|
传统聚变等离子体、吴泰物理问题流体或油藏仿真往往需要数小时至数周的到创的根算力周期，而吴泰霖的业想目标是将这一过程压缩至秒级。他致力于让AI不仅作为模拟工具，回答更深度参与工程设计、吴泰物理问题实时控制及科学发现。到创的根 吴泰霖拥有北京大学物理学学士学位及麻省理工学院（MIT）物理学博士学位，业想随后在斯坦福大学Jure Leskovec教授课题组完成博士后研究。回答2023年7月，吴泰物理问题他加入西湖大学工学院，到创的根担任特聘研究员、业想助理教授，回答并出任西湖大学人工智能与科学仿真发现实验室负责人。吴泰物理问题 过去十年，到创的根吴泰霖深耕AI与科学交叉领域，业想核心聚焦于如何让机器学习在加速复杂系统仿真的同时，从海量数据中挖掘新的科学规律。他提出以深度学习代理模型为核心的算法体系，在流体力学、等离子体物理等领域实现了仿真速度的数量级提升，有效攻克了多尺度、多物理场、多分辨率及大规模计算的核心难题。 其代表性成果包括与博士导师Max Tegmark教授共同提出的“理论学习”新范式及以AI物理学家（AI Physicist）[1] 为核心的系列算法。该体系能够从观测数据中提炼出简洁普适的物理规律与方程，赋予模型模仿科学家发现基本定律的能力。 目前，其开发的算法已应用于沙特阿美（Saudi Aramco）等能源巨头的千万级网格油藏仿真并实现工业部署，涵盖天文、物理等领域的科学发现。吴泰霖希望将积累的“AI for Engineering”能力从学术推向工业现场，切实解决行业痛点。 2026年1月，吴泰霖作为首席科学家创立原力引擎（UniForce AI），旨在通过生成式仿真、智能控制及多智能体系统，攻克多物理场仿真与强耦合控制难题，并率先切入可控核聚变这一工程领域的“硬骨头”。 吴泰霖认为，可控核聚变中的多尺度模拟与高参数控制相当于工程领域的“AlphaFold”，是亟待解决的根问题。目前，公司已与头部聚变商业公司及能源企业展开深度合作。 以下是对话实录： 探索智能本质：从被动转向到必然选择DeepTech：你的本科和博士均为物理背景。促使你选择MIT物理系Max Tegmark教授作为副导师，并将研究方向调整为AI与物理融合，主要出于何种考量？ 吴泰霖：我本科和博士虽主修物理，但始终对“智能的本质”抱有浓厚兴趣。人们常选择易行之路而非正途，我曾因勇气不足而未敢转型。 博士三年级半时，因课题组实验经费中断，面临方向转换或更换实验室的选择。经过一个月的深思，我明确意识到实验并非我的长项。2016年AI兴起之际，我预判AI将成为各行业核心要素，加之个人兴趣，遂决定转向AI研究，但并未放弃物理，而是致力于AI与物理的深度融合。 DeepTech：在博士及博士后期间，你亲历了深度学习爆发的十年（AlphaGo、AlphaFold等）。让你坚信AI将改变科学研究范式的，是某个顿悟时刻，还是信念的逐步累积？ 吴泰霖：这是一个逐步深化的过程。关键节点是AlphaGo与李世石的对弈。当时多数人预测人类获胜，我却坚信AI必胜。AlphaGo的妙手及博弈过程让我确信这是未来，从而坚定了信念。随后AlphaFold的出现，让我意识到必须通过AI解决“根问题”，从而带动下游数十甚至上百个问题的突破。 让AI走向物理世界：从发现规律到构建世界DeepTech：2019年你提出的“AI物理学家”成果颇具影响力，这一想法是如何产生的？ 吴泰霖：我认为通用人工智能（AGI）的第一步是构建“AI物理学家”。它应能像物理学家一样，依据数据发现简洁规律与公式，并进行简化与统一，正如牛顿发现万有引力或麦克斯韦统一电磁学。基于物理背景，通过AI总结科学家经验，构建类似物理学家的Agent，极具研究价值。
