吳泰霖：從AI物理學家到創業他想回答AI for Engineering的根問題

做一次聚變等離子體、流體或油藏仿真可能要跑幾小時到幾周，而吳泰霖想做的是把這個過程壓縮到秒級，并讓 AI 不僅參與模擬，還參與設計、控制和發現。

吳泰霖在北京大學物理學院獲得學士學位，美國麻省理工學院（MIT）獲得物理學博士學位，之后在美國斯坦福大學計算機系 Jure Leskovec 教授課題組從事博士后研究。2023 年 7 月，他加入西湖大學工學院，任特聘研究員、助理教授、西湖大學人工智能與科學仿真發現實驗室負責人。

過去十年間，他始終關注 AI 與科學交叉領域最核心的問題：如何讓機器學習既能加速復雜系統仿真，也能從海量數據中發現新的科學規律。他在科學仿真方面提出了以深度學習代理模型為核心的一系列算法，在流體力學、等離子體物理等領域呈數量級地加快了仿真速度，解決其多尺度多物理場、多分辨率、大規模的核心挑戰。

其中具有代表性的研究，是吳泰霖還與博士導師 Max Tegmark 教授提出“理論學習”的新學習范式和以 AI 物理學家（AI Physicist）[1] 為核心的系列算法，從觀測的數據中找出簡單普適的物理規律和方程，讓模型能夠模仿科學家發現簡單、普適的物理定律。

他開發的算法正應用于能源、流體等領域的科學仿真以及天文、物理等領域的科學發現，例如應用于在世界最大?油公司沙特阿美，已實現千萬級?格的油藏仿真并?業部署。他希望過去技術積累的 AI for Engineering 能力不僅僅停留在學術成果階段，而是走出實驗室在工業應用中實際幫助更多領域解決相關問題。

2026 年 1 月，他作為首席科學家創立了原力引擎（UniForce AI）公司，試圖用生成式仿真、智能控制和多智能體系統解決多物理場仿真與強耦合控制問題，并率先從可控核聚變這一工程領域最困難的問題切入。

吳泰霖認為，可控核聚變中的多尺度模擬和高參數控制可能就相當于 Engineering 領域的 AlphaFold，是值得用更長的時間去研究和解決的根問題。截至目前，該公司已與頭部聚變商業公司、頭部能源企業推進深度合作。

以下是我們的對話：

探索智能的本質：一場被動轉向背后的必然

DeepTech：你的本科和博士其實是物理背景，當時促進你選擇 MIT 物理系的 Max Tegmark 教授作為副導師，將物理方向調整到 AI 與物理領域融合的方向，是出于什么考慮？

吳泰霖：我本科和博士學的都是物理，但其實我一直以來就對研究智能（intelligence）的本質很感興趣。人們往往選擇一條更容易的路，而不是最正確的路。我也一樣，所以之前我一直沒有勇氣轉到這個方向。

博士讀到三年半的時候，因為課題組的實驗經費突然中斷，實驗室的同學都面臨兩個選擇，要么轉換研究方向，要么換實驗室。我當時思考了一個月，我非常清楚做實驗并不是自己最擅長的。

那時候是 2016 年，AI 剛剛火起來，我感覺今后無論在哪個行業，AI 肯定都是一個核心因素，加上我本身對智能很感興趣，因此決定研究轉向 AI。但是，我也并沒有放棄物理，而是做了很多 AI+物理融合的研究工作。

DeepTech：你在做博士、博士后期間正好趕上了深度學習爆發的 10 年，陸續出現了 AlphaGo、AlphaFold。你剛才提到對智能方面一直很感興趣，那讓你堅信 AI 會改變整個科學研究的范式，是某個時刻的頓悟，還是一步一步加深了自己信念呢？

