Periodic Neon: الذكاء الاصطناعي المدرَّب مخبرياً الذي يتفوق على نماذج الحدود في العلوم

أعلنت Periodic Labs للتو عن Periodic Neon، وهو نموذج بتريليون معامل أجرت عليه تدريباً لاحقاً باستخدام بيانات من مختبراتها الفعلية — وتؤكد أنه يتفوق الآن على GPT-6 Astra وClaude Fable 5.1 في مهمة علمية صعبة: قراءة أنماط حيود الأشعة السينية (XRD). يُعدّ هذا أحد أوضح الأمثلة على نموذج متخصص، مدرَّب على بيانات تجريبية خاصة، يتفوق في استدلاله على النماذج العامة الرائدة في مجاله الضيق. إليك ما هو Neon فعلياً، وكيف بُني، ولماذا يلمح إلى الاتجاه الذي يسير نحوه الذكاء الاصطناعي في خدمة العلوم.

ما هو Periodic Neon؟

Periodic Neon نموذج بحجم ~تريليون معامل أجرت عليه Periodic Labs تدريباً لاحقاً لتحليل النتائج التجريبية ونشرته داخل مختبراتها الفعلية. تصفه الشركة بأنه "خطوة نحو وضع الاكتشاف المستقل في أيدي العلماء."

الادعاء الرئيسي محدود النطاق لكنه لافت: في تحليل الحيود، يتفوق Neon على كل من GPT-6 Astra وClaude Fable 5.1 مع استخدام قدر منخفض نسبياً من الحوسبة. بدلاً من السعي وراء نموذج عام أكبر، بنت Periodic متخصصاً للمهمة التي تُنفّذها مختبراتها كل يوم.

بعض الحقائق الرئيسية من الإعلان والتغطيات الأولى:

• الغرض: تفسير نتائج حيود الأشعة السينية (XRD) — تحديد المادة التي تم تصنيعها فعلياً وما إذا كانت تمتلك الخصائص المقصودة.
• وصفة التدريب: تدريب وسيط بالإضافة إلى التعلم المعزز (RL) على بيانات المختبر الخاصة بالشركة.
• النشر: مدمج في معدات المختبر، يعمل على بيانات تجريبية حقيقية بدلاً من ترك وحدات معالجة الرسومات (GPU) خاملة أثناء إجراء التجارب.

ظهرت Periodic Labs من الخفاء عام 2025 بتمويل يبلغ نحو 300 مليون دولار لبناء "علماء ذكاء اصطناعي" لاكتشاف المواد، مستهدفةً موصلات فائقة ومغناطيسات جديدة. وNeon هو أول إصدار نموذجي مبني على هذه الفرضية.

لماذا يُعدّ تحليل XRD اختباراً جيداً للذكاء الاصطناعي

حيود الأشعة السينية هو الأسلوب الذي يستخدمه علماء المواد للتحقق مما صنعوه. تُوضع العينة في جهاز قياس، والنمط الناتج يُشفّر البنية البلورية. تفسير هذا النمط ليس مجرد بحث في قاعدة بيانات — فقد استغرق تاريخياً ساعات من الحكم الخبير، موازناً بين ظروف التجربة ومحاكاة الفيزياء والنتائج السابقة معاً.

هذا ما يجعل XRD معياراً مطلوباً للنموذج. إنه غامض، ثقيل فيزيائياً، ومرتكز على بيانات واقعية فوضوية بدلاً من نصوص نظيفة. النموذج الذي يقرأ الحيود بشكل جيد يجب أن يستدل حول التجربة الفعلية، لا أن يطابق الأنماط على الإنترنت فحسب.

كيف دربت Periodic متخصصاً يتفوق على النماذج العامة

الجزء المثير للاهتمام هو المنهجية. التعلم المعزز في البيئات الرقمية — البرمجة والرياضيات — يعمل لأنك تستطيع تشغيل أعداد ضخمة من الوكلاء على مهام سريعة وقابلة للتحقق. العلوم الفيزيائية تكسر هذه الوصفة: لا يمكنك إضافة روبوتات مختبر بمرونة، وقد تستغرق كل تجربة أياماً، وكثيراً ما تكون النتائج غامضة.

جواب Periodic هو معاملة اكتشاف المواد كحلقة ثلاثية المراحل واستخلاص التعلم من البيانات التي تمتلكها بالفعل:

1. الافتراض — اقتراح مادة مستهدفة، موجَّهاً بتنبؤات الاستقرار والخصائص.
2. التصنيع — التنبؤ بكيفية صنع تلك المادة المستهدفة فعلياً.
3. التوصيف — فهم ما تم صنعه وما إذا كان يمتلك الخصائص المقصودة (هنا يأتي دور XRD وNeon).

