FRONTIER · 路线之争

互联网文本烧完了，他们改去烧实验：1,300 张卡把开源模型的 2.7% 后训到 55.3%，压过十万张卡训出来的前沿模型

Nature Is Our Learning Environment

Periodic Labs 一家把实验室当训练环境来建的公司：在门洛帕克自建 24 小时运转的高通量材料合成与表征实验室，目标是更高温度的超导体和更强的磁体，同时给一家半导体厂做芯片散热的实验数据分析。官网列出的 23 人创始团队集体履历包括 ChatGPT、神经注意力机制、OpenAI 的 Operator（现 Agent）、DeepMind 的 GNoME 与 MatterGen，名单里有 Dzmitry Bahdanau、Liam Fedus、Dogus Cubuk、Rishabh Agarwal；科学顾问含斯坦福物理的 Zhi-Xun Shen、Steve Kivelson 与化学的 Carolyn Bertozzi；投资方有 a16z、Accel、DST、NVIDIA 旗下 NVentures，以及 Jeff Dean、Jeff Bezos、Eric Schmidt 等个人。三篇博客（公告、研究、基础设施）同日发布，图表与评测口径都写了出来

2026 年 9 月

为什么选它「数据要用完了」这句话喊了两年，这是第一份把答案做成产线的报告：自己建实验室产数据，拿它后训一个开源万亿底座，在专家要看几小时的分析任务上把成功率从 2.7% 推到 55.3%。读它能拿到两样别处少见的东西——没有标准答案的任务怎么定奖励，以及脚手架在科学任务里到底值多少分。

9 月 15 日，一家叫 Periodic Labs 的公司同时放出三篇博客，中心是一个叫 Periodic Neon 的模型：一万亿参数，底座是开源的 Kimi K2.6，用自家实验室产出的数据做中训练和强化学习，训完直接放回实验室里干活。它干的活很窄——读 X 射线衍射图谱，判断刚烧出来的那炉粉末里到底有哪些晶相、各占多少——但结论不窄：在他们自己最难的那套评测上，底座模型只做对 2.7%，后训完是 55.3%，而且在「每次分析花多少钱」这条轴上压过了 GPT-6 Astra 和 Claude Fable 5.1。这次最终训练的峰值用了 1,300 张 H200。

值得读的不是这个成绩，是它背后那条路线。Periodic 的官网把理由写得很直白：互联网上的文本大约 10 万亿 token，前沿模型已经把它吃干了；要再有新数据，就得去做实验——「nature is the RL environment」，自然就是那个强化学习环境。这句话听着像口号，但这三篇博客把它拆成了可执行的东西：门洛帕克的高通量实验室 24 小时跑，产出的数据喂模型，模型回头决定下一批实验做什么。这是本栏第 1 篇「苦涩的教训」那条线的延长——算力和搜索终将赢过人的巧思，只不过这一次要搜索的空间不在棋盘和代码里，在合成炉和衍射仪里。它也正好站在第 86 篇的对面：那篇用公开基准测出六个最强模型在真实验室任务上只过 45.3%，这篇的潜台词是，那是因为还没人拿实验室数据训过它们。

一张衍射图谱，为什么专家要看几个小时

先把这件活说具体。做材料合成，你挑好目标物、前驱体、温度和气氛，烧出来的东西却几乎不会是纯的：里面有目标相、没反应完的前驱体，还有意外的副产物。要决定下一步怎么改，必须先知道这一炉到底生成了什么、比例如何。粉末 X 射线衍射（XRD）就是干这个的主要手段——拿 X 射线照粉末，看它怎么散射；晶体里原子周期性排列，每一种晶相都会给出一组特征峰，峰的位置对应晶格间距与对称性，强度取决于有哪些原子、坐在什么位置、这一相占多少。难点在于多相混合时峰会叠在一起，而把它们拆开靠的不是算得更准，是判断：这个样品在空气里烧过，所以氧化物说得通；它可能接触过潮气，所以氢氧化物才值得考虑。Periodic 自己点出了关键一句：现成的 XRD 软件很强，但它好用的前提是科学家已经把搜索范围缩小了，而在材料发现里，缩小范围本身才是难的那一步。他们这套 FrontierXRD 评测收的就是这种硬样品：134 个来自自家实验室的图谱，被接受的解平均含 5 个晶相，专家处理一张要几个小时。