吳泰霖：我感覺是一步一步加深的。印象最深的一個重要的節點是 AlphaGo，當時我全程看了李世石與 AlphaGo 的比賽。實際上，之前很多人猜人類會贏，而我當時就猜肯定是 AI 會贏。無論是比賽中間 AlphaGo 下出的妙手，還是它博弈的整個過程，都讓我感覺到這就是未來，加深了我的信念。后來 AlphaFold 的出現，讓我感覺未來確實需要去發現這樣的根問題，通過 AI 去解決根問題后，就能夠使下游的幾十個上百個問題能夠被解決。

讓 AI 走向物理世界：從發現規律到建造世界

DeepTech：你在領域里有個比較著名研究成果是 2019 年提出的“AI 物理學家”，這個工作當時是怎么想到去做的？

吳泰霖：我認為做通用人工智能（AGI）的第一步，就是做 AI 物理學家。它能像物理學家一樣，根據數據來發現一些簡潔的規律、簡潔的公式，并且能夠把這些公式簡化、統一，就像牛頓發現萬有引力定律或者麥克斯韋統一電磁學。因為我本身是學物理的，通過 AI 來總結物理學家的經驗，造出一個類似物理學家的 Agent，我覺得這本身很有意思。

圖丨AI 物理學家架構（來源：Physical Review E）

DeepTech：如果我們未來給 AI 足夠多的數據，它是不是有可能發現類似牛頓定律等重要的科學發現？

吳泰霖：是的。我覺得科學發現本身也是可以被數學定義的，即要在一個非常復雜的離散的理論空間，能夠找出一些描述這個世界運行的方式，它能夠更統一地描述各種各樣的數據。本質上它是一個搜索問題，AI 能夠更聰明地來進行這樣的搜索，再結合一些直覺，我覺得是完全可以實現的。

DeepTech：如果我們理解 AI 在其中的作用，它到底是在理解物理世界，還是在擬合數據？

吳泰霖：我認為，理解物理世界和擬合數據是一個光譜上的兩端。我們說的擬合數據，意思是根據數據的一些局域的特征，通過一些局域的模型來擬合。而理解世界，本質上我覺得就是通過極致的壓縮，把世界運行的規律壓縮到參數量非常小的模型上。

所以，光譜一端和另一端沒有本質區別，它們都是通過一些方式來擬合數據，關鍵是壓縮的量。舉個例子，通過一個公式——牛頓萬有引力定律，就能描述宇宙的幾千億顆恒星的運動，它既是用非常壓縮的模型來擬合數據，也是一種對物理世界的理解。

而 AI 的特殊作用，不只是把數據擬合得更準，而是提供了一種新的壓縮方式：它可以從高維、多源、復雜的數據中提取可遷移的結構，把暫時無法顯式寫成公式的規律，壓縮成可計算、可預測、可控制的模型。在復雜物理系統中，這種模型未必一開始就是人類可讀的一行公式，但它可以先形成一種“可操作的理解”，幫助我們更快模擬、更準診斷，并進一步啟發新的物理規律。

DeepTech：你的研究相當于把流體、等離子體這些復雜系統的仿真提升了幾個數量級，能不能舉個例子，數量級的提升意味著什么？

吳泰霖：以天氣預報為例，要想描述整個全球的天氣，可能需要上億級別的網格來描述某個時間的天氣，模擬的是根據當前時間每個網格單元格的氣溫、降水來預測下一個時間，比如 1 小時后所有網格狀態的變化。

本身描述這個系統的狀態就是很大的存儲量，往后推進一步也會需要很長時間來進行方程的求解。一般來說仿真的代價很大，無論在空間還是時間上面。除了天氣之外，一些流體、等離子體也可能需要上億或更多級別的網格，模擬幾千到幾萬步。

這樣，即使在超算上，一次模擬可能也需要幾小時、幾天，甚至幾周量級。很多時候我們還要基于這樣的仿真作為內循環來進行一些設計任務，比如設計飛機的翼形、設計裝置的參數、訓練控制模型等，每一次改變新的參數都要重新仿真一次，意味著還是要進行幾小時甚至幾周的仿真。

