西湖大学吴泰霖：从“AI物理学家”到创业，原力引擎想回答AI for Engineering的根问题

做一次聚变等离子体、流体或油藏仿真可能要跑几小时到几周，而吴泰霖想做的是把这个过程压缩到秒级，并让 AI 不仅参与模拟，还参与设计、控制和发现。

吴泰霖在北京大学物理学院获得学士学位，美国麻省理工学院（MIT）获得物理学博士学位，之后在美国斯坦福大学计算机系 Jure Leskovec 教授课题组从事博士后研究。2023 年 7 月，他加入西湖大学工学院，任特聘研究员、助理教授、西湖大学人工智能与科学仿真发现实验室负责人。

过去十年间，他始终关注 AI 与科学交叉领域最核心的问题：如何让机器学习既能加速复杂系统仿真，也能从海量数据中发现新的科学规律。他在科学仿真方面提出了以深度学习代理模型为核心的一系列算法，在流体力学、等离子体物理等领域呈数量级地加快了仿真速度，解决其多尺度多物理场、多分辨率、大规模的核心挑战。

其中具有代表性的研究，是吴泰霖还与博士导师 Max Tegmark 教授提出“理论学习”的新学习范式和以 AI 物理学家（AI Physicist）[1] 为核心的系列算法，从观测的数据中找出简单普适的物理规律和方程，让模型能够模仿科学家发现简单、普适的物理定律。

他开发的算法正应用于能源、流体等领域的科学仿真以及天文、物理等领域的科学发现，例如应用于在世界最大⽯油公司沙特阿美，已实现千万级⽹格的油藏仿真并⼯业部署。他希望过去技术积累的 AI for Engineering 能力不仅仅停留在学术成果阶段，而是走出实验室在工业应用中实际帮助更多领域解决相关问题。

2026 年 1 月，他作为首席科学家创立了原力引擎（UniForce AI）公司，试图用生成式仿真、智能控制和多智能体系统解决多物理场仿真与强耦合控制问题，并率先从可控核聚变这一工程领域最困难的问题切入。

吴泰霖认为，可控核聚变中的多尺度模拟和高参数控制可能就相当于 Engineering 领域的 AlphaFold，是值得用更长的时间去研究和解决的根问题。截至目前，该公司已与头部聚变商业公司、头部能源企业推进深度合作。

以下是我们的对话：

探索智能的本质：一场被动转向背后的必然

DeepTech：你的本科和博士其实是物理背景，当时促进你选择 MIT 物理系的 Max Tegmark 教授作为副导师，将物理方向调整到 AI 与物理领域融合的方向，是出于什么考虑？

吴泰霖：我本科和博士学的都是物理，但其实我一直以来就对研究智能（intelligence）的本质很感兴趣。人们往往选择一条更容易的路，而不是最正确的路。我也一样，所以之前我一直没有勇气转到这个方向。

博士读到三年半的时候，因为课题组的实验经费突然中断，实验室的同学都面临两个选择，要么转换研究方向，要么换实验室。我当时思考了一个月，我非常清楚做实验并不是自己最擅长的。

那时候是 2016 年，AI 刚刚火起来，我感觉今后无论在哪个行业，AI 肯定都是一个核心因素，加上我本身对智能很感兴趣，因此决定研究转向 AI。但是，我也并没有放弃物理，而是做了很多 AI+物理融合的研究工作。

DeepTech：你在做博士、博士后期间正好赶上了深度学习爆发的 10 年，陆续出现了 AlphaGo、AlphaFold。你刚才提到对智能方面一直很感兴趣，那让你坚信 AI 会改变整个科学研究的范式，是某个时刻的顿悟，还是一步一步加深了自己信念呢？

吴泰霖：我感觉是一步一步加深的。印象最深的一个重要的节点是 AlphaGo，当时我全程看了李世石与 AlphaGo 的比赛。实际上，之前很多人猜人类会赢，而我当时就猜肯定是 AI 会赢。无论是比赛中间 AlphaGo 下出的妙手，还是它博弈的整个过程，都让我感觉到这就是未来，加深了我的信念。后来 AlphaFold 的出现，让我感觉未来确实需要去发现这样的根问题，通过 AI 去解决根问题后，就能够使下游的几十个上百个问题能够被解决。