没有标准答案的任务，奖励从哪儿来

这里有个绕不过去的问题：强化学习要有奖励信号，而 XRD 分析没有标准答案。原文一句话点中要害：科学是可证伪的，却不是能便宜地核验的。只看「拟合得好不好」不够——数学上吻合、化学上讲不通的解很常见。他们的做法是把专家判断本身做成奖励：先写一套细则，请一批材料相关专业的博士给几千张图谱打质量标签，每张三个人独立打；再用两个 agent 式大模型组成裁判集成（LLM-judge，即用模型给模型的输出打分）去打同一批，然后比一致率。结果是，人类专家之间一致 77.2%，裁判与单个专家一致 74.6%，裁判与专家共识一致 84%。这组数字的意思不是「裁判找到了真相」，而是「裁判的噪声已经降到跟人类分歧同一个量级」——在既没有金标准、拟合又不够用的任务上，这就够拿来当训练信号了。这跟本栏第 59 篇配着读最好：那篇讲把标注员的分歧抹平成一个不存在的共识有多危险，这篇的处理正好反过来，拿人与人的一致率当天花板去标定机器。

1,300 张卡压过十万张卡，但这笔账得算清

成绩单上最抓眼的是两个对比。一是性能与成本：在同一套脚手架下，Neon 在 FrontierXRD 上既比 GPT-6 Astra 和 Claude Fable 5.1 做得对，单次分析还更便宜（外部模型按 API 标价、且假设跨轮完美缓存来估算，自家模型按 H200 每小时 2.5 美元折算）。二是算力：最终训练峰值 1,300 张 H200，而 Astra 公开报道的预训练规模是十万张以上 Blackwell。但第二个对比并不对等——它比的是后训练和预训练，而 Neon 那一万亿参数的底座是别人烧钱训出来的。这篇站得住的说法是另一句：在一个窄而难的任务上，开源前沿底座加一份别人拿不到的数据，足以把通用前沿模型挤出成本-性能前沿。另有两个细节值得记：他们另做了一组泛化测试，198 个测量来自训练中被完全剔除的化学体系，Neon 同样赢过前沿模型（但这套比 FrontierXRD 简单）；中训练（midtraining，在预训练之后、强化学习之前用领域语料继续训）的语料里只有一小部分跟 XRD 有关，却能让之后的强化学习涨得更高——而这份专有语料目前每个月翻一倍。

同一个模型，换副脚手架差 3.8 倍

最该被工程师抄走的是脚手架那一节。他们拿同一个模型（Claude Opus 5，高推理档）跑两套环境：一套是 Periodic 自建的——内置实验室上下文、自家的晶体结构与模拟数据库、专业 XRD 分析软件；另一套是 Claude Code 加开源家当（COD、Materials Project、BGMN），也就是一个典型科学家的工具箱。成本相近，自家脚手架的成功率是对照组的 3.8 倍。换句话说，在这类任务上你测到的「模型能力」，很大一部分其实是在测它有什么工具和数据权限——这跟第 53 篇（换一副脚手架多拿 10 分）、第 55 篇（给 agent 十个单元测试，它写出比专家更快的算子）是同一件事的第三次出现。配套那篇基础设施博客也值得翻：科学强化学习的形状跟代码强化学习不一样，一次 rollout 可能一边推理一边调工具跑一个多小时，而训练步只要几分钟，于是他们把生成和训练放到不同 GPU 上异步跑，在 Megatron 之上做到 4.1 倍训练吞吐，给 SGLang 提的改动让自家场景推理快 2.5 倍，又把吃资源的科学工具关进自建沙箱 pbox，顺手把检查点转换从 30 分钟压到 1 分钟，集群利用率保持在 95% 以上。而他们自己也写出了在物理世界里做强化学习最硬的那个约束：agent 数量没法弹性扩张——多跑并行实验要加电、加设备、加工程师，每个实验要几天，结果还经常是模糊的。所以这套方法真正的瓶颈不在 GPU，在实验室的吞吐。

