配资114平台登录入口前OpenAI高管与DeepMind科学家联手，空白官网获a16z领投2亿美元

配资114平台登录入口来源：辉煌优配网站：量盈配资日期：2025-08-22 15:33:05 查看：160

成立不到 5 个月配资114平台登录入口，官网空无一物，甚至两位创始人的领英简介和 X 简介依然停留在上一家的职位，但却获得了 a16z 领投的 2 亿美元。

这家公司的名字叫做 Periodic Labs，这是一家“AI+材料”公司，分别由前 OpenAI 后训练团队副总裁威廉·费杜斯（William Fedus）和前 DeepMind 材料科学化学部主管埃金·多古斯·丘布克（Ekin Dogus Cubuk）创办。值得注意的是，该公司在成立伊始就获得了 OpenAI 的投资承诺和合作承诺。

GPT-4 技术文章作者之一和谷歌前科学家离职创业

其中，费杜斯是 GPT-4 技术文章的作者之一，他的多篇高被引论文都是在 OpenAI 期间撰写的。

资料显示，费杜斯的本科、硕士和博士分别毕业于美国麻省理工学院、美国加州大学圣地亚哥分校和加拿大蒙特利尔大学，本科和硕士学的都是物理学专业，直到读博才开始改为计算机科学专业。毕业之后，他先是在 Google Brain 的研究科学家岗位上工作了两年，期间主要负责通过专家混合模型研究高效神经网络。自 2022 年起，他在 OpenAI 工作了三年左右，期间先后在 OpenAI 的强化学习团队和后训练团队任职，并曾负责 ChatGPT 的研发，离职之前担任后训练团队副总裁职位。

2025 年 3 月 18 日，费杜斯在 X 发帖表示自己将从 OpenAI 离职，他表示自己本科学的就是物理学，因此很感兴趣于“AI+Science”的应用。与此同时，由于“AI+Science”也是 OpenAI 实现人工超级智能（AIS，Artificial Superintelligence）的战略要务之一，因此 OpenAI 也计划投资费杜斯此次联合创办的新公司。但是，根据彭博社的报道，有知情人士表示尽管 OpenAI 此前已同意牵头此次投资，但是费杜斯和丘布克认为 a16z 能提供更多资源。该知情人士表示，OpenAI 仍有希望参与本轮融资，并可能与该公司展开合作。由于目前融资尚未完成，因此交易条款仍有可能发生变动。

创始人之一的 H 因子已达 60

Periodic Labs 的另一位创始人丘布克本科就读于美国斯沃斯莫尔学院学的工程学专业，硕士毕业于美国哈佛大学主修物理学、辅修计算机科学专业，之后在哈佛大学学习凝聚态物理与材料物理学获得博士学位。近几年，丘布克的研究工作大多围绕“AI+材料”。Periodic Labs 的另一位创始人费杜斯的 AI 技术能力不必多说，但是丘布克在“AI+材料”领域的深耕比如和“MOF 之父”联合打造材料智能体的过往经历，想必是投资人看到这家公司的原因之一。与此同时，丘布克的 H 因子已经达到 60。由于 Periodic Labs 是一家“AI+材料”公司，所以费杜斯在 AI 领域的积累固然很重要，但是丘布克在材料领域的积累以及他在谷歌 DeepMind 的“AI+Science”的从业积累，必将成为这家公司的重要资产。以下，就为大家介绍一下丘布克近年来在“AI+材料”领域的积累。

联合“MOF 之父”打造 MOFGen

2025 年，丘布克和“MOF 之父”、美国科学院院士、美国加州大学伯克利分校教授奥马尔・亚基（Omar M. Yaghi）联合提出了 MOFGen——这是一个由相互关联的智能体组成的智能体人工智能（Agentic AI）系统：其中包括一个提出新型金属有机框架材料（MOF，Metal-Organic Framework）组成的大模型、一个生成晶体结构的扩散模型、一个优化并筛选候选材料的量子力学智能体，以及一个由专家规则和机器学习指导的合成可行性智能体。

MOFGen 以所有由实验室产生的金属有机框架数据和计算数据库为训练数据，生成了数十万个新型金属有机框架结构和可合成的有机连接体。在短短数周内，就已成功合成五种“AI 构想”的有机金属材料，其中部分材料的合成周期仅需数日。这一方法通过高通量实验得到了验证，并标志着朝着自动化可合成材料发现迈出了重要一步。