如果能把時間成本從小時、天量級降到秒量級，帶來的效益將是巨大的。一方面模擬速度的數量級提升節省了下游設計、控制、診斷任務的成本，另一方面節省了構建耦合的數值求解器的巨??程量，并節省長時間迭代成本。

DeepTech：仿真成本高是一個領域內的共識，那它究竟貴在哪里？AI 在中間替仿真具體做了什么，起到了什么關鍵的作用？

吳泰霖：仿真成本高主要原因是，首先描述系統的狀態非常復雜，以及需要非常小的時間步長來模擬，時間上也會很長。

AI 能夠加速有多方面核心的原理。一方面，AI 可以基于神經算子的模型，以一個更大的時間步長來往后模擬。比如，現在 AI 的每一步可能是之前上百步的時間步長，相當于可以使得速度加速上百倍，因為不用模擬這么非常小的時間步了。

其次，它可以選擇不在原空間來模擬，而是把整個非常復雜的物理場映射到更加壓縮、有更好性質的隱空間。隱空間的網格量可以比原空間小很多，因此里面的一些演化就可以更快。

此外，我們團隊開發的用于復雜物理系統的生成模型方法，可以從概率分布（而不是具體軌跡）的角度，在一些情況下更好地建模高維復雜的物理場及其長期演化。

DeepTech：你和團隊之前還開發了通用多 Agent 的 AI 工程師 BuildArena[2]，在物理仿真環境中從零開始設計、搭建并運行火箭、車輛與橋梁等機械結構。它很有意思，不是讓 AI 去回答問題，而是直接去設計機器。是不是可以理解成讓 AI 把空間幾何推理和物理約束轉化為可執行的工程建造？

吳泰霖：更準確地說，這個工作是提供了大語言模型和物理世界交互的一個接口，使得大語言模型能夠基于人類定義的功能目標，在滿足物理約束的條件下通過迭代設計滿足功能的機械，以及執行工程建造。我認為，大語言模型本身如果訓練得好，是有空間幾何想象力的。

我們的實驗也表明，一些頭部的模型，是能夠通過語言描述，比如每一個部件放什么地方、另外一個部件如何和它拼接，這樣的語言描述來一步一步設計并建造一個比較復雜的機械。BuildArena 通過這一接口以及一些實時的反饋，使這些模型原本具有的世界模型或工程想象力能夠實現為具體的建造。

圖丨火箭模型（建造過程：Grok 4）（來源：GitHub）

DeepTech：這個工作出來之后，未來對人類工程師會有哪些改變會幫助？

吳泰霖：其實我們做這個工作的初心就是希望未來的工程中，人類僅需要提供最高層的目標以及相應的約束。然后，Agent 就可以直接來做出相應的設計以及建造。

相當于人類只負責管理開頭的定義以及最后的驗收，中間如何做完全可以通過 Agent 來做。我們認為是未來發展的方向，這也是原力引擎最后要做到的事情之一。我們能在游戲中做到初步的建造，相信未來在工業界，無論是各種設計還是其他方面都是能夠實現的。

為什么是核聚變：尋找工程領域最難的根問題

DeepTech：為什么選擇在當下這個時間節點創業？

吳泰霖：首先一方面是產業的需求。因為我們在能源領域和其他工業領域與客戶合作的過程中，發現他們有很多共性的問題。比如，對多物理場仿真的需求，以及強耦合系統的控制，還有復雜幾何的設計等等。這些問題不只是某個領域獨立存在的問題，而是很多不同領域普遍存在的共性需求。

我們開發的一系列 AI 方法可以在相關方面更好地來解決這些問題。之前的方法，比如傳統 CAE 或其他方法，面臨著速度慢以及對于多物理場可能很難進行耦合仿真，以及當涉及工程中的一些逆問題時傳統 CAE 方法通常需要反復迭代，效率較低。我看到了這樣的需求，并且我們的技術能夠可以解決這些問題，它有很大的市場，無論在能源領域、高端制造，還是其他領域。