这篇最重要的判断不在模型上，在数据的所有权上。如果「互联网文本吃完了、下一批数据要靠自己做实验造」这条路线是对的，那么接下来最值钱的东西就不是权重，是产数据的那条产线——而产线是私有的、长在一栋具体的楼里、别人复现不了。这不是道德问题，是认知问题：FrontierXRD 是内部评测集，裁判是自家标定的裁判，训练数据来自自家仪器。当题目、答案和考生在同一间屋子里，外人剩下的选项只有「相信」。把它跟第 86 篇摆在一起会更清楚：那篇用公开基准得出「最强模型在真实验室里只过 45.3%」，这篇用私有数据得出「训过之后它压过前沿模型」，两个结论可能都是真的，却没有任何第三方能把它们对上账。 第二点该打折的是那个「1,300 对 100,000」。它读起来像小团队赢了巨头，实际比的是后训练和预训练：没有别人花十万张卡量级训出来的 Kimi K2.6，就没有 Neon；他们自己也提到 Kimi K3 会是更好的新起点——这句话等于承认了底座的进步是外生的。这个结论的正确形式是一条垂直领域通则：开源前沿底座 + 一份别人拿不到的数据，能在窄任务上把通用模型挤出成本-性能前沿。它对任何手里攥着专有数据的行业都成立，也意味着「调用前沿模型 API 就够了」这个判断会在越来越多的窄任务上先失效。 第三点是我认为这篇迁移价值最高的东西：那套裁判一致率。过去两年「可验证奖励」几乎是强化学习能开工的前提，所以数学和代码先被推上去。XRD 这类任务既没有金标准，拟合得好也不等于对，而他们的解法是不假装有真相——先量出人与人只一致 77.2%，再把裁判做到跟专家一致 74.6%、跟共识一致 84%，然后承认这个噪声水平足够拿来训练。这是把「可验证」换成了「可标定」，而大量真实工作的奖励都长这个样子。代价也要说清：奖励既然来自裁判，模型学到的就是专家判断的分布，包括专家的系统性偏见——而这件事在自家评测里恰恰是测不出来的。顺着栏目看，这篇和第 1 篇、第 28 篇是一条线上的三个点：苦涩的教训说让算力和搜索代替人的巧思，第 28 篇让机器人把这条教训吃进了手上，这篇把搜索空间推进了合成炉。区别在于前两者的环境可以近乎免费地复制，实验室不行——这也是我目前不相信「AI 科学家」会很快转成指数的主要理由：它的时钟不由 GPU 定，由样品定。

科学自动化强化学习后训练材料发现评测

去读原文 本文是原创导读，不是原文翻译——真正的细节、证据和微妙之处都在原文里。原文Periodic Labs《Nature Is Our Learning Environment》：FrontierXRD 的 134 个样品、2.7%→55.3%、裁判一致率与脚手架 3.8 倍的全部图表都在这里 → 延伸同日公告《Building Labs that Learn》：把「假设—合成—表征」这个三段循环讲清楚了，也写明了物理环境做强化学习的三条硬约束 → 延伸基础设施篇：一次 rollout 推理一个多小时、训练步只要几分钟该怎么排，Megatron 4.1 倍吞吐、SGLang 2.5 倍与 pbox 沙箱的做法在这儿 → 延伸Import AI 474：Jack Clark 把这件事放进了「AI 科学家」这一波公司的队列里看，同期还有智谱拿自家模型优化自家推理基建那一则 →

上一篇413 个记忆文件只换来 1 枚徽章，9 个文件换来 4 枚——而把笔记改对的那一步，发生在干完活之后下一篇一年前它只会给一颗芯片配几个电容，现在三块四层板直接送进工厂、一次返工都没要——而变好的不是知识，是它肯把画好的线全删掉重来

本文为 AKL AI Club 原创撰写的导读，不是原文翻译；著作权归原文作者所有。篇目由编辑独立选取，来源均经人工核实。