كل دورة تُحسّن الافتراض التالي. من خلال التدريب على السجل الشامل الذي تولّده مختبراتها عالية الإنتاجية، تُقرّب Periodic العلوم الفيزيائية "من النظام الرقمي" — مستخدمةً البيانات التجريبية الموجودة لتحسين النموذج بدلاً من انتظار تشغيلات جديدة.

النتيجة هي إثبات للرهان الجوهري للشركة: التجارب تولّد بيانات ← البيانات تدرّب ذكاءً اصطناعياً علمياً أفضل ← الذكاء الاصطناعي يوجّه تجارب أفضل. وNeon هو الدورة الأولى لهذا الدولاب.

ملاحظة حول الأرقام: ادعاءات المعيار — التفوق على GPT-6 Astra وClaude Fable 5.1 بحوسبة منخفضة نسبياً — صادرة عن Periodic Labs نفسها. لا يتوفر حتى الآن تحقق مستقل من طرف ثالث، لذا تعامل مع المقارنات المحددة باعتبارها نتائج الشركة الخاصة في الوقت الراهن.

لماذا يهمّ Periodic Neon

ثلاثة استنتاجات بارزة، حتى مع تجاهل المعيار الدقيق.

1. البيانات الخاصة تتفوق على الحجم في المجالات الضيقة. نموذج مركّز مدرَّب على بيانات لا يمتلكها أحد غيره يمكنه التفوق على نموذج عام أكبر بكثير في المهمة التي تصفها تلك البيانات. في العلوم المتخصصة، الميزة التنافسية هي المختبر، لا عدد المعاملات.

2. "الذكاء الاصطناعي للعلوم" ينتقل من قراءة الأوراق البحثية إلى إجراء التجارب. أدوات مثل مساعد البحث من Anthropic تساعد العلماء على الاستدلال عبر الأدبيات والبيانات. يشير Neon إلى خطوة أبعد — نموذج مرتبط بالأجهزة، يُغلق الحلقة بين الافتراض والنتيجة الفيزيائية. إذا كنت ترسم خريطة لهذا المجال، فإن شرحنا حول Claude Science يغطي الجانب الأدبي والتحليلي من الاتجاه ذاته.

3. الخلفية تدل على النية. أسّس Periodic Labs باحثون من أعمال اكتشاف المواد في OpenAI وDeepMind، ويُقدَّم Neon صراحةً باعتباره خطوة مبكرة نحو توجيه حملات علمية كاملة — اختيار التجارب التي ستُجرى، لا مجرد تفسيرها.

ما الذي يجب مراقبته لاحقاً

تقول Periodic إنها تمتد بالنهج ذاته ليطوّر ذكاؤها الاصطناعي إجراءات التصنيع ويقرر التجارب التي ستُجرى — منتقلةً من التحليل إلى التوجيه المستقل للبحث. الأسئلة المفتوحة هي ما إذا كانت ميزة المتخصص تصمد مع اتساع المهام، وما إذا كانت المعايير المستقلة ستؤكد نتائج الحيود.

في كلتا الحالتين، Neon نقطة بيانات ملموسة في تحوّل أكبر: الفرق التي تمتلك بيانات فريدة وعالية الجودة تدرّب نماذج مستهدفة تتفوق على نماذج اللغة الكبيرة الرائدة حيث يهمّ الأمر. إذا كنت تقيّم خيارات مفتوحة المصدر وقابلة للاستضافة الذاتية في هذا المجال، فراجع استعراضنا لـبدائل Claude Science مفتوحة المصدر.

ابنِ سير عمل حلقية مغلقة خاصة بك مع قوى عاملة من الذكاء الاصطناعي

دولاب Neon — تحليل النتائج، تحديد الخطوة التالية، التنفيذ، التكرار — هو الحلقة ذاتها التي تُشغّل وكلاء الذكاء الاصطناعي المفيدين في أي مجال، لا في مختبرات المواد فحسب. Eigent تطبيق سطح مكتب "Cowork" مفتوح المصدر ومحلي أولاً يُشغّل قوى عاملة متعددة الوكلاء لأتمتة سير العمل الحقيقي: سحب البيانات وتحليلها والتصرف بناءً على النتائج. إذا أردت وكلاء يحوّلون بياناتك وأدواتك الخاصة إلى عمل قابل للتكرار، نزّل Eigent وابدأ في بناء حلقتك.