另一方面，當前國家也非常重視，無論是 AI+、聚變，還是其他 Engineering 領域，這時候我覺得是一個幾十年一遇的機會，可以讓我們的成果不僅停留在學術界，而是能夠真正地改變各個領域。

DeepTech：很多初創公司在業務剛開展的時候，可能會選擇相對比較容易實現盈利的方向。但你和團隊選擇了一個充滿挑戰的方向，將核聚變作為首選的落地切?點，這背后有哪些因素的考慮？

吳泰霖：我們公司立足 AI for Engineering，目標是通過 AI 原生系統解決工業領域的普適問題。公司的核心業務，是為各類高端工業領域提供 AI 原生數字底座，支持其仿真、運行控制、診斷和設計的核心需求。

我們首選聚變作為切入點，主要有兩個關鍵詞，一個是增量，另一個是根問題。我認為無論做什么，關鍵是要做增量，只有增量把蛋糕做大了，所有人才能受益。聚變如果實現商用化，肯定是人類近期以來最大的增量。

一方面，可控核聚變商業化可提供近乎無限的安全、清潔、低價的能源，對我們來說，AI 的 Token 幾乎可以免費了；另一方面，未來將有可能開發出以聚變為能源的引擎，也可以讓人類的觸角更便捷地延伸到太陽系。這是很大的增量。

此外，隨著領域長時間的積累和技術的發展，核聚變的實現已經不再是“永遠的 50 年”了。目前的進展讓我覺得，樂觀估計，2040 年到 2045 年可能可以實現聚變商用電站或者商用示范電站。

這個問題太重要了，非常值得來做。并不是說只有做到最后的商業化才能賺錢，中間整個產業鏈的發展，我們的 AI 賦能在可以加快進程的同時，也能夠很好地得到一些收益。

圖丨基于神經算子的秒級等離子體回旋動理學模擬（來源：受訪者）

另一方面是根問題。舉個例子，谷歌 DeepMind 的 AlphaFold 解決的就是一個根問題，它做了一個模型，使蛋白質的結構預測能夠做得很好，最后實現了 2 億個蛋白質結構的預測。

我認為在 Engineering 領域，聚變中的多尺度模擬和高參數控制就是一個根問題，這是 Engineering 中通用且最困難的問題。如果可以產生解決這些問題的有效方法，就很有可能遷移到其他工程領域。

DeepTech：你剛才也提到，原力引擎的技術其實更多的是為以聚變為代表的工業領域賦能。那你覺得 AI 在促進核聚變發展的過程中，是起到一種加速器的作用，還是一個決定性的關鍵性因素?

吳泰霖：我認為它至少是起到加速器的作用，因為當前很多進展以及瓶頸都表明，對于一些問題 AI 能夠做得更好。比如說像之前 DeepMind 做的強化學習的控制，能夠做到比較好地控制等離子體位形。再比如，當前聚變的動理學仿真可能需要小時到天或者更長時間量級，而 AI 可以幾百倍或更快地加速。此外，AI 可以更好解決一些高維復雜問題的設計和優化（例如設計更好的放電方式）。

總之，我不敢說 AI 是解決聚變所有問題的決定性因素，但對于多尺度仿真加速和高參數控制這兩個核心瓶頸，我認為必須依賴 AI 才能實現超越傳統方法的質的突破。

DeepTech：你之前曾提過，如果技術能解決可控核聚變的問題，那也能擴展到很多其他工業的問題。想請你談談這背后有怎樣的一種邏輯？如果在聚變領域得到進一步驗證的話，可能會進一步溢出到哪些領域？