通过整合生成模型与 AI 驱动方法，这一系统显著加速了“AI 构想”可合成材料的创制，为建立人机协同的有机金属框架发现基础模型开辟了新路径，也显著缩短了从计算预测到实验室实现的研发路径。而加速新型可合成材料的发现，对于应对碳捕集、水收集等全球性重大挑战具有关键意义。

和谷歌 DeepMind 同事提出计算方法 a²c

2024 年，丘布克和谷歌 DeepMind 的同事提出一种计算方法 a²c，其能用于预测非晶前驱体最可能的结晶产物，进而有望为新材料的合成提供帮助。

在原子层面上，当采用 a²c 方法的时候，从无定形前驱体到有序原子结构转变过程中涉及的原子位移大小，与伯格相变分类体系（Buerger's classification of phase transitions）中的位移型和膨胀型多晶型相变的原子移动情况相似，这类相变发生在具有结构关联的相之间，并且原子移动受限于较低温度等条件。

与重构型相变不同的是，这些相变除了发生畸变或旋转外，几乎不需要化学键的断裂或重排。并且由于相关多晶型物具有结构相似性，它们通过低能量界面发生转变。因此，这类相变过程进行得十分迅速，而且任何晶核都能在非晶基体中向周边区域自由生长。这种机制特性与 a²c 方法在原子尺度上的模拟结果具有相似之处，这也解释了为何其预测结果在众多不同化学体系中与实验观察一致。这也表明，在众多无机体系中，通过将局部结构基元搜索与通用深度学习原子间势相结合，能够实现对非晶态向晶态转变产物的预测，并具备原子尺度的可解释性。在较为广泛的化学体系中，a²c 与实验多晶型物的预测一致性验证了该计算框架的有效性。因此，a²c 方法可被用于以下研究任务：解析复杂材料体系中的此类相变结果，或通过计算机模拟发现具有非晶态合成路径的材料多晶型及玻璃-晶体复合体系。

训练一种机器学习相互作用势函数

在 2024 年的一项研究中，丘布克和合作者基于密度泛函理论（DFT，Density Functional Theory）数据训练了一种机器学习相互作用势函数，使其在大长度尺度和长时间尺度下的各类模拟中，对实验结果和从头算结果的重现精度达到了当前最先进水平。

通过此，能够精确预测热力学性质、声子谱、弹性常数的温度依赖性，以及多种无法通过 DFT 获取的表面性质。其还证实，在高米勒指数晶面上，自吸附能与最小表面扩散势垒之间存在弱贝尔-埃文斯-波兰尼关系（weak Bell–Evans–Polanyi relation）。

在这一研究中，丘布克等人基于神经等变原子间势（NequIP，neural equivariant interatomic potential）架构生成数据，以用于训练纯锂金属的机器学习相互作用势函数（MLIP，Machine Learning Interaction Potentials）。

其还开发了一种深度势函数（DP，deep potential），并在补充材料中呈现了相关对比结果。在包括体相、表面、缺陷和液体在内的多种结构体系中，神经等变原子间势均能高精度复现密度泛函理论和实验结果。该势能函数以一统化的框架持续超越了传统经验势能与现有机器学习势函数的表现，这让其能够更精确地计算对锂金属电池设计至关重要的弹性和表面特性。

提出采用内循环模拟与外循环优化的框架

与此同时，丘布克还和合作者提出了一种采用内循环模拟与外循环优化的框架，通过解析计算模拟梯度实现自动微分，同步完成了物性预测与力场优化。

研究中，丘布克等人以硅材料的 Stillinger-Weber 势、EDIP 势以及二氧化硅的 BKS 势为例进行优化，成功复现了弹性常数、振动态密度和声子色散等性质。研究还展示了如何利用自动微分对机器学习势函数进行微调，以精确复现径向分布函数等任意目标性质。值得注意的是，相较于基于能量和力微调的力场，该方法所得力场在未见温度条件下展现出更高的准确性与泛化能力。同时，丘布克等人还演示了将该方法扩展至同时优化多个目标性质的力场。总体而言，通过解析计算模拟梯度的可微分模拟技术，这一成果为理解物理体系与材料特性提供了兼具理论探索价值与实际应用前景的强大工具。