让 AI 走向物理世界：从发现规律到建造世界

DeepTech：你在领域里有个比较著名研究成果是 2019 年提出的“AI 物理学家”，这个工作当时是怎么想到去做的？

吴泰霖：我认为做通用人工智能（AGI）的第一步，就是做 AI 物理学家。它能像物理学家一样，根据数据来发现一些简洁的规律、简洁的公式，并且能够把这些公式简化、统一，就像牛顿发现万有引力定律或者麦克斯韦统一电磁学。因为我本身是学物理的，通过 AI 来总结物理学家的经验，造出一个类似物理学家的 Agent，我觉得这本身很有意思。

图丨AI 物理学家架构（来源：Physical Review E）

DeepTech：如果我们未来给 AI 足够多的数据，它是不是有可能发现类似牛顿定律等重要的科学发现？

吴泰霖：是的。我觉得科学发现本身也是可以被数学定义的，即要在一个非常复杂的离散的理论空间，能够找出一些描述这个世界运行的方式，它能够更统一地描述各种各样的数据。本质上它是一个搜索问题，AI 能够更聪明地来进行这样的搜索，再结合一些直觉，我觉得是完全可以实现的。

DeepTech：如果我们理解 AI 在其中的作用，它到底是在理解物理世界，还是在拟合数据？

吴泰霖：我认为，理解物理世界和拟合数据是一个光谱上的两端。我们说的拟合数据，意思是根据数据的一些局域的特征，通过一些局域的模型来拟合。而理解世界，本质上我觉得就是通过极致的压缩，把世界运行的规律压缩到参数量非常小的模型上。

所以，光谱一端和另一端没有本质区别，它们都是通过一些方式来拟合数据，关键是压缩的量。举个例子，通过一个公式——牛顿万有引力定律，就能描述宇宙的几千亿颗恒星的运动，它既是用非常压缩的模型来拟合数据，也是一种对物理世界的理解。

而 AI 的特殊作用，不只是把数据拟合得更准，而是提供了一种新的压缩方式：它可以从高维、多源、复杂的数据中提取可迁移的结构，把暂时无法显式写成公式的规律，压缩成可计算、可预测、可控制的模型。在复杂物理系统中，这种模型未必一开始就是人类可读的一行公式，但它可以先形成一种“可操作的理解”，帮助我们更快模拟、更准诊断，并进一步启发新的物理规律。

DeepTech：你的研究相当于把流体、等离子体这些复杂系统的仿真提升了几个数量级，能不能举个例子，数量级的提升意味着什么？

吴泰霖：以天气预报为例，要想描述整个全球的天气，可能需要上亿级别的网格来描述某个时间的天气，模拟的是根据当前时间每个网格单元格的气温、降水来预测下一个时间，比如 1 小时后所有网格状态的变化。

本身描述这个系统的状态就是很大的存储量，往后推进一步也会需要很长时间来进行方程的求解。一般来说仿真的代价很大，无论在空间还是时间上面。除了天气之外，一些流体、等离子体也可能需要上亿或更多级别的网格，模拟几千到几万步。

这样，即使在超算上，一次模拟可能也需要几小时、几天，甚至几周量级。很多时候我们还要基于这样的仿真作为内循环来进行一些设计任务，比如设计飞机的翼形、设计装置的参数、训练控制模型等，每一次改变新的参数都要重新仿真一次，意味着还是要进行几小时甚至几周的仿真。

如果能把时间成本从小时、天量级降到秒量级，带来的效益将是巨大的。一方面模拟速度的数量级提升节省了下游设计、控制、诊断任务的成本，另一方面节省了构建耦合的数值求解器的巨⼤⼯程量，并节省长时间迭代成本。

DeepTech：仿真成本高是一个领域内的共识，那它究竟贵在哪里？AI 在中间替仿真具体做了什么，起到了什么关键的作用？

吴泰霖：仿真成本高主要原因是，首先描述系统的状态非常复杂，以及需要非常小的时间步长来模拟，时间上也会很长。

AI 能够加速有多方面核心的原理。一方面，AI 可以基于神经算子的模型，以一个更大的时间步长来往后模拟。比如，现在 AI 的每一步可能是之前上百步的时间步长，相当于可以使得速度加速上百倍，因为不用模拟这么非常小的时间步了。