吳泰霖：很多工業領域遇到的挑戰是類似的。例如在仿真中，多物理場、多尺度仿真就是一個普遍存在的挑戰。而在聚變等離子體中，這個挑戰尤其明顯。在等離子體中，包含宏觀磁流體和微觀湍流的耦合、等離子體芯部-邊界耦合、波-粒相互作用等多物理過程的耦合，并且各種物理過程的空間尺度跨越 6 個數量級，時間尺度甚至可以跨越 10 個數量級。

如果基于此開發了更好的多尺度、多物理場仿真的 AI 方法，那么也可以用在其他領域。比如，無論是發動機的燃燒模擬，還是石油領域的油藏模擬，這些都是多物理場、多尺度的問題，難點也是類似的。這些問題的核心是一致的，如果聚變領域中能夠做好，也能拓展到別的行業。

另一個問題是控制，比如需要通過控制托卡馬克線圈電流來約束上千萬或上億度的等離子體，讓其在高參數下被穩定約束，防止破裂。對于這樣的強耦合系統開發的安全控制方法也可以用到化工領域的一些控制方面，比如實時調整反應的溫度、組分的濃度等等。再比如，電力領域也需要安全控制，這樣的方法也可以遷移過去。

總之，核聚變涉及超高溫、高動態的等離?體控制，復雜度?、容錯率低，是?程界最頂級的多尺度強耦合挑戰，也是檢驗技術實?的最佳試??。當然，不同領域有相應的區別，肯定有相應的調整，但問題是類似的，對于聚變來說，這些問題的難度和要求可能是最嚴苛的。

我們率先在核聚變領域落地，但并不是說只做核聚變，也要考慮公司的盈利。因此，我們可以“沿途下蛋”，在研究核聚變領域的同時，可以用在其他涉及多物理場以及多尺度問題的領域，例如航空航天、石油化工、高端制造等領域。現在已經有一些頭部客戶找到我們，希望共同解決一些領域的相關問題，相關合作正在推進和洽談中。

DeepTech：我們之前比較多提的是 AI for Science，你認為 AI for Science 和 AI for Engineering 這兩者具體是怎樣的一種關系呢？

吳泰霖：我認為目前 AI for Science 或 AI for Engineering 其實還沒有一個完全確定的定義，它們也是有很多交叉的。總的來說，AI for Science 更加強調通過 AI 來賦能各種科學領域，而 AI for Engineering 更多偏向賦能工程領域，但他們其實有很多共性問題。

以對復雜系統的仿真為例，要模擬等離子體可以說是 AI for Science，也可以說是 AI for Engineering；再比如，設計一些新的蛋白質可能就是 AI for Science，但設計一些新的機翼形狀，從領域上看又像是 AI for Engineering，但它們做的任務其實從 AI 角度來說是類似的。

所以二者的區分可能更多是行業上的區分，也有一些側重點的區別。比如 AI for Science 會包含更多的科學發現，比如通過提出假設、進行實驗驗證、再分析的閉環，這個可能更偏向 AI for Science，在材料、藥物領域可能更重要一些；而 AI for Engineering 的領域可能更多面向復雜系統的仿真和控制，當然里面也會涉及一些發現新的方程來更好地建模系統。

DeepTech：在 AI for Engineering 市場上，國外的廠商也在做不同的工作。比如有的公司把 AI 嵌入到傳統的流體工作流中，英偉達、微軟提供了開源框架，原力引擎做的則是 AI 原生引擎。你之前也提到，相比傳統的求解器有優勢，那主要核心技術壁壘在哪些方面？

吳泰霖：我們主要看的是仿真或求解的精度和速度。傳統的求解器精度相對較高，但速度較慢。而當前神經網絡等方法盡管速度比較快，但在泛化性方面沒有保證。

我們開發的 AI 方法，能用更少的訓練數據，實現更好的泛化性，使得它在仿真速度上能夠幾十倍到幾百倍地加速，相比傳統的數值方法，它的精度和泛化性也能達到比較好的水平。

