面向下一代智能系统的 Neo Lab

PhAI Labs 是一家面向真实科学发现的 AI 研究机构。我们同时做两件事：训练模型，和把模型放进真实的科研过程里检验。

团队由能做实验、也能训模型的人组成：科学背景出身，AI 研究经历覆盖斯坦福、牛津、普林斯顿与北京大学，有 Cell、Nature、Science 的一作工作，也有在机器人、推理和多模态学习中被广泛使用的开源系统。具体成员见团队页。

公开数据已经见底。互联网上的文本是静态的，而且已经被训练过；合成推理只能复述模型已知的东西。前沿模型真正短缺的输入，是带有真实结果的科学数据。它无法被抓取，只能被生产出来。

科学发现正是生产这种数据的过程。一个假设被验证或被推翻，一个实验成功或失败，都是模型此前没有见过的信号。这是我们把科学智能称为第三条 Scaling Law 的原因：让模型在真实科研中学习，比再喂一遍互联网更有价值。

所以我们不满足于让 AI 更快地完成既有的科研任务。我们希望系统参与更完整的发现过程，并在这个过程中形成新的能力。

模型能力本身不会自动变成科学发现。中间缺的是连接：把科学家关心的问题变成系统可以研究的问题，把系统的判断变成可以执行的工具调用和实验，再把实验结果变成可以检验判断的证据。

我们的工作就是建这些连接。数据训练模型，模型设计下一个实验；实验返回的结果，包括每一次失败，都变成奖励、变成更难的评测、变成下一轮的问题。两个方向同时转动，每一轮都降低下一份有效数据的成本。

在这条链路上，科学家不是旁观者。领域判断、数据、验证条件都来自真实的实验室，这也是我们发起 DFM 科学家合作计划的原因。

DFM（Discovery Foundation Models）不是一个单一模型，也不是要求所有系统按同一套流程运行的软件框架，而是 PhAI Labs 围绕 Discovery Intelligence 提出的一套研究范式、能力定义和系统组织方式。它通过形式化定义、流程图示、系统实例和真实科学案例，把“发现”从一个模糊概念具体化为一种可学习、可执行、可评测的模型系统能力。

DFM 是 PhAI Labs 技术路线的总范式。围绕它，我们从三个彼此独立的方向展开研究与工程：ScienceBuddy 关注科学家反馈与智能体工作环境的持续演化，ScienceIDE 关注真实科学代码、任务与环境，JEPA-Anything 关注跨领域的世界状态预测。ScienceBuddy、ScienceIDE 和 JEPA-Anything 是三个完全独立的模块与研究方向，在产品形态、使用方式、论文和技术实现上彼此独立，不存在必须的调用或依赖关系。

从未来愿景上看，三者可以形成一种可组合的研究路径：ScienceBuddy 通过科学家与智能体的交互收集反馈和研究轨迹；ScienceIDE 将这些数据和经验进一步组织为可复用的科学环境，用于任务执行、强化学习和模型训练；JEPA-Anything 则探索对多个科学环境和干预结果进行统一的状态预测和模拟。这是一种未来可能的组合方式，不代表三者当前已经完成集成，也不改变它们各自独立的定位。DFM 关注的能力通过这些工作逐步实现并陆续发布，它不是一个已经完成的模型。

我们的长期目标是 Recursive Self-Improvement：构建能够从真实任务与环境反馈中持续学习、验证并改进的智能系统。科学是检验这一目标最严格的场景，因为现实不会迁就模型。

我们的做事方式很简单：从真实问题出发，在真实反馈中验证，在合作中持续演进。不夸大尚未开放的能力，不把规划说成结果。数据只在授权范围内使用，成果按贡献和协议确定。

我们希望，每一次探索都成为下一次发现的起点。