其次，它可以选择不在原空间来模拟，而是把整个非常复杂的物理场映射到更加压缩、有更好性质的隐空间。隐空间的网格量可以比原空间小很多，因此里面的一些演化就可以更快。

此外，我们团队开发的用于复杂物理系统的生成模型方法，可以从概率分布（而不是具体轨迹）的角度，在一些情况下更好地建模高维复杂的物理场及其长期演化。

DeepTech：你和团队之前还开发了通用多 Agent 的 AI 工程师 BuildArena[2]，在物理仿真环境中从零开始设计、搭建并运行火箭、车辆与桥梁等机械结构。它很有意思，不是让 AI 去回答问题，而是直接去设计机器。是不是可以理解成让 AI 把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，这个工作是提供了大语言模型和物理世界交互的一个接口，使得大语言模型能够基于人类定义的功能目标，在满足物理约束的条件下通过迭代设计满足功能的机械，以及执行工程建造。我认为，大语言模型本身如果训练得好，是有空间几何想象力的。

我们的实验也表明，一些头部的模型，是能够通过语言描述，比如每一个部件放什么地方、另外一个部件如何和它拼接，这样的语言描述来一步一步设计并建造一个比较复杂的机械。BuildArena 通过这一接口以及一些实时的反馈，使这些模型原本具有的世界模型或工程想象力能够实现为具体的建造。

图丨火箭模型（建造过程：Grok 4）（来源：GitHub）

DeepTech：这个工作出来之后，未来对人类工程师会有哪些改变会帮助？

吴泰霖：其实我们做这个工作的初心就是希望未来的工程中，人类仅需要提供最高层的目标以及相应的约束。然后，Agent 就可以直接来做出相应的设计以及建造。

相当于人类只负责管理开头的定义以及最后的验收，中间如何做完全可以通过 Agent 来做。我们认为是未来发展的方向，这也是原力引擎最后要做到的事情之一。我们能在游戏中做到初步的建造，相信未来在工业界，无论是各种设计还是其他方面都是能够实现的。

为什么是核聚变：寻找工程领域最难的根问题

DeepTech：为什么选择在当下这个时间节点创业？

吴泰霖：首先一方面是产业的需求。因为我们在能源领域和其他工业领域与客户合作的过程中，发现他们有很多共性的问题。比如，对多物理场仿真的需求，以及强耦合系统的控制，还有复杂几何的设计等等。这些问题不只是某个领域独立存在的问题，而是很多不同领域普遍存在的共性需求。

我们开发的一系列 AI 方法可以在相关方面更好地来解决这些问题。之前的方法，比如传统 CAE 或其他方法，面临着速度慢以及对于多物理场可能很难进行耦合仿真，以及当涉及工程中的一些逆问题时传统 CAE 方法通常需要反复迭代，效率较低。我看到了这样的需求，并且我们的技术能够可以解决这些问题，它有很大的市场，无论在能源领域、高端制造，还是其他领域。

另一方面，当前国家也非常重视，无论是 AI+、聚变，还是其他 Engineering 领域，这时候我觉得是一个几十年一遇的机会，可以让我们的成果不仅停留在学术界，而是能够真正地改变各个领域。

DeepTech：很多初创公司在业务刚开展的时候，可能会选择相对比较容易实现盈利的方向。但你和团队选择了一个充满挑战的方向，将核聚变作为首选的落地切⼊点，这背后有哪些因素的考虑？

吴泰霖：我们公司立足 AI for Engineering，目标是通过 AI 原生系统解决工业领域的普适问题。公司的核心业务，是为各类高端工业领域提供 AI 原生数字底座，支持其仿真、运行控制、诊断和设计的核心需求。

我们首选聚变作为切入点，主要有两个关键词，一个是增量，另一个是根问题。我认为无论做什么，关键是要做增量，只有增量把蛋糕做大了，所有人才能受益。聚变如果实现商用化，肯定是人类近期以来最大的增量。

一方面，可控核聚变商业化可提供近乎无限的安全、清洁、低价的能源，对我们来说，AI 的 Token 几乎可以免费了；另一方面，未来将有可能开发出以聚变为能源的引擎，也可以让人类的触角更便捷地延伸到太阳系。这是很大的增量。

此外，随着领域长时间的积累和技术的发展，核聚变的实现已经不再是“永远的 50 年”了。目前的进展让我觉得，乐观估计，2040 年到 2045 年可能可以实现聚变商用电站或者商用示范电站。

