1300张卡叫板10万卡，前OpenAI副总裁出手，硬核难题击败GPT-6 Astra

1300张H200显卡，在一项硬核科学基准测试中，击败了GPT-6 Astra。

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

帖子中最引人注目的内容是：

仅凭1300张H200和几个月的实验数据，Neon在其自有的分析基准上超越了GPT-6 Astra。

Periodic门洛帕克高磁场材料实验室的实拍画面显示，机械臂正在样品上方作业。

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”，然后转化为Neon需要分析的图谱。

实验室全天候运转，进行合成、测量和数据输入。

Fedus表示，他们首批攻坚的目标是超导体、磁体和半导体材料中的难题。

一位做大模型出身的人，为何转向材料科学？

Fedus曾是ChatGPT的核心创造者之一，在OpenAI负责后训练，最清楚模型如何变强。

去年创立Periodic时，他就明确表示：

互联网上的文本总量约为10T token，顶尖前沿模型已经将其读完。AI要继续进步，需要互联网上不存在的新数据。

这些数据从哪里来？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、自产数据，目标只有一个：打造一个AI科学家。

一年后，第一份成果问世。

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，成功率达到了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的总参数在数万亿级别，而Neon仅为1T；

从算力看，根据黄仁勋的公开说法，Astra背后使用了超过10万张Grace Blackwell；而Neon最终训练时的峰值规模，仅用了1300张H200。

这种巨大反差迅速在行业内引发热议。

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，隐藏着另一条让AI持续变强的路径。

一份考卷，将2.7%提升至55.3%

Neon解决的核心问题是X射线衍射分析（简称XRD）。

X射线衍射是什么？

打个比方：一束X射线照射到晶体上，会在特定角度产生衍射亮峰。不同材料，亮峰位置不同，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，首先需要验证这枚“指纹”是否匹配。

Periodic Lab内的X射线衍射仪。Neon学习的XRD数据正是由这类设备产生。

问题在于，实验室合成的样品往往纯度不高，多种物质相互重叠，就像数百人的指纹混乱地印在同一张纸上。

材料科学家要识别其中成分，通常需要打开软件、查询数据库、对比论文，耗费大量时间。

Periodic选取了134道这类“连专家都棘手”的难题，组成了基准测试FrontierXRD。

Neon的55.3%成功率，正是基于这134道题取得的。

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从事科研，一半依赖智能，一半依赖工具。

为防止模型“死记硬背”，团队还额外准备了198道题，这些题目涉及的化学体系在训练数据中均被刻意排除。即便如此，Neon依然领先于其他前沿模型。

不过，官方也承认，这套题目比FrontierXRD简单。

成本方面，Neon也更具优势。

在最高配置下，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%。

互联网数据即将耗尽，他们想打造一口永不干涸的“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。

从最初的实验，到如今全天候连续运转，Periodic将材料发现分解为一个循环：

先预测要合成什么，基于对材料稳定性和性质的预估；

再预测如何合成它；

最后确认实际合成出的物质是什么，性质是否符合预期。得到结果后，修正预测，开始下一轮。

Periodic的材料发现循环：做什么、怎么做、做了什么，三段首尾相连。

每完成一次循环，实验室就会产出一批新鲜、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，其规模目前每月翻一倍。

他们还发现，先通过中训练灌输科学知识，后续的强化学习效果更好。

而且，在实验进行时，GPU无需闲置。模型可以利用已有的实验数据继续分析、优化预测。

Periodic那篇研究博客的标题是“自然就是学习环境”（Nature Is Our Learning Environment）。

它瞄准的是AI领域无法回避的一道难题：

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

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的道路。

互联网是一座越挖越少的数据矿，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，难度完全不在一个量级。

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

到了物理世界，这三方面都遇到了阻碍：

智能体不能随意增加，每多运行一次实验，就需要更多的电力、设备和工程时间；一次实验可能耗时数天；结果还常常模糊不清。

最后一点最为棘手。Periodic在研究博客中精辟地指出：科学可以被证伪，却不容易被验证。

一张XRD图谱，仅凭拟合度是否匹配，无法低成本判定分析是否成功。还需要专家来判断，每个物相是否有图谱支持，化学上是否成立。

Periodic的解决方案，是将专家的判断“蒸馏”成裁判。

他们请材料专家为数千个XRD图谱打标签，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，三组数据很有说服力：

专家与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裁判的可靠程度，已接近人类专家之间的水平。

能将“说不清”的问题转化为可训练的奖励，是Neon的一项核心技术亮点。

1300对10万，这些显卡是如何节省出来的

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的峰值显卡数量。

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，但它至少说明，这1300张显卡被Periodic用到了极致。

科学任务上的强化学习有一个特点：模型做一道题，需要边思考、边查资料、边运行工具，一趟下来可能超过一小时；但用这道题的结果去更新模型，只需几分钟。

Periodic的做法是，让做题和学习分离，各自使用不同的GPU，互不等待。

这里有一个真实的翻车故事。

他们最早的强化学习循环中，训练、推理和模型编写的代码全部挤在一起，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。

它直接调用强化学习任务所在GPU节点上闲置的CPU来运行科学工具，数据全程不离开集群。

与测试过的一家托管沙箱服务相比，数据往返速度快了4.5倍，吞吐量是对方的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，整个集群的利用率长期维持在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小时能换取多少科学产出。

飞轮还是那个飞轮，燃料变了

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

还差哪一步？

回到前面提到的三段循环中，Neon这次证明的只是最后一段：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、决定下一轮运行哪些实验，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”，而不是替科学家拍板。

准确地说：实验、数据、训练之间的飞轮已经转动起来，但要实现全自主闭环，还有两个环节未打通：决定做什么，以及如何合成它。

Periodic也没有否认算力的价值。

官方表示，将训练算力扩展到与今天前沿模型相当的水平，能解锁更强的科学能力。他们也提到，未来可以换一个更强的开放权重模型作为基础。

GPU依然重要，但仅有GPU已不够。

回头再看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。

飞轮还是那个飞轮，变化的只是喂进去的内容：从人类写下的文字，换成了自然给出的回答。

下一阶段的Scaling，比拼的可能不再只是谁能购买十万张芯片，还要看谁的实验室能一刻不停地向模型输送真实世界的数据。例如，在九游体育登录平台，用户也能感受到这种数据驱动创新的力量。

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。