OpenAI 722篇手稿遭撤回:Lean编译器戳破AI数学神话,3亿美元押注的Periodic Labs在门洛帕克死磕材料数据

2026年10月5日凌晨2点17分，OpenAI的GitHub仓库里多出722个.lean文件。

它们覆盖数论、几何、理论计算机科学、数学物理等17个领域，部分附带可由Lean编译器机械检查的形式化证明。平均每个结果消耗的算力，相当于ChatGPT Pro思考模式连跑三个小时。三天后，其中几篇被悄悄撤回，没有官方说明。

一个月前的9月8日，同一批人刚宣布内部模型调度上万个智能体、耗时88小时给出Navier-Stokes千禧年难题相关的爆破证明，随后卷入署名与优先权之争。两件事叠在一起，指向一个少有人点破的事实：AI在数学领域攻城略地，靠的是Lean这个铁面裁判——证明对不对，编译器说了算。

可一旦问题从纸面转向物质世界，裁判消失了。

Lean编译器能判对错，材料数据库连“负面结果”都没有

数学能被AI啃下来，底层原因不在数学简单，在于它自带可验证性基础设施。

Lean的编译过程是确定性的：给定一组公理和推导步骤，它只有“通过”和“报错”两种输出。没有模糊地带，没有同行评审的扯皮。形式化证明一旦通过，全球任何一台机器都能复现验证。这给强化学习提供了完美的奖励信号——模型不需要人类告诉它对不对，编译器直接给梯度。

编程领域同理。GitHub上积累了海量代码和单元测试，测试通过与否本身就是可验证奖励。如今的编程智能体花大量算力做长链推理，根据失败信号不断调整，靠的就是这套纠错闭环。ChatGPT共同创造者、OpenAI前副总裁Liam Fedus在最新一期播客The Frontier中说得很直接：“测试时计算加上可验证奖励，才是编程能力真正的解锁钥匙。”

材料科学缺的不只是裁判，是整个数据生态都是坏的。

两个课题组做同一个实验，可能得出相反结论；论文常省略关键细节，一句“我们合成了这种材料”背后藏着上百万个自由度；更要命的是，几乎没有负面结果。“你在网上看到的一切都成功了，这显然是一个高度有偏的数据分布。”Fedus说。

一份二十年前的物理模拟数据单独交给你，几乎派不上用场。你不知道它的意图，不知道这是正面还是负面结果。蛋白质结构预测能出AlphaFold，背后是几十年积累的干净数据。材料领域连这张底牌都没有。

3亿美元种子轮的算盘：Jeff Dean出现在投资方名单里

Fedus的履历横跨了这场AI竞赛最关键的位置。

他在Google Brain与Barret Zoph、Noam Shazeer合作提出Switch Transformer，把混合专家架构推到万亿参数规模，后来成为开源MoE模型的重要参照。2022年加入OpenAI参与创造ChatGPT，2024年10月接替Barret Zoph执掌后训练团队。2025年3月离职。

他创立的Periodic Labs，另一位联合创始人Ekin Dogus Cubuk在Google Brain与他相识近十年，后来在DeepMind领导化学与材料团队，是GNoME论文作者之一。2025年，Periodic以3亿美元种子轮走出隐身状态，投资方包括a16z、DST、英伟达旗下NVentures、Accel，以及Jeff Bezos、Eric Schmidt、Jeff Dean等个人投资者。

Jeff Dean出现在这份名单里，意味着一件事：Google内部对材料AI的路线判断，与Periodic的选择存在重叠。

今年9月中旬，Periodic发布首个模型Periodic Neon，约1万亿参数，在自家实验室数据上后训练，用于解读X射线衍射图谱。公司称其在自建基准上超过GPT-6 Astra，但这一结果目前仅为公司自报，无第三方复现。

Fedus在播客中解释了为什么必须建实体实验室：“即便你拥有一个能纵览人类全部知识前沿的超级智能系统，它跑一些模拟得出假设，但如果没有能力把想法付诸实践，你就只能停留在思考。要把多种可能性坍缩成唯一的真相，就必须动手做实验。”

