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

新智元报道 只用1300张H200，在一项硬核科学基准上，赢了GPT-6 Astra。 近日，前OpenAI研究副总裁Liam Fedus在X上发帖，亮出Periodic Labs的第一个模型：Periodic Neon。 帖子最抓人的是这一句： 只用1300张H200，加上几个月的实验数据，Neon在他们自家的分析基准上超过了GPT-6 Astra。 Periodic门洛帕克高磁场材料实验室实拍，机械臂正在样品上方作业。 上图里，一排排样品托上放着刚合成出来的候选材料，它们会被送进X射线衍射仪拍下「指纹」，再变成Neon要读的图谱。 实验室24小时连轴转，合成、测量、喂数据。 Fedus说，他们第一批要啃的，是超导体、磁体和半导体材料里的硬骨头。 一个做大模型出身的人，为什么跑去啃材料？ Fedus曾是ChatGPT的核心创造者之一，在OpenAI负责后训练，最清楚模型靠什么变强。 去年创立Periodic时，他就把话挑明了： 互联网上的文本总共约10T token，最好的前沿模型已经把它读完了。AI要再往前走，需要互联网上没有的新数据。 去哪找？实验室。 于是，他拉上前谷歌DeepMind化学与物理研究负责人Ekin Dogus Cubuk，从第一天起就自己建实验室、自己造数据，目标只有一个：造一个AI科学家。 一年后，第一份答卷来了。 Neon约1T参数，在一套高难度的X射线衍射（XRD）分析测试上，成功率跑到55.3%，把GPT-6 Astra和Claude Fable 5.1都甩在了身后。 论参数，据业内传闻，Astra总参数在数万亿量级，Neon只有1T； 论算力，按黄仁勋的公开说法，Astra背后是10万张以上的Grace Blackwell；Neon最终训练的峰值规模，只有1300张H200。 这样的反差，很快在圈内炸开。 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，藏着让AI继续变强的另一条路。 一张考卷 把2.7%拉到55.3% Neon解决的问题叫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射线照进晶体，会在几个固定角度衍射出亮峰。材料不同，亮峰的位置也不同，就像指纹。 合成出来的东西是不是超导体、磁性材料或半导体材料，先要看这枚「指纹」对不对得上。 Periodic Lab里的X射线衍射仪。Neon学习的XRD数据，就由此类仪器产生。 麻烦在于实验室合成的样品往往极不纯净，多种物质重叠在一起，就像几百个人的指纹乱七八糟印在同一张纸上。 材料学家要认清里面有什么，通常得开软件、翻数据库、对比论文，折腾很久。 Periodic挑选了134道这种「连专家都头疼」的硬骨头，组成基准测试FrontierXRD。 Neon的55.3%，就是在这134道题上拿到的。 所有模型用的都是Periodic自己搭的科学工具环境，Periodic Harness。 与基于Claude Code、配标准XRD工具的方案相比，在单题成本差不多的情况下，Periodic Harness的成功率是后者的3.8倍。 AI做科研，一半靠脑子，一半靠手边的工具。 为了防止模型「背答案」，团队还另外准备了198道题，题目涉及的化学体系在训练数据里都被刻意剔除。Neon依然领先一众前沿模型。 不过官方也承认，这套题比FrontierXRD简单。 成本上，Neon也更划算。 最高档下，Neon成功率55.3%，每题成本约4美元多；GPT-6 Astra每题约7美元多，成绩反而低于Neon；Claude Fable 5.1成本和Astra相近，成功率只有约40%。 互联网就要被AI读完了 他们想造一口永不干涸的「数据水井」 抛开跑分，Periodic真正想让人看到的，是它在门洛帕克建起的高通量材料实验室。 Periodic Lab实拍：机械臂夹取样品送入设备。 从最初的第一批实验，到如今24小时连续运转，Periodic把材料发现拆成了一个循环： 先猜要做什么，依据是对材料稳定性和性质的预测； 再预测怎么把它合成出来； 最后搞清楚实际做出了什么，性质对不对。拿到结果，修正猜想，再来一轮。 Periodic的材料发现循环：做什么、怎么做、做了什么，三段首尾相接。 每循环一圈，实验室就吐出一批新鲜、私有、带着物理反馈的数据。这些数据，就是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，规模目前每个月翻一倍。 他们还发现，先靠中训练把科学知识灌进去，后面的RL效果更好。 而且实验跑的时候，GPU不用干等。模型可以拿已有的实验数据继续分析、继续改进预测。 Periodic那篇研究博客的标题，叫「自然就是学习环境」（Nature Is Our Learning Environment）。 它瞄准的是AI圈绕不过去的一道坎： 过去几年，Scaling靠的是把互联网数据越堆越多。可互联网上的文本，已经快被前沿模型读完了。 接下来，谁手里有能不断产出新数据的环境，谁就多了一条继续Scaling的路。 互联网是一座挖一点少一点的数据矿，实验室是一口能源源不断出水的井。 自然不给标准答案 Periodic请了个AI裁判 把RL搬进物理世界，难度完全不在一个量级。 数字世界的RL，已经让智能体写出了几乎所有代码，还解开了悬而未决的数学猜想，秘诀是派出海量智能体，去做又快、又能自动判分的题。 到了物理世界，这三样全卡住了： 智能体不能说加就加，多跑一路实验，就要多一份电力、设备和工程；一次实验可能要好几天；结果还经常模棱两可。 最后一条最要命。Periodic在研究博客里说很精辟：科学可以被证伪，却不容易被验证。 一张XRD图谱，光看拟合对不对得上，没法低成本判定分析是否成功。还得有专家来判断，每个物相有没有图谱支持，化学上说不说得通。 Periodic的办法，是把专家的判断「蒸馏」成裁判。 他们请材料专家给数千个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，三组数字很能说明问题： 专家和专家之间，一致率77.2%； LLM裁判和单个专家，一致率74.6%； LLM裁判和专家共识，一致率84%。 也就是说，这个AI裁判的靠谱程度，已经逼近人类专家彼此之间的水平。 能把「说不清」变成能训练的奖励，是Neon的一项硬核技术点。 1300对10万 这些卡到底怎么省出来的 1300张H200，是Neon最终训练时，中训练和强化学习两个阶段同时在跑的峰值卡数。 而Astra的10万张以上Blackwell，对应的是一个前沿通用模型的大规模训练。 所以，1300对10万，算不出一个效率倍数，但它至少说明，这1300张卡被Periodic用到了极致。 科学任务上的强化学习，有个怪毛病：模型做一道题，要边想、边查资料、边跑工具，一趟下来可能一个多小时；可拿这道题的结果去更新模型，只要几分钟。 Periodic的办法是，让做题和学习分开，各用各的GPU，互不等待。 这里有个真实的翻车故事。 他们最早的RL循环，训练、推理和模型写的代码全挤在一起，没有任何隔离。 直到有一次，模型写的代码申请了80GB内