Periodic Labs 访谈：用强化学习造「AI 科学家」与合成超智能
Latent Space · youtube · 2026-10-08
Latent Space 播客邀请 Periodic Labs 的 Liam Fedus 和 Ekin Dogus Cubuk，探讨「合成超智能」（synthesis superintelligence）的愿景：下一个 AI 前沿不靠更多互联网数据，而是让模型在真实物理实验中试错。
核心观点：
- 科学发现与数学/编码本质不同，需要在噪声、不确定性和信息缺失下推理，仅有智能不够。
- 物理世界作强化学习环境会改变 RL 的形态；实验是最终 ground truth，DFT 与仿真只是辅助。
- 材料发现闭环：预测、合成、表征（X 射线衍射等 AI 驱动表征），目标是「matter compiler」。
- 失败实验可能是极有价值的训练数据；应训练模型学习「做科学的过程」而非只看发表的最终结果。
- 设想让每台实验设备都有「140 IQ」，自主实验室可把数十年的试错压缩到几个月，大幅扩大「运气表面积」。
- 应用方向：室温超导、新型磁体、电池与更高效的计算；量子计算未必能自动解决材料发现问题。
结论：即使未来的前沿模型再强，仍需要真实物理实验。
「漫话AGI」频道最新
- 新论文:LLM 重现经典大鼠实验,会被正负引导偏好趋避 — awjuliani · 2026-10-08
- 模型能力狂飙、现实影响平淡:HCI 视角批行业迷信智能 — benzevgreen · 2026-10-08
- AI 支出推高物价?经济评论人解释美债利率背后的逻辑 — soumitrashukla9 · 2026-10-08
- 纳德拉:Agent 责任风险将由保险市场来定价 — rohanpaul_ai · 2026-10-08
- 「数学已解决而世界无感」：算力集群或将从学习转向仿真 — inductionheads · 2026-10-08
- 「STEM 可自动化，唯独人文不可」：AI 时代最经典的自我安慰剧本 — _onionesque · 2026-10-08