挑战赛与验证板块首页
案例与体系设计
Adaptyv 蛋白结合剂题库与湿实验平台RNA 结构预测题库与自动化实验室体系设计
验证服务与模型能力
蛋白 binder 验证服务三家对比Absci & Claude Science 蛋白 Bin…湿实验与前沿模型的科研能力训练：谁真的把现实接进了训练回路
验证实验室的投入
Adaptyv 自建验证实验室：外购设备清单与总价估算晶泰科技 bio 侧实验设备投入：与 Adaptyv 对比RNA相关CRO/CDMO/设备商 与 清华对口实验室 名录
AI4S / Bio / 挑战赛与验证

湿实验与前沿模型的科研能力训练：谁真的把现实接进了训练回路

整理 2026-09-20 · 来源与可靠度标注见正文
本文目录
  1. 0. 一页结论
  2. 1. 科研能力的训练配方：五层
  3. 2. 湿实验用在哪一环：三层
  4. 3. 为什么三大 lab 不把湿实验放进 RL：四个结构性原因
  5. 4. 实际使用的四种"湿实验替代品"
  6. 5. 判断与跟踪点
  7. 6. 数据口径与不确定性
  8. 7. 来源

日期：2026-09-20 范围：美国 frontier lab（OpenAI / Anthropic / Google DeepMind）训练"能做科研"的模型的实际配方；湿实验结果在其中处于哪个位置；以及"把物理实验当 RL 环境"这条路线的实际进展（Periodic Labs、Lila Sciences）。 关联：rubric 评测侧的调研见 （本文第 4 节的"替代真值"与之衔接）。 数据口径提示见文末。

0. 一页结论

  1. 三大 lab 都在用湿实验，但没有一家公开把湿实验结果当作 RL 奖励信号。 湿实验出现在两个位置：事后验证（发布会证据）、结果回流当训练数据（慢回路）。
  2. 真正把物理实验当 RL 环境的是从这些 lab 出走的人创的新公司：Periodic Labs（前 OpenAI 后训练负责人 Liam Fedus + 前 DeepMind GNoME 作者 Ekin Dogus Cubuk）、Lila Sciences。
  3. 原因是物理的，不是意愿问题：训练步 = 分钟级，湿实验 = 天到周级，差 3–5 个数量级；而一次 RL run 需要几十万次 rollout。再加成本、信号稀疏、credit assignment 不可解、以及"为窄域牺牲通用性"的取舍。
  4. 前沿模型实际用的是四种"湿实验替代品"：形式化验证器（Lean）、计算仿真代理（DFT / MD / 对接）、已完成实验的回溯真值、rubric。湿实验本身的角色是最终背书与校准，不是梯度来源。
  5. Anthropic 的路线最值得跟踪，虽然不性感：自建湾区湿实验室 + 生物专业语料训练 + 资助外部湿实验验证（众包真值数据）。这是一个不依赖在线 RL 的慢回路，与其通用模型生意不冲突。
  6. Periodic Labs 是数据护城河赌注，不是模型能力赌注。 检验点唯一且清晰：什么时候报出第一个由 RL 闭环得到的新材料或超导结果。到 2026-09 还没有——9 月那篇技术文只讲训练与服务基建，明确没有报告新验证的材料或超导结果。
  7. 团队流向是最有信息量的信号：最懂"怎么训模型"和"怎么做材料发现"的两个人离开大 lab 自建实验室，说明他们判断这件事在通用 lab 体制内做不了。若湿实验 RL 真能成，最先成的大概率不是 OpenAI 或 Anthropic。

1. 科研能力的训练配方：五层

层 做法 证据 / 说明
1. 语料 科学专业语料进预训练 / 中训练 Anthropic 明确在"从结构生物学到临床监管申报文件"上训练 Claude
2. RLVR 在有机械判定器的科学子集上做 RL：形式化数学证明（Lean）、代码、单元测试、仿真可验证任务 RLVR 是 2026 配方地基；数学/代码能力的跨域迁移是主要收益来源
3. rubric RL 开放式科研产出无唯一答案 → rubric 当奖励 FrontierScience-Research 的 10 分制、ResearchRubrics、HealthBench 一路（详见 rubric 专篇）
4. agentic 长程 RL 工具使用（检索 / Scholar / 代码解释器）、多轮、长程；rollout 极长迫使训练与推理异步 Periodic 原话："科学 rollout 可推理并执行工具一小时以上，而一个训练步只要几分钟"，故训练与推理跑在分离 GPU 池上防空转
5. test-time scaling 推理时聚合 / 自演化，不做盲目重采样 UniScientist 的 Aggr@8；UniMath 的 pool_refine_tournament