这个问题太重要了，非常值得来做。并不是说只有做到最后的商业化才能赚钱，中间整个产业链的发展，我们的 AI 赋能在可以加快进程的同时，也能够很好地得到一些收益。

图丨基于神经算子的秒级等离子体回旋动理学模拟（来源：受访者）

另一方面是根问题。举个例子，谷歌 DeepMind 的 AlphaFold 解决的就是一个根问题，它做了一个模型，使蛋白质的结构预测能够做得很好，最后实现了 2 亿个蛋白质结构的预测。

我认为在 Engineering 领域，聚变中的多尺度模拟和高参数控制就是一个根问题，这是 Engineering 中通用且最困难的问题。如果可以产生解决这些问题的有效方法，就很有可能迁移到其他工程领域。

DeepTech：你刚才也提到，原力引擎的技术其实更多的是为以聚变为代表的工业领域赋能。那你觉得 AI 在促进核聚变发展的过程中，是起到一种加速器的作用，还是一个决定性的关键性因素?

吴泰霖：我认为它至少是起到加速器的作用，因为当前很多进展以及瓶颈都表明，对于一些问题 AI 能够做得更好。比如说像之前 DeepMind 做的强化学习的控制，能够做到比较好地控制等离子体位形。再比如，当前聚变的动理学仿真可能需要小时到天或者更长时间量级，而 AI 可以几百倍或更快地加速。此外，AI 可以更好解决一些高维复杂问题的设计和优化（例如设计更好的放电方式）。

总之，我不敢说 AI 是解决聚变所有问题的决定性因素，但对于多尺度仿真加速和高参数控制这两个核心瓶颈，我认为必须依赖 AI 才能实现超越传统方法的质的突破。

DeepTech：你之前曾提过，如果技术能解决可控核聚变的问题，那也能扩展到很多其他工业的问题。想请你谈谈这背后有怎样的一种逻辑？如果在聚变领域得到进一步验证的话，可能会进一步溢出到哪些领域？

吴泰霖：很多工业领域遇到的挑战是类似的。例如在仿真中，多物理场、多尺度仿真就是一个普遍存在的挑战。而在聚变等离子体中，这个挑战尤其明显。在等离子体中，包含宏观磁流体和微观湍流的耦合、等离子体芯部-边界耦合、波-粒相互作用等多物理过程的耦合，并且各种物理过程的空间尺度跨越 6 个数量级，时间尺度甚至可以跨越 10 个数量级。

如果基于此开发了更好的多尺度、多物理场仿真的 AI 方法，那么也可以用在其他领域。比如，无论是发动机的燃烧模拟，还是石油领域的油藏模拟，这些都是多物理场、多尺度的问题，难点也是类似的。这些问题的核心是一致的，如果聚变领域中能够做好，也能拓展到别的行业。

另一个问题是控制，比如需要通过控制托卡马克线圈电流来约束上千万或上亿度的等离子体，让其在高参数下被稳定约束，防止破裂。对于这样的强耦合系统开发的安全控制方法也可以用到化工领域的一些控制方面，比如实时调整反应的温度、组分的浓度等等。再比如，电力领域也需要安全控制，这样的方法也可以迁移过去。

总之，核聚变涉及超高温、高动态的等离⼦体控制，复杂度⾼、容错率低，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最佳试⾦⽯。当然，不同领域有相应的区别，肯定有相应的调整，但问题是类似的，对于聚变来说，这些问题的难度和要求可能是最严苛的。

我们率先在核聚变领域落地，但并不是说只做核聚变，也要考虑公司的盈利。因此，我们可以“沿途下蛋”，在研究核聚变领域的同时，可以用在其他涉及多物理场以及多尺度问题的领域，例如航空航天、石油化工、高端制造等领域。现在已经有一些头部客户找到我们，希望共同解决一些领域的相关问题，相关合作正在推进和洽谈中。

DeepTech：我们之前比较多提的是 AI for Science，你认为 AI for Science 和 AI for Engineering 这两者具体是怎样的一种关系呢？

吴泰霖：我认为目前 AI for Science 或 AI for Engineering 其实还没有一个完全确定的定义，它们也是有很多交叉的。总的来说，AI for Science 更加强调通过 AI 来赋能各种科学领域，而 AI for Engineering 更多偏向赋能工程领域，但他们其实有很多共性问题。

以对复杂系统的仿真为例，要模拟等离子体可以说是 AI for Science，也可以说是 AI for Engineering；再比如，设计一些新的蛋白质可能就是 AI for Science，但设计一些新的机翼形状，从领域上看又像是 AI for Engineering，但它们做的任务其实从 AI 角度来说是类似的。

