Ehemalige Forscher von OpenAI und DeepMind haben eine rekordverdächtige Seed-Finanzierungsrunde in Höhe von 300 Millionen US-Dollar gesichert, um Periodic Labs zu gründen. Dieses Startup hat sich zum Ziel gesetzt, wissenschaftliche Entdeckungen mithilfe von KI-gestützten Laboren zu automatisieren, die reale physikalische Experimente durchführen. Das Unternehmen trat am Dienstag aus dem Stealth-Modus hervor und wird von den größten Namen der Tech-Branche unterstützt, darunter Andreessen Horowitz, Nvidia, Jeff Bezos, Eric Schmidt und Googles Jeff Dean.
Die enorme Finanzierungsrunde, angeführt von Andreessen Horowitz, stellt eine der größten Seed-Investitionen in der Geschichte von Startups dar und signalisiert ein beispielloses Vertrauen in den Einsatz von Künstlicher Intelligenz zur Beschleunigung von Durchbrüchen in der Materialwissenschaft. Periodic Labs wurde von Liam Fedus, dem ehemaligen VP of Research bei OpenAI und Mitentwickler von ChatGPT, gemeinsam mit Ekin Dogus Cubuk gegründet, der zuvor den Bereich Material- und Chemiewissenschaften bei Google Brain und DeepMind leitete, wo er GNoME entwickelte – ein KI-Tool, das 2023 über 2 Millionen neue Kristalle entdeckte.
Künstliche Intelligenz für wissenschaftliche Entdeckungen im Bereich der Physik entwickeln
Im Gegensatz zu KI-Unternehmen, die sich auf digitale Anwendungen konzentrieren, baut Periodic Labs autonome Labore, in denen Roboter physische Experimente durchführen, um neue Materialien zu entdecken. Der Ansatz des Start-ups geht auf das zurück, was die Gründer als grundlegende Einschränkung betrachten: Aktuelle KI-Modelle haben das Internet als Trainingsquelle „ausgereizt“ und benötigen neue Daten aus realen Experimenten.
„Wissenschaft funktioniert, indem man Vermutungen darüber anstellt, wie die Welt sein könnte, Experimente durchführt und aus den Ergebnissen lernt“, erklärte Cubuk am Dienstag in den sozialen Medien. Das Unternehmen plant, Anlagen in Menlo Park, Kalifornien, zu errichten, in denen KI-Systeme Experimente entwerfen, Robotergeräte anweisen, Chemikalien zu mischen und Materialien zu erhitzen, Ergebnisse analysieren und auf Grundlage der Erkenntnisse iterieren.
Der anfängliche Fokus liegt auf der Entdeckung von Supraleitern – Materialien, die Strom ohne Widerstand leiten und damit möglicherweise Stromnetze, Transport und Quantencomputing revolutionieren könnten. Gegenwärtige Supraleiter erfordern entweder extrem niedrige Temperaturen oder seltene Materialien, was ihren breiten Einsatz unpraktisch macht.
Industrieabwanderung und zunehmender Wettbewerb
Periodic Labs hat mehr als 20 Top-Forscher von Meta, OpenAI, Google DeepMind und anderen führenden KI-Unternehmen gewonnen, wobei viele dafür auf potenzielle Einnahmen in Höhe von mehreren Dutzend Millionen verzichten, um sich dem Unternehmen anzuschließen. Diese Abwanderung von Talenten spiegelt das zunehmende Interesse an KI-Anwendungen jenseits von Chatbots und Sprachmodellen wider.
Das Startup betritt eine wettbewerbsintensive Landschaft, in der KI-gesteuerte wissenschaftliche Entdeckungen an Fahrt gewinnen. Zu den jüngsten Durchbrüchen zählen MIT-Forscher, die KI-Tools entwickelt haben, die generative Modelle wahrscheinlicher dazu bringen, bahnbrechende Materialien zu erschaffen, sowie Wissenschaftler, die KI nutzen, um Quantenphasen in Supraleitern innerhalb von Minuten zu identifizieren – ein Prozess, der früher Monate dauerte. Die A-Lab-Einrichtung des Lawrence Berkeley National Laboratory hat bereits gezeigt, dass KI-gesteuerte Roboter erfolgreich neue Materialien synthetisieren können.
Periodic Labs arbeitet bereits mit Kunden aus den Bereichen Halbleiter, Raumfahrt und Verteidigung zusammen – Industrien, die für Billionen an F&E-Ausgaben stehen. Das Unternehmen hilft Halbleiterherstellern dabei, Probleme mit der Wärmeableitung zu lösen, und bildet Agenten aus, um Simulationen zu automatisieren. Da die Materialwissenschaft zunehmend auf autonome Experimente setzt, positioniert sich Periodic Labs an der Spitze dessen, was Forscher als „selbstfahrende Labore“ bezeichnen – robotergesteuerte Plattformen, die maschinelles Lernen mit physischer Experimentierarbeit kombinieren, um den Zeitrahmen für Entdeckungen dramatisch zu verkürzen.
Mike Kosthorst, Master of Arts Unternehmensführung (M.A.)
05.10.2025