图丨AI物理学家架构（来源：Physical Review E） DeepTech：若给予AI充足数据，它是否可能发现如牛顿定律般的重大科学发现？ 吴泰霖：是的。科学发现本质上是数学定义下的搜索问题：在复杂的离散理论空间中，寻找能统一描述各类数据、解释世界运行方式的规律。AI能更智能地执行此类搜索，结合直觉，完全可行。 DeepTech：AI在其中的作用是理解物理世界，还是仅仅拟合数据？ 吴泰霖：理解物理世界与拟合数据处于光谱两端，无本质区别，关键在于“压缩量”。拟合数据侧重局部特征与局部模型；理解世界则是极致压缩，将运行规律压缩至极小参数量模型中。例如，牛顿万有引力定律以极简公式描述宇宙数千亿颗恒星运动，既是极致压缩的数据拟合，也是对物理世界的深刻理解。 AI的特殊价值在于提供新的压缩方式：从高维、多源、复杂数据中提取可迁移结构，将难以显式公式化的规律，压缩为可计算、可预测、可控制的模型。在复杂物理系统中，此类模型未必初始即为人类可读公式，但可形成“可操作的理解”，辅助快速模拟、精准诊断，并启发新物理规律。 DeepTech：你的研究将流体、等离子体等复杂系统仿真速度提升数个数量级，这具体意味着什么？ 吴泰霖：以天气预报为例，全球天气模拟需上亿级网格，根据当前状态预测下一时刻（如1小时后）所有网格变化。系统状态存储量大，方程求解耗时。流体、等离子体模拟同样涉及上亿网格及数千至数万步迭代。即便在超算上，单次模拟也需数小时至数周。 若需基于仿真进行内循环设计（如飞机翼形优化、装置参数调整、控制模型训练），每次参数变更均需重新仿真，成本极高。将时间成本从小时/天级降至秒级，效益巨大：一方面大幅降低下游设计、控制、诊断成本；另一方面节省构建耦合数值求解器的巨大工程量及长时间迭代成本。 DeepTech：仿真成本高是共识，AI在其中具体发挥什么关键作用？ 吴泰霖：仿真成本高源于系统状态复杂及需极小时间步长。AI加速核心原理包括： DeepTech：团队开发的通用多Agent AI工程师BuildArena[2]，能在物理仿真环境中从零设计火箭、车辆等机械结构。这是否意味着让AI将空间几何推理和物理约束转化为可执行的工程建造？ 吴泰霖：更准确地说，BuildArena提供了大语言模型（LLM）与物理世界交互的接口。LLM基于人类定义的功能目标，在满足物理约束条件下，通过迭代设计机械并执行工程建造。实验表明，头部LLM具备空间几何想象力，能通过语言描述（如部件位置、拼接方式）逐步设计复杂机械。BuildArena通过接口及实时反馈，将模型的世界模型或工程想象力转化为具体建造。
图丨火箭模型（建造过程：Grok 4）（来源：GitHub） DeepTech：这项工作未来将如何改变人类工程师的角色？ 吴泰霖：初衷是让未来工程中，人类仅需提供高层目标及约束，Agent负责设计与建造。人类专注于定义起点与最终验收，中间过程交由Agent。这是原力引擎的目标之一，相信未来在工业界的设计与应用中均可实现。 为什么是核聚变：寻找工程领域最难的根问题DeepTech：为何选择当下创业？ 吴泰霖： DeepTech：初创公司常选易盈利方向，为何选择极具挑战的核聚变作为切入点？ 吴泰霖：公司立足AI for Engineering，旨在通过AI原生系统解决工业普适问题，提供AI原生数字底座，支持仿真、控制、诊断及设计。选择核聚变基于两个关键词：
