Periodic Labs: استارتاپ تازهتأسیس برای خودکارسازی کشف مواد با سرمایه اولیه ۳۰۰ میلیون دلار
Periodic Labs، استارتاپی که توسط لیام فدوس (یکی از پژوهشگران برجسته سابق اوپنایآی) و همکار پیشین او در تیم Google Brain، اکین دوغوش چوبوک تاسیس شده، ماه گذشته رسماً از وضعیت مخفی خارج شد و یک دور سرمایهگذاری اولیه چشمگیر به مبلغ ۳۰۰ میلیون دلار را جذب کرد. این دور توسط صندوق فلیسیس (Felicis) هدایت شد و مجموعهای از بزرگترین سرمایهگذاران فرشته و شرکتهای سرمایهگذاری خطرپذیر از جمله اندریسن هوروویتز، DST، شاخه سرمایهگذاری انویدیا (NVentures)، اَکسل و سرمایهگذاران مطرحی مانند جف بزوس، الاد گیل، اریک اشمیت و جف دین در آن مشارکت داشتند.
ایده و فناوری
Periodic Labs با چشماندازی بلندپروازانه شکل گرفت: ادغام مدلهای زبانی بزرگ (LLM)، شبیهسازیهای پیشرفته و آزمایشگاههای رباتیک برای خودکارسازی علم مواد. بنیانگذاران معتقدند که اکنون سه عامل کلیدی برای این تحول مهیا شده است:
– پیشرفت در شبیهسازیهای مبتنی بر یادگیری ماشین که قادر به مدلسازی سیستمهای فیزیکی پیچیده مورد نیاز برای طراحی مواد جدید هستند.
– قابل اتکا شدن بازوها و سامانههای رباتیک برای انجام سنتز پودری و آزمایشهای «wet lab» (فرایندهای ترکیب و تولید مواد).
– افزایش قابلیتهای استدلالی مدلهای زبانی بزرگ (نقشی که فدوس و تیمش در اوپنایآی در توسعه آن داشتهاند) که میتواند نتایج تجربی را تفسیر و مسیر بهبود آزمایشها را پیشنهاد دهد.
پیشینه پژوهشی و اهمیت دادههای تجربی
یکی از شواهد عملی مسیر فکری بنیانگذاران، پژوهش پیشین گوگل است که در سال ۲۰۲۳ منتشر شد: تیمی با بهرهگیری از مدلهای زبانی و اتوماسیون رباتیک توانست آزمایشهای خودکار انجام دهد و ۴۱ ترکیب نوین را پیشنهاد و تولید کند. اهمیت این دستاورد در دو جنبه است: اول نشان میدهد که ترکیب مدلهای زبانی با رباتیک میتواند منجر به تولید مواد جدید شود؛ و دوم اینکه حتی «آزمایشهای ناموفق» نیز ارزشمند هستند، زیرا دادههای واقعی آزمایشگاهی سوخت ضروری یادگیری و بهبود مدلهای هوش مصنوعی به شمار میآیند.
تیم و برنامههای اولیه
با سرمایه ۳۰۰ میلیون دلاری، Periodic Labs تیمی چندرشتهای از پژوهشگران مطرح در حوزه هوش مصنوعی و علم مواد را جذب کرده است؛ از جمله متخصصانی که در توسعه ابزارهای مواد مبتنی بر نسل بعدی هوش مصنوعی مشارکت داشتهاند یا در کشف اَبَررساناها تجربه دارند. ساختار داخلی شرکت طوری طراحی شده که اعضا در جلسات هفتگی سطح کارشناسیافته (در حد کلاسهای تحصیلات تکمیلی) در حوزههای مختلف به تبادل دانش بپردازند تا «اتصال قوی» میان هوش مصنوعی، فیزیک و مهندسی حفظ شود.
ماموریت فعلی و چالشها
اولویت اولیه Periodic Labs جستجوی مواد اَبَررسانا (superconductors) جدید است؛ کشفی که میتواند تحول بزرگی در فناوریهای پرمصرف و زیرساختهای انرژی ایجاد کند. برنامهریزی شرکت شامل استفاده از شبیهسازیهای یادگیری ماشین برای پیشنهاد ترکیبات، انجام سنتزها در آزمایشگاه و تحلیل نتایج با کمک مدلهای زبانی است. با این حال، بخش رباتیک آزمایشگاه که برای اجرای خودکار سنتزها و آزمایشها لازم است، هنوز در مرحله آموزش و عملیات قرار دارد و زمانبر خواهد بود.
نکات کلیدی و ریسکها
– فرصت: ترکیب دادههای تجربی واقعی با مدلهای پیشرفته امکان شتابدهی به کشف مواد را فراهم میکند و میتواند منابع جدیدی از داده برای آموزش و بهبود مدلها ایجاد کند.
– ریسک: کشف علمی معمولاً فرایندی کند، پرهزینه و نامطمئن است؛ حتی با تیمی از بهترینها، هیچ تضمینی برای موفقیت سریع یا ایجاد کشف انقلابی وجود ندارد.
– رقابت و حرکت اکوسیستم: شرکتهای بزرگ و آزمایشگاههای تحقیقاتی نیز بهسرعت در حال حرکت به سمت «علم با کمک هوش مصنوعی» هستند؛ مثلاً اوپنایآی واحدی با عنوان «OpenAI for Science» را برای تسریع کشف علمی معرفی کرده است.
مسیر جذب سرمایه و استقلال
با وجود گمانهزنیهایی مبنی بر حمایت مالی اوپنایآی، فدوس و چوبوک تأیید کردهاند که اوپنایآی از سرمایهگذاران Periodic Labs نیست. در عوض، استقبال گسترده سرمایهگذاران خطرپذیر و فرشتگان باعث شد که شرکت بدون وابستگی مالی به سازمان قبلی بنیانگذاران، منابع قابلتوجهی را جذب کند؛ مسیری که نشاندهنده اعتماد سرمایهگذاران به ترکیب تخصص فنی و چشمانداز کاربردی تیم است.
جمعبندی
Periodic Labs نمونهای از تلاشهای نوظهور برای پیوند عمیق بین هوش مصنوعی و آزمایشگاههای فیزیکی است؛ تلاشی که میتواند مسیر کشف علمی را بازتعریف کند. اگرچه پتانسیل تحولآفرین این رویکرد بالا است، موفقیت آن نیازمند حل چالشهای فنی، مدیریتی و عملیاتی در تلفیق شبیهسازیها، یادگیری ماشین و اتوماسیون رباتیک خواهد بود. پیگیری فعالیتهای این استارتاپ، بهویژه در حوزه اَبَررساناها و انتشار دادههای تجربی، میتواند ملاکی مهم برای سنجش توانایی هوش مصنوعی در تغییر روشهای سنتی علم مواد باشد.