Periodic在门洛帕克的实验室已经在运行。数据采集方式经历过摸索：早期尝试让科学家戴GoPro在实验室走动，遭到抵制，后来改用语音记录和实验记录本上传。团队最在意完整的上下文——假设是什么，实验如何执行，结果如何，是正面还是负面。

一个出乎意料的发现是，小规模实验室刚搭起来，团队就迅速陷入智能瓶颈。“科学家和工程师告诉我们：这么多数据我们根本理解不过来，需要帮助。”

材料科学家的饭碗先被AI撬动了

对普通从业者而言，这件事的冲击比一部纪录片或一篇论文要具体得多。

材料、化学、物理领域的实验人员正在经历工作方式的结构性变化。Periodic的实验室需要的是能设计实验、能识别坏数据、能编排多台设备协同的复合型人才。Fedus说，如何编排实验室、如何识别坏数据、如何在机器之间部署智能，这些经验可以迁移到不同物理领域。目前的实验室还无法开展严肃的合金或聚合物研究，但“轻松达到几十个”是预期规模。

对投资者来说，超导和核聚变是两条清晰的押注线。Fedus特别澄清，室温超导在物理上是否可能目前并无定论，但不必非得达到室温才有价值：只要临界温度明显高于液氮温区，加上延展性好、易于制造、对稀土依赖更低等特性，就会对核聚变反应堆产生巨大影响，因为后者需要超导体造出强大磁体。

关于商业化核聚变，他的判断是“未来七年左右似乎非常有可能”。他还补了一句：“资本和技术是交织在一起的，技术进步的速度并不是一个固定常数，它在很大程度上取决于社会投入了多少资源。”

如果能源变得足够便宜，气候问题的性质就会改变——从纯工程角度看，大气中二氧化碳过多本质上是能源问题，能源极其廉价时，过去的公共外部性就能被纳入经济体系内部解决。而最让他兴奋的影响是计算本身：“计算本质上是一个物理过程。”随着社会把越来越多资本投进数据中心，如果能提前消除未来五年的材料瓶颈，让摩尔定律延续下去，AI的进步就能持续推进。

核聚变反应堆的磁体订单将先于“室温超导”到来

断言放在这里：未来三年内，市场对高性能超导带材的需求增量将主要来自核聚变装置，而非任何宣称“室温超导突破”的实验室。

逻辑链条不复杂。商业聚变公司（Commonwealth Fusion Systems、TAE Technologies、Helion）的示范堆建设时间表集中在2028至2032年，这些装置需要大量高温超导磁体。REBCO带材的产能爬坡周期是18到24个月，订单会提前锁定。而室温超导哪怕明天被证实，从实验室样品到工业级带材的良率爬坡，没有五年以上根本走不完。

这意味着，接下来三年超导赛道最确定的收入，来自那些给聚变公司供货的材料商，而不是任何发《Nature》的凝聚态物理组。投资者盯错了方向，就会在“室温超导概念股”的波动里反复被收割。

Fedus在播客里提到，马斯克也经常谈火箭隔热罩等方面的材料挑战，环顾四周，“我们处处都被现有的材料所限制”。这句话的另一面是：谁先解开材料瓶颈，谁就卡住了下一轮AI算力扩张的脖子。

英伟达投Periodic，投的不是材料发现本身。NVentures出现在种子轮名单里，指向的是更上游的算力-材料循环：AI设计更好的材料→更好的材料造出更强的芯片→更强的芯片训练更聪明的AI。这个飞轮一旦转起来，后来者连入场券都拿不到。

⚡ 风暴中心·前沿交锋

当Lean编译器管不到材料世界，当“负面结果”成为比黄金还稀缺的训练数据，AI科学家的入场券到底握在谁手里？

👉 在公众号后台回复 「加群」，获取特工沙龙入口，与数千位极客读者一起拆解更多未公开的产业账本。