他从 OpenAI 转向“原子级 AI”，一句话点破材料革命的真相

当大模型还在卷参数和算力时，前 OpenAI 研究员 Liam Fedus 已经把 Transformer 带进了原子世界。这期播客里，他讲清了一件反直觉的事：AI 真正改变世界的，可能不是语言，而是材料。

最反直觉的一点：语言模型，可能不是为“语言”而生

Liam Fedus 在节目中抛出的核心观点非常炸：Transformer 真正强大的地方，并不局限于自然语言。语言，只是它恰好最先被验证成功的载体。

在他看来，无论是文本、物理模拟，还是原子级结构，本质上都是“序列 + 约束”的问题。一旦你能把问题抽象成这种形式，Transformer 展现出的泛化能力就开始变得惊人。这也是为什么他会强调，在物理仿真和材料建模中，模型的“generalization is quite good”——这句话背后，其实是否定了“模型只会背训练集”的刻板印象。

这也是很多 AI 从业者容易忽略的地方：我们以为自己在做语言，其实是在无意中训练了一种跨领域的通用建模引擎。

从物理系到 OpenAI，再到原子：这条路径并不偶然

Liam 的背景看似“标准精英路线”：物理出身，后来进入 OpenAI，与一批来自 Google 的研究者共事。但他在节目中反复强调，这段经历真正改变他的，不是某个具体模型，而是“抽象层级”的思维方式。

在 OpenAI 的工作让他意识到，很多复杂系统之所以难，是因为人类被卡在了不合适的抽象层。而一旦找到更高一层的表示方式，问题会突然变简单。材料科学正是这样一个长期被底层细节淹没的领域：电子、原子、相互作用，每一层都极其复杂。

他选择投身材料与原子，并不是转行，而是把在 AI 里学到的“如何选择抽象层”的能力，带进了一个长期缺乏计算范式突破的领域。

为什么材料工程，会是 AI 的下一个“语言时刻”

节目里有一个很有意思的对比：语言世界，本质上是一个“纯软件”的成功故事；而材料世界，则是软件必须与现实强绑定的战场。

Liam 提到，物理仿真本身就是一种对现实的近似，而 AI 模型提供的是“再上一个抽象层”的可能性：不再逐步计算每一个物理过程，而是学习结果空间的结构。这让材料设计从“试错 + 实验”转向“预测 + 筛选”。

这也解释了为什么他会创办 Periodic Labs（视频标题信息）：不是为了做更快的仿真，而是为了改变材料工程的工作流本身。就像语言模型改变了写代码和写文章的方式，原子级 AI 试图改变的是工程师‘从哪里开始想问题’。

Transformer 之外，更难的是“系统工程”

有意思的是，Liam 并没有把成功简单归因于模型架构。他反而花了不少篇幅讲团队和系统：跨学科的协作、物理与 ML 之间的翻译，以及实验与模拟之间的闭环。

在他看来，真正的瓶颈往往不在模型，而在接口——模型如何接入真实世界的数据？预测如何反馈到实验？这也是他在讨论机器人和自动化时提出的关键问题：是否需要“足够好”的物理系统，AI 才能真正释放潜力？

这段讨论给人的一个强烈信号是：下一个 AI 时代的护城河，很可能不在算法本身，而在你是否能搭建起一个完整、可信的技术系统。

当科幻成为参考文献：为什么他提到《钻石时代》

节目中短暂提到 Neal Stephenson 的《钻石时代》，并不是跑题。那本书描绘的，正是技术深入物质世界后，对制造、教育和社会结构的重塑。

Liam 的语境很明确：当 AI 能在原子和材料层面发挥作用时，它带来的不只是效率提升，而是“什么东西可以被制造”的边界变化。这也是材料工程被长期低估，却可能在未来十年突然爆发的原因。

总结

这期对话最值得 AI 从业者反复咀嚼的一点是：不要被“语言”限制了对大模型能力的想象。Transformer 展现出的泛化能力，正在悄悄渗透到物理、材料和现实世界的深层结构中。

如果你在做模型，这意味着下一个机会可能不在更大的参数，而在更好的问题抽象；如果你在做应用，这意味着护城河将来自系统整合，而非单点算法。一个值得思考的问题是：你所在的行业，有没有一个“还没被 AI 找到合适抽象层”的角落？

关键词： Liam Fedus， Periodic Labs， Transformer， 材料工程， OpenAI

事实核查备注： 需要核查：1）Liam Fedus 的姓名拼写；2）他在 OpenAI 的具体职位和工作内容；3）Periodic Labs 的公司定位与使命表述；4）关于 Transformer 泛化能力的原话语境；5）视频总时长与完整讨论范围