DeepTech：AI在核聚变发展中是加速器还是决定性因素？ 吴泰霖：至少是加速器。DeepMind的强化学习已能较好控制等离子体位形；AI可将动理学仿真从小时/天级加速数百倍；并能优化高维复杂设计（如放电方式）。虽不敢言AI是解决所有问题的决定性因素，但在多尺度仿真加速和高参数控制这两个核心瓶颈上，必须依赖AI才能实现超越传统方法的质变。 DeepTech：若技术能解决核聚变问题，如何扩展至其他工业领域？可能溢出至哪些领域？ 吴泰霖：工业挑战具有相似性。聚变等离子体涉及宏观磁流体与微观湍流耦合、芯部-边界耦合、波-粒相互作用等多物理过程，空间尺度跨越6个数量级，时间尺度跨越10个数量级。 若在此开发的多尺度、多物理场AI方法成功，可迁移至发动机燃烧模拟、石油油藏模拟等领域，因其难点一致。此外，聚变中通过控制线圈电流约束上千万度等离子体以防破裂的强耦合控制方法，可迁移至化工（实时调整温度、浓度）及电力领域的安全控制。 核聚变涉及超高温、高动态等离子体控制，复杂度极高、容错率极低，是工程界最顶级的多尺度强耦合挑战，也是检验技术实力的试金石。我们率先落地核聚变，但也考虑盈利，采取“沿途下蛋”策略，将技术拓展至航空航天、石油化工、高端制造等领域。目前已有头部客户洽谈合作。 DeepTech：AI for Science与AI for Engineering的关系如何界定？ 吴泰霖：二者定义尚不固定，存在交叉。AI for Science侧重赋能科学领域，强调科学发现（假设-实验-验证闭环），在材料、药物领域更重要；AI for Engineering侧重赋能工程领域，面向复杂系统仿真与控制，但也涉及新方程建模。 区分更多在于行业侧重。例如，等离子体模拟既可视为AI for Science也可视为AI for Engineering；蛋白质设计偏向Science，机翼设计偏向Engineering，但从AI角度看任务相似。 DeepTech：相比国外厂商（如嵌入传统工作流的AI、英伟达/微软开源框架），原力引擎作为AI原生引擎，核心技术壁垒何在？ 吴泰霖：核心在于仿真/求解的精度与速度平衡。传统求解器精度高但速度慢；神经网络速度快但泛化性难保证。我们的AI方法能以较少训练数据实现更好泛化性，仿真速度加速数十至数百倍，同时保持与传统数值方法相当的精度和泛化性。 十年内，解决一个诺奖级根问题DeepTech：物理AI被视为通往AGI的重要路径，为何理解物理世界如此重要？ 吴泰霖：认同“强化学习之父”Rich Sutton的经验主义：智能核心源于与世界的交互经验，经验不断改善智能，类似婴儿学习走路。AI需与物理世界交互，理解其演化及自身影响，方能真正在物理世界中行动，这是知识灌输无法实现的。 原力引擎希望模型部署后，通过持续接收新数据、与物理世界交互迭代能力，实现通用工程智能。 DeepTech：“原力引擎”名称有何寓意？ 吴泰霖：源自《星球大战》中的“原力”，一种无处不在的生命力。希望公司提供的系统如原力般无处不在却不可察觉，真正改变工业领域。例如，为实体提供数字孪生体，不仅表示状态，更能实时模拟、控制并反馈至物理世界。 DeepTech：团队规模及背景如何？ 吴泰霖：现有11人，正大力招募顶尖人才。团队融合物理、AI、仿真、Agent、架构师等多学科背景，预计年底达20人，随后继续扩展。 DeepTech：你在西湖大学的教职与公司角色如何平衡？ 吴泰霖：主要担任首席科学家，负责技术方向定义、战略制定及技术推进。 DeepTech：从AI+到+AI，是否意味着AI正从赋能者转变为基础设施？ 吴泰霖：是的。AI正成为基础设施，未来无需特别强调“AI+”，如同数学一样不可或缺，渗透至各行各业。 DeepTech：10年后，你希望外界如何评价原力引擎？ 吴泰霖：两方面：一是为Engineering各行业提供全新AI底座；二是解决一个诺奖级根问题。若10年内实现这两点，即为成功。 参考资料：
运营/排版：何晨龙 注：封面/首图由 AI 辅助生成 |