量级参考：后训练算力已超过预训练（Cursor Composer 1.5 在 RL 后训练上的算力超过其基座预训练）。科研能力主要是后训练的产物。

2. 湿实验用在哪一环：三层

Tier 1：只做事后验证（最主流，三大 lab 都在这层）

OpenAI × Retro Biosciences —— GPT-4b micro（GPT-4o 的生物学特化版）

  • 设计两个改造版 Yamanaka 因子：RetroSOX、RetroKLF
  • 湿实验结果：多能性标记表达提升 50 倍以上；SOX2 的建议中超过 30% 优于野生型；iPSC 生成从常规 3 周压到 7 天；老年供体间充质干细胞中 85% 以上在 12 天内激活内源多能性基因
  • 后续在多供体、多细胞类型、多递送方式上复现，确认完整多能性与基因组稳定性
  • GPT-4b micro 为研究用途，未公开发布

Anthropic —— 2026-08 公布对 15 个靶点的 de novo 蛋白结合体设计，命中率 22–35%（行业常规 10–15%），湿实验验证由 Adaptyv Bio 与 Twist Bioscience 执行。

Google DeepMind —— AI co-scientist 进入真实实验室验证假设（AML 药物再定位、肝纤维化等方向）。

共同点：湿实验是发布会上的证据，不在训练回路里。

Tier 2：湿实验数据回流当训练数据（Anthropic 走得最远）

  • Anthropic 已在旧金山湾区自建湿生物实验室并招 bench 科学家，让 Claude 做真实实验。
  • 公开描述的回路：AI 计算生成假设与分子 → 人类科学家在 bench 上测试 → 结果回流改进模型。
  • 措辞要抓准：是"结果回流改进模型"，不是"结果当奖励做 RL"。前者可以是 SFT、数据集、评测集，不需要在线梯度。
  • Life Sciences Verification Program：Anthropic 出最多 100 万美元 Claude 额度 + 额外资金资助湿实验验证，Modal 出 25 万美元算力，Twist 提供 DNA 合成。本质是众包湿实验真值数据，让外部实验室替它生产验证数据。
  • 战略表述：想把生命科学的整个 R&D 周期压缩一个数量级（10×）。

Tier 3：湿实验当 RL 环境（只有新公司在做）

Periodic Labs

  • 团队来历本身即论据：Liam Fedus（前 OpenAI 后训练负责人、ChatGPT 共同创造者）+ Ekin Dogus Cubuk（前 DeepMind 化学物理研究负责人、GNoME 论文作者），2025 年创立。
  • 模型 Neon：1 万亿参数 MoE；最终训练 run 峰值 1,300 张 Nvidia H200；集群利用率 95%+；训练吞吐比 Megatron 基线高 4.1×；推理从 10 提升到 25 tokens/s/请求；prefill-decode 解耦使 rollout 时长减半，Delta Router Replay 使解码提速 2.5×。
  • 明确把物理实验当 RL 环境，"现实提供反馈"；被迫把模型训练、工具执行、实验室运营做成一个系统（不存在可外购的"湿实验 reward API"）。
  • 融资：3 亿美元种子轮；2026-03 传以 70 亿美元估值融 5 亿美元。
  • 冷静事实：9 月那篇技术文只讲怎么训练与部署 Neon，没有报告任何新验证的材料或超导结果。闭环基建已建成，闭环产出未公布。

Lila Sciences

  • "AI Science Factories"：生成假设 → 机器人执行 → 实时学习的闭环，横跨生物、化学、材料。
  • 2026-08 宣布其 RNA 发现引擎在单个自主研究回路内从超稳定 mRNA 推进到 CAR-T 应用。

其他同类光谱：Coscientist、CuspAI、A-Lab、FutureHouse Kosmos、Sakana AI Scientist（自主程度不一，多数仍是人类主导的加速器）。

3. 为什么三大 lab 不把湿实验放进 RL：四个结构性原因

  1. 时间尺度差 3–5 个数量级。 训练步几分钟，湿实验几天到几周；一次 RL run 需要几十万到上百万次 rollout。算术不成立。
  2. 样本效率与成本不匹配。 RL 是海量样本方法，湿实验一条几百到几万美元——用最贵的信号喂最饿的算法。
  3. 信号稀疏且带噪声，credit assignment 几乎无解。 实验失败可能源于假设错误，也可能是移液操作、试剂批次、细胞状态。模型该为哪一步担责无法归因。
  4. 通用模型 vs 垂直模型的取舍。 三大 lab 卖通用模型，湿实验信号只在极窄领域有效（某类蛋白、某类材料）。把窄域稀疏信号灌进通用模型性价比极差。Periodic / Lila 敢做，正因为它们放弃了通用性。

