Periodic Labs با جذب ۳۰۰ میلیون دلار سرمایه اولیه از حالت مخفی خارج شد؛ هدف: ساخت «دانشمندان هوشمصنوعی» و آزمایشگاههای خودران
Periodic Labs روز سهشنبه از دوره مخفیکاری خارج شد و اعلام کرد یک دور سرمایهگذاری اولیه (seed) به ارزش ۳۰۰ میلیون دلار را با حمایت مجموعهای از نامهای برجسته صنعت فناوری جذب کرده است؛ از جمله Andreessen Horowitz (a16z)، DST Global، NVIDIA، Accel، Elad Gil، Jeff Dean، Eric Schmidt و Jeff Bezos. این شرکت نوپا را اکین دوغوش چوبوک (Ekin Dogus Cubuk) و لیام فدوس (Liam Fedus) بنیان گذاشتهاند.
سابقه بنیانگذاران و تیم
اکین چوبوک پیشتر هدایت تیم مواد و شیمی در Google Brain و DeepMind را بر عهده داشت و در پروژههایی مانند ابزار GNoME مشارکت داشت؛ ابزاری که در سال ۲۰۲۳ بیش از دو میلیون بلور جدید را کشف کرد—موادی که میتوانند در نسلهای بعدی فناوریها کاربرد داشته باشند. لیام فدوس نیز معاون پژوهش در OpenAI بوده و یکی از محققانی است که در خلق ChatGPT نقش داشته و تیمی را هدایت کرد که اولین شبکه عصبی با تریلیون پارامتر را ساخت. تیم کوچک Periodic Labs شامل پژوهشگرانی است که روی پروژههای برجسته دیگری در حوزه هوش مصنوعی و علوم مواد کار کردهاند، از جمله توسعه عاملهای OpenAI و پروژههایی مانند MatterGen مایکروسافت.
ماموریت: خودکارسازی کشف علمی
هدف اعلامشده Periodic Labs خودِ خودکارسازی فرایند کشف علمی است؛ ساخت «دانشمندان هوشمصنوعی» و ایجاد آزمایشگاههای رباتیک که بتوانند آزمایشهای فیزیکی را اجرا کنند، داده جمعآوری کنند، بر اساس نتایج تکرار و بهینهسازی کنند و بهصورت مستقل یاد بگیرند و پیشرفت کنند. نخستین هدف عملیاتی این آزمایشگاهها، کشف اَبَررساناهای جدید است—مواد با قابلیت هادی بودن بدون اتلاف انرژی که در صورت موفقیت میتوانند به دستگاهها و شبکههای انرژی کارآمدتر منجر شوند.
جمعآوری دادههای دنیای فیزیکی برای آموزش مدلها
Periodic Labs تأکید میکند که پیشرفتهای پیشین هوشمصنوعی در علوم غالباً از مدلهایی ناشی شده که با دادههای موجود در اینترنت آموزش یافتهاند و این منبع تا اندازهای «مصرف» شده است. این شرکت میخواهد با تولید دادههای فیزیکی نو و سازمانیافته—دادههایی که از فرایندهای آزمایشی رباتیک استخراج میشوند—نسل جدیدی از مدلها را تغذیه کند تا توانایی کشف مواد نو و تسریع پژوهشها را داشته باشند.
رقبای پژوهشی و اکوسیستم
فارغ از Periodic Labs، تیمها و سازمانهای دیگری نیز در حال کاوش ایده «دانشمندان خودکار» هستند؛ از استارتاپهای کوچک مثل Tetsuwan Scientific تا نهادهای غیرانتفاعی مانند Future House و کنسرسیومهایی دانشگاهی مانند Acceleration Consortium در دانشگاه تورنتو. این رقابت نشان میدهد حوزه اتوماسیون کشف شیمی و مواد در حال تبدیل شدن به یک عرصه پرتکاپو و چندجانبه است.
چالشها و پیامدها
ساخت آزمایشگاههای خودران و مدلهای مبتنی بر دادههای فیزیکی علاوه بر فرصتهای بزرگ، چالشهای فنی و اخلاقی نیز دارد: تضمین تکرارپذیری نتایج، ایمنی آزمایشها، مدیریت و نگهداری دادههای پیچیده فیزیکی، و مسائل مربوط به مالکیت فکری و مقررات. با این حال، اگر Periodic Labs موفق شود، میتواند روند کشف مواد را شتاب دهد و دستاوردهایی مانند اَبَررساناهای کارآمد یا مواد کاملاً جدید را ممکن سازد—دستاوردهایی که میتوانند تأثیر گستردهای بر فناوری، انرژی و صنعت داشته باشند.