“Intelligence is necessary but not sufficient.” Latent.Space 访谈开场引用了 Periodic Labs 的这句话。后半段谈到的难题很具体：材料样品进了仪器，XRD 给出衍射图样，却不会自动标注样品里生成了什么。系统得从信号里判断材料相，再结合制备条件和其他测量，才能决定下一步。
我的判断是，AI for Science 的能力要经过实验回路检验：一次测量是否能改变下一次决策。
XRD 图样不会自动给出答案
Section titled “XRD 图样不会自动给出答案”访谈把材料发现的工作拆成连续判断：选什么、怎么合成、再确认实际做出了什么。样品离开炉子时不会带着标签。有时里面留有前驱体、非晶部分或实验者没有预期的相，分析者得根据数据辨认结果。
X 射线衍射能帮助识别晶体结构，但相似的图样可能对应不同的材料相。Periodic 的研究者会结合化学直觉和热力学信息，也会查看电学、磁学或显微镜数据。单看一个测量，容易错过材料状态的其它线索。
受访者把自动表征视为一处重要瓶颈。只把粉末混在一起，系统却无法分析产物、判断目标相是否形成，下一轮实验就会缺少可靠依据。Periodic 描述的做法，是把训练任务放进实验链中间，例如让 AI 根据衍射数据识别材料相。这样模型可以更早接触实验反馈，不必等到最终发现出现才开始学习。
表征不是实验结束后才补上的标签。判读结果本身就会影响下一项实验做什么。模型的预测能力接上这个选择，才进入科学工作的循环。
失败记录也需要来路
Section titled “失败记录也需要来路”实验记录得带上目标和过程。受访者提到研究者的直觉、实际运行的实验与模拟、代码，以及中间测量。模型可以据此重建当时已有的证据，再判断科学家为什么选择了下一步。
他们用“the process of doing science”概括这个方向：让模型学习科学家怎样推进研究。我因此会把材料数据看成带着实验背景的记录。工艺、仪器状态和此前尝试，都影响读数能否互相比较。
负结果也得和实验条件一起留下。受访者指出，公开材料文献通常记录成功合成的晶体，失败的尝试较少被发表。一次失败说明这组条件没有得到预期结果；它没有回答换一种制备方法会怎样。若要让失败可供模型学习，过程就不能丢。
访谈里有个小案例很能说明问题。AI 检查实验记录时，发现把数据循环置换后，前后关系就能对上。研究团队回查设备，找到了装载错误。AI 在这里帮人追到了数据异常的原因。
我之前在一篇讨论 AI 研究如何设定可检验目标的文章里，关注研究改变了哪一环，以及结果怎样支持它的主张。Periodic 的访谈把同一个问题带进材料实验：从实验设计到仪器读数，再到下一步选择，哪些信息能够留下来供复核？
自动化要改善证据质量
Section titled “自动化要改善证据质量”Periodic 希望积累足够多、质量可靠且覆盖面广的实验数据。受访者明确说，完整自主运行不是目标，自动化服务于数据目标。实验流程里哪些操作拖慢表征、造成误差或丢失上下文，就决定了自动化该从哪里开始。瓶颈变化后，研究者也会转向新的问题。
我会看每个机械动作留下了什么信息：仪器是否记录足够的上下文，实验能否复现，错误是否能及时发现，结果能不能进入下一轮选择。访谈谈到炉温不均、设备随使用发生变化和装载错误。这些状况会改变数据的含义。
改进仪器、补充遥测、让模型读取实验意图，都能让单次实验留下更适合复核的证据。评估自动化时，我会看误读是否减少，下一步判断是否更有依据。
“合成超智能”需要怎样的证据
Section titled ““合成超智能”需要怎样的证据”访谈中的模拟和实体实验各有用处。密度泛函理论能帮助研究者估计材料稳定性、筛选候选物；受访者也谈到，现有模拟难以处理强关联行为、微观结构和某些超导性质。实验结果可用于校准模拟，模拟则能缩小实体实验的搜索范围。两种方法配合起来，研究者可以同时改进候选物和制备方法。
新材料是否能合成、实际表现怎样，仍要由测量和复核回答。访谈把扩大搜索称为增加“the surface area for luck”。这句话承认了偶然发现的作用。我也会看系统能否辨认什么结果值得追下去，再把判断转成可复核的实验。
评价 Periodic 所说的“合成超智能”，我会看 AI 能否结合不同测量给出可靠判读，依据这些判读选择的下一项实验能否复核。失败过程的上下文也要保留下来。反馈能改进后续选择后，扩大实验规模才可能带来更多发现机会。