所以二者的区分可能更多是行业上的区分，也有一些侧重点的区别。比如 AI for Science 会包含更多的科学发现，比如通过提出假设、进行实验验证、再分析的闭环，这个可能更偏向 AI for Science，在材料、药物领域可能更重要一些；而 AI for Engineering 的领域可能更多面向复杂系统的仿真和控制，当然里面也会涉及一些发现新的方程来更好地建模系统。

DeepTech：在 AI for Engineering 市场上，国外的厂商也在做不同的工作。比如有的公司把 AI 嵌入到传统的流体工作流中，英伟达、微软提供了开源框架，原力引擎做的则是 AI 原生引擎。你之前也提到，相比传统的求解器有优势，那主要核心技术壁垒在哪些方面？

吴泰霖：我们主要看的是仿真或求解的精度和速度。传统的求解器精度相对较高，但速度较慢。而当前神经网络等方法尽管速度比较快，但在泛化性方面没有保证。

我们开发的 AI 方法，能用更少的训练数据，实现更好的泛化性，使得它在仿真速度上能够几十倍到几百倍地加速，相比传统的数值方法，它的精度和泛化性也能达到比较好的水平。

十年内，要解决一个诺奖级根问题

DeepTech：你刚才也提到，物理 AI 可能是通往 AGI 的重要路径，为什么理解物理世界非常重要？

吴泰霖：我很认同“强化学习之父”Rich Sutton 的经验主义，即智能的核心来源，是它与这个世界不断交互的过程中获取的经验，这个经验又不断改善智能。这有点类似于婴儿如何慢慢学习，通过不同的试探来学会走路，做各种事情。

这个过程中需要 AI 与物理世界不断交互，理解物理世界是如何演化的，以及学到你的影响如何改变物理世界的演化，只有这样才能够真正在物理世界中做任何事情，而这些无法通过知识来告诉它就能做到的。

我们希望原力引擎也有这样的一个过程，模型训练完成后并不会天然完美，但部署到工厂或者装置后，可以通过持续接收新数据、与物理世界交互来迭代自己的能力，进而实现通用的工程智能。

DeepTech：公司的名字叫原力引擎，这个名字有没有什么特别的寓意？

吴泰霖：我特别喜欢科幻，原力这个名字来自于《星球大战》。在这部科幻作品中，原力是一种无处不在的生命力，尽管它看不到，但它无处不在。我希望我们公司未来能够成为提供一个系统的公司，这个系统可能无处不在，但你可能察觉不到，但它真正在改变工业领域的各个方面。比如你有任何的实体，也有相应的数字孪生体，它不仅能够表示，而且能够实时模拟，能够在里面进行相应的控制，也能反馈到物理世界上面。

DeepTech：公司这边团队目前有多少人，团队的技术背景是怎么样的？

吴泰霖：我们现在有 11 个人，并且目前也在大力招募顶尖人才进来。我们希望团队能够融合不同的背景，包括物理、AI、仿真、Agent、架构师等，形成一个多学科交叉的团队来共同推进。我们预计年底会有 20 人，之后会继续扩展。

DeepTech：你在西湖大学这边也有教职工作，那你在公司主要扮演怎样的角色？

吴泰霖：我本人更多的还是发挥首席科学家的作用，为公司技术方面、战略方向定义以及做技术的推进。

DeepTech：过去大家经常提 AI+，后来又更多讨论的是+AI。是不是可以理解为，过去 AI 更多的是一种赋能，而现在 AI 在越来越多的方向和领域发挥越来越重要的作用？

吴泰霖：对，我觉得 AI 正在成为一种基础设施。未来我们甚至都不会说 AI+了，类似于我们不会说数学+，因为它已经是必不可少、无处不在了，无论任何行业都是需要它的。

DeepTech：如果把时间线拉得更远一点，比如 10 年后回看这个公司，你希望别人如何评价原力引擎？

吴泰霖：我希望两个方面，一方面我们公司为 Engineering 的各个行业提供了全新的 AI 底座，另一方面我希望我们能解决一个诺奖级的根问题。如果 10 年内能实现这两个目标，在我看来就是取得成功了。

参考资料：

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. 个人主页：https://tailin.org

注：封面/首图由 AI 辅助生成

文章来自于微信公众号 “DeepTech深科技”，作者 “DeepTech深科技”