Мы привыкли думать, что ИИ обучается на уже собранном человечеством корпусе текстов, кода, изображений и измерений. Но для науки следующего шага ценнее другое: данные, которых ещё не существует. Их надо получить — поставить опыт, дождаться результата, понять, что именно произошло, и решить, какой эксперимент провести следующим.
Именно такой контур пытается строить Periodic Labs. Компания разворачивает высокопроизводительные лаборатории для поиска материалов и обучает ИИ на потоке их собственных экспериментов. Заявленная схема проста:
гипотеза о материале → план синтеза → физический эксперимент → анализ результата → следующая гипотеза.
Здесь важен не робот-манипулятор сам по себе и не чат-бот рядом с прибором. Лаборатория становится средой с обратной связью. Она поставляет модели новые, дорогие и привязанные к контексту данные; модель помогает выбрать и разобрать следующий опыт. Если контур работает, каждый его оборот повышает ценность следующего.
Первая демонстрация — анализ порошковой рентгеновской дифракции. Чтобы понять, что именно получилось после синтеза, специалист сопоставляет спектр с химическим контекстом: исходными веществами, температурой, атмосферой, вероятными фазами, прошлыми попытками и расчётами. В сложных случаях это занимает часы.
Periodic сообщает, что их 1T-модель Neon, дообученная на данных своих лабораторий, достигла 55,3% успеха на 134 особенно трудных внутренних образцах. Начальная открытая модель Kimi K2.6 в том же контуре получила 2,7%. Модель уже используют для разбора экспериментов в лаборатории.
Это отличается от обычного бенчмарка. Физический опыт нельзя масштабировать как генерацию токенов: нужны приборы, материалы, энергия, инженеры; один цикл может занимать дни. Также в науке ответ часто не имеет автоматически проверяемой метки. Periodic поэтому использует LLM-судей, калиброванных по оценкам экспертов. Компания сообщает 74,6% согласия ансамбля судей с отдельными экспертами при 77,2% согласия между самими экспертами.
Но здесь же проходит важная граница. Все эти цифры — самоотчёт компании на закрытом наборе и собственном инструментальном контуре. Ни датасет, ни инструментарий для оценки, ни независимая репликация пока не опубликованы. «Лучше GPT-6 Astra и Claude Fable» в таком контексте означает превосходство на узкой внутренней задаче с доступом к специфической инфраструктуре.
И Periodic не одинока. В сентябре появились несколько близких работ — уже с конкретными физическими кампаниями:
• CASS в автономной A-Lab нашёл 18 перспективных составов твёрдого электролита за 78 опытов. Система выбирает следующий шаг, учитывая одновременно проводимость и вероятность получить чистую фазу.
• SynAgent провёл 18 опытов по осаждению LiCoO₂ и не только нашёл рабочее окно температуры, но и строил проверяемое объяснение процесса. При этом агент запускал опыты, которые должны были опровергнуть его собственную гипотезу.
• FermiLink показал агентный цикл планирования, безопасного управления криогенными приборами и анализа данных в измерительных кампаниях длительностью до шести дней.
Пока это не ИИ-учёный, который сам открывает науку. Контуры узкие, цели задают люди, безопасность приборов и качество вывода требуют внешнего контроля. Оптимизировать следующий опыт — не то же самое, что самостоятельно выбирать научную программу.
Но меняется сама материальная база прогресса. В цифровом ИИ модель учится на уже готовой среде: текстах, коде, играх, симуляциях. В автономной лаборатории система начинает создавать для себя новую среду обучения — через реальные, проверяемые и необратимые эксперименты.
Возможно, дефицитом для следующего этапа научного ИИ будут не только GPU и данные из интернета, а способность быстро и надёжно производить новые физические данные.