十年內，要解決一個諾獎級根問題

DeepTech：你剛才也提到，物理 AI 可能是通往 AGI 的重要路徑，為什么理解物理世界非常重要？

吳泰霖：我很認同“強化學習之父”Rich Sutton 的經驗主義，即智能的核心來源，是它與這個世界不斷交互的過程中獲取的經驗，這個經驗又不斷改善智能。這有點類似于嬰兒如何慢慢學習，通過不同的試探來學會走路，做各種事情。

這個過程中需要 AI 與物理世界不斷交互，理解物理世界是如何演化的，以及學到你的影響如何改變物理世界的演化，只有這樣才能夠真正在物理世界中做任何事情，而這些無法通過知識來告訴它就能做到的。

我們希望原力引擎也有這樣的一個過程，模型訓練完成后并不會天然完美，但部署到工廠或者裝置后，可以通過持續接收新數據、與物理世界交互來迭代自己的能力，進而實現通用的工程智能。

DeepTech：公司的名字叫原力引擎，這個名字有沒有什么特別的寓意？

吳泰霖：我特別喜歡科幻，原力這個名字來自于《星球大戰》。在這部科幻作品中，原力是一種無處不在的生命力，盡管它看不到，但它無處不在。我希望我們公司未來能夠成為提供一個系統的公司，這個系統可能無處不在，但你可能察覺不到，但它真正在改變工業領域的各個方面。比如你有任何的實體，也有相應的數字孿生體，它不僅能夠表示，而且能夠實時模擬，能夠在里面進行相應的控制，也能反饋到物理世界上面。

DeepTech：公司這邊團隊目前有多少人，團隊的技術背景是怎么樣的？

吳泰霖：我們現在有 11 個人，并且目前也在大力招募頂尖人才進來。我們希望團隊能夠融合不同的背景，包括物理、AI、仿真、Agent、架構師等，形成一個多學科交叉的團隊來共同推進。我們預計年底會有 20 人，之后會繼續擴展。

DeepTech：你在西湖大學這邊也有教職工作，那你在公司主要扮演怎樣的角色？

吳泰霖：我本人更多的還是發揮首席科學家的作用，為公司技術方面、戰略方向定義以及做技術的推進。

DeepTech：過去大家經常提 AI+，后來又更多討論的是+AI。是不是可以理解為，過去 AI 更多的是一種賦能，而現在 AI 在越來越多的方向和領域發揮越來越重要的作用？

吳泰霖：對，我覺得 AI 正在成為一種基礎設施。未來我們甚至都不會說 AI+了，類似于我們不會說數學+，因為它已經是必不可少、無處不在了，無論任何行業都是需要它的。

DeepTech：如果把時間線拉得更遠一點，比如 10 年后回看這個公司，你希望別人如何評價原力引擎？

吳泰霖：我希望兩個方面，一方面我們公司為 Engineering 的各個行業提供了全新的 AI 底座，另一方面我希望我們能解決一個諾獎級的根問題。如果 10 年內能實現這兩個目標，在我看來就是取得成功了。

參考資料：

1.Wu,T.,Tegmark,M.Toward an artificial intelligence physicist for unsupervised learning. Physical Review E 100, 033311（2019）. https://doi.org/10.1103/PhysRevE.100.033311

2.Xia, T., et al. Buildarena: A physics-aligned interactive benchmark of LLMs for engineering construction. In International Conference on Machine Learning (ICML 2026)

3.Wu,T.et al. Learning Controllable Adaptive Simulation for Multi-resolution Physics.In International Conference on Learning Representations (ICLR 2023)

4.Wu,T.et al. Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator. SIGKDD 2022,11, 6 https://doi.org/10.1145/3534678.3539045

5. 個人主頁：https://tailin.org

運營/排版：何晨龍

注：封面/首圖由 AI 輔助生成