4. 实际使用的四种"湿实验替代品"

替代真值 例子 反馈速度 局限
形式化验证器 Lean（IMO-ProofBench、FrontierMath Erdős 的 68 个形式化问题） 秒级 只有数学有
计算 / 仿真代理 DFT、分子动力学、分子对接、量子化学计算；预训练代理模型用便宜信号预测昂贵测量值 分钟到小时 代理与现实存在系统性偏差
回溯真值（已完成但模型未见的实验） BenchBench-Protocol：Benchling 上 96 篇已发表协议、149 任务，发表版与科学家改动版的差异即真值 零成本 污染风险
rubric FrontierScience-Research 10 分制、ResearchRubrics、BiomniBench 六维过程级 秒级 奖励"说到了"不奖励"说对了"（见 rubric 专篇第 3 节）

结论：这四种都是湿实验的影子。湿实验本身的角色是最终背书与校准，不是梯度来源。这与 rubric 专篇的架构结论一致——真值层的用途是校准便宜的代理信号，而非直接驱动训练。

5. 判断与跟踪点

判断

  1. "用湿实验做 RL"目前基本不存在于通用前沿模型的训练中。 它以三种降级形态存在：事后验证（PR 价值最高）、回流当训练数据（Anthropic）、资助外部生产验证数据（Anthropic Verification Program）。说某个前沿模型"通过湿实验强化学习训练出来"，目前没有公开证据支持。
  2. Periodic Labs 是数据护城河赌注。 论点是"互联网数据将尽，唯一的新数据来源是现实本身"。它赌的是自己造数据的闭环，不是模型架构优势。
  3. 团队流向的信息量大于任何官方表态。 两个最懂训练与材料发现的人离开大 lab 自建实验室 → 他们判断这件事在通用 lab 体制内做不了（要为窄域牺牲通用性，还要自己运营实验室）。
  4. Anthropic 的慢回路路线更符合物理现实：湿实验结果累积成数据集，下一代模型受益；不需要在线 RL，也不与通用模型生意冲突。这条路线被低估。
  5. 对评测的含义：带湿实验真值的科研 benchmark 必然小样本、慢、贵（BioLab Bench、BiomniBench 都在百题级）。其定位应是校准器而非排行榜——用小而真的真值集校准大而便宜的 rubric 集。

跟踪点

  • Periodic Labs 何时报出第一个由 RL 闭环（而非人类直觉 + AI 辅助）得到的新材料或超导结果。这是这条路线成立与否的唯一硬检验。
  • Periodic 5 亿美元 / 70 亿估值这轮是否落地、投资人构成。
  • Anthropic 自建湿实验室的产出是否进入下一代 Claude 的训练数据，以及是否公开披露口径。
  • Anthropic Verification Program 资助的外部湿实验数据归属与使用权条款（这决定了它是不是在低成本收购真值数据）。
  • 是否出现"湿实验 reward 中间层"的第三方服务（把实验室封装成可调用的 reward API）——若出现，Tier 3 的门槛会骤降。
  • Lila 的 RNA 引擎闭环成果是否有同行评议或第三方复现。

6. 数据口径与不确定性

  • 全部内容基于 2026-09-20 的公开检索与部分页面抓取；多数论文与技术博客只读了摘要或检索摘要，未逐篇通读。
  • Anthropic "结果回流改进模型"来自第三方报道对其做法的描述，Anthropic 未公开说明该回流是 SFT、数据集还是 RL；本文据措辞判定为非 RL，属推断，未经其确认。
  • Periodic Labs 的 GPU / 吞吐 / 模型规模数字来自对其 9 月技术文的二手报道，未核对原文。
  • "三大 lab 没有一家把湿实验当 RL 奖励"是基于公开信息的判断，不排除未公开的内部做法。
  • Retro Biosciences 的 50× 等数字为 OpenAI / Retro 自报口径，未见独立复现报告（其自述已在多供体多细胞类型复现）。
  • Periodic 70 亿美元估值、5 亿美元融资为传闻口径（2026-03 报道），未确认交割。
  • Lila Sciences 的 RNA 引擎成果为公司公告口径。

7. 来源

OpenAI

Anthropic

Periodic Labs / Lila / 自主实验室

训练配方侧

本文为个人研究笔记，结论基于成文时可获得的公开信息；带〔估算〕〔推断〕或⚠️的数字未经独立核实。