，失败之后能否低成本再试一次。不同领域的突破速度，很大程度上取决于这些条件。
材料科学缺少的，是完整而可信的实验记录
材料科学面对的数据条件要困难得多。同一个实验，不同团队可能得到不同结果；论文里一句“合成了这种材料”，往往省略大量操作细节；失败结果又很少进入公开文献。
这意味着，模型看到的科学世界存在系统性偏差：成功记录很多，失败边界模糊，过程信息不足。
Fedus 用 AlphaFold 说明，机器学习的成果离不开长期积累的领域数据。材料科学不能仅凭更多互联网文本，自动获得同样的基础。
Periodic Labs 因此把语言模型推理、计算物理模拟和高通量实验结合起来。模型提出假设，模拟帮助筛选，实验验证，再把结果送回系统。
我认为，实验室最重要的产出也包括那些没有成功的尝试。一个假设为什么失败、在什么条件下失败，决定了模型下一次能否少走弯路。
实验室的价值，在于把数据变成下一轮判断
Periodic 重视的不只是测量结果，还包括完整上下文：为什么做这个实验，如何执行，最终发生了什么。
团队曾尝试让科学家戴 GoPro 记录过程，后来改用语音记录和实验记录本上传。这个细节很实际：采集方式必须融入工作，否则再完整的设计也难以持续。
更有意思的是，实验室刚搭起来，科学家和工程师就发现数据多到理解不过来。数据生产能力提升之后，分析与判断又成了瓶颈。
所以，这条路线不是建好实验室、攒够数据就结束了。系统还要判断下一步做什么实验、识别坏数据，并把发现转化为新的研究方向。
据原文介绍，Periodic 已发布用于解读 X 射线衍射图谱的模型 Neon，在自家实验室数据上进行后训练。其基准领先表现目前属于公司自报，还需要外部验证。
我会把这类进展看作局部能力的检验。要证明整条路线成立，仍要看实验室能否持续产出可复现的物理发现。
材料突破可能反过来推动 AI
Periodic 从材料入手，有明确的产业逻辑：半导体、航空航天和能源都受材料约束，部分材料已有成熟模拟器，实验迭代也相对可控。
超导体是它关注的重要目标。Fedus 没有把室温超导说成已经确定可实现的终点。即使达不到室温，更好的工作温度、延展性、制造性能和原料条件，也可能带来很大的工程价值。
他对商业化核聚变的时间判断偏乐观，但这仍是个人预测。我更关注他背后的判断：技术进步速度会受到资本和社会资源投入的影响，并不是固定常数。
计算本身也是物理过程。AI 能帮助发现材料，而更好的材料可能改善芯片、能源和计算基础设施，再推动 AI 进步。这条相互促进的路径值得关注，但每一环都需要实际成果来支撑。
数据还是算力，要看瓶颈在哪里
对于“钱该投数据还是算力”，Fedus 给出的答案是先判断约束。如果重要任务在现有训练数据中严重缺位，补充数据可能比继续增加算力更有效。
我认同这种资源配置方式。数据量并不能直接说明数据价值，关键是它能否改善目标任务，以及这种改善能否被测量、逐步变得可预测。
这也解释了专家数据为什么不会一次采完。行业在变化，工作内容在变化，记录某个职业在 2026 年的任务，并不能覆盖它未来十年的需求。
Fedus 谈就业时也沿用了同样的思路。放射科医生的工作不止看片，软件工程师的工作也不止写代码。自动化改变某些任务之后，人会把更多精力放到协作、需求澄清和结果确认上。
对我来说，这篇访谈提供了一把具体的判断尺：看 AI 已经能完成什么任务，也看它如何获得反馈、如何纠错，以及任务之外还有哪些责任需要承担。实验室里的 AI 科学家如此，企业里的 AI 应用也是如此。