远见网一、每一次迭代都要小时或天量级
1、每一次迭代都要小时或天量级
过去，人们要进行一次流体、力学或等离子体的仿真并基于其进行装置的设计，每一次迭代都要小时或天量级，甚至更长时间。
在AI加持下，这个时间可以缩短到分钟或秒量级。
未来，甚至于给AI任何一个目标，就能设计并制造出满足这个功能的机器，比如火箭、飞船、火星车……
这个前沿领域，被称为AI for Engineering。
让人类借助AI解决能源问题，并逐渐走向太空，是AI for Engineering企业原力引擎创始人吴泰霖的梦想。
投中网获悉，原力引擎宣布完成天使+轮近5000万元融资。
本轮融资由上海国投旗下上海未来产业基金和上海科创集团共同领投，复旦科创加注领投，龙芯创投、成为资本等跟投，光源资本担任独家财务顾问。
资金将主要用于生成式仿真与智能控制引擎的持续研发、聚变等标杆场景的装置级验证、能源与高端制造等行业客户拓展等。
三家领投方，上海未来产业基金、上海科创集团、复旦科创，带有浓厚的上海国资与科创底色。
考虑到原力引擎的首个验证场景是核聚变，而上海恰是国内可控核聚变产业的高地，这笔投资的用意不难理解。
2、最终形成贯穿工程系统全生命周期的闭环
在广义的AI for Science（AI4S）概念中，AI4Engineering可被视为面向工程物理系统与产业落地的重要分支。
它沿袭AI4S在规律学习与复杂系统建模上的能力，并进一步将AI延伸至仿真、状态感知、设计优化和实时控制等环节，最终形成贯穿工程系统全生命周期的闭环交付。
在吴泰霖看来，工程中不同领域很多问题类似，比如多尺度多物理场仿真和控制等，理应建立一个通用的平台同时服务各个领域。
多尺度多物理场仿真有不少技术难点，这个赛道还处于非共识阶段。“不少投资人在观望，认同我们的则非常认同。
” 吴泰霖告诉我。
当国资开始拿出真金白银支持，也意味着AI4Engineering这个听上去有些抽象的赛道，正在进入技术场景验证的关键阶段。
本科毕业于北京大学物理学院，获麻省理工学院物理学博士学位，后于斯坦福大学计算机系Jure Leskovec教授课题组从事博士后研究，现任西湖大学工学院特聘研究员、助理教授——这是吴泰霖的学术履历，可谓当下VC爱投的青年科学家的标准画像。
他曾与博士生导师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）为核心的方法，并在生成式AI赋能复杂物理系统仿真、控制、设计方面做出一系列开创性工作。
但在成为“AI物理学家”背后的科学家之前，他的研究方向其实是量子计算。
2016年，MIT物理系博士第三年半的吴泰霖，突然面临一个考验：由于资金突然被砍，实验室陷入停滞。
学术之路遇阻，周围的同学大多选择转到其他实验室继续做量子计算实验，但吴泰霖做了个不一样的决定。
二、他这样形容那次转向
1、他这样形容那次转向
恰逢AlphaGo击败李世石，AI进入更多人的视野。
他经过一个月的思考，决定将研究方向转为AI，研究AI + 物理。
“相当于是背水一战。” 他这样形容那次转向。
例如，为了更好地进行AI方面的科研，他在谷歌实习前半年，索性搬去洛杉矶，每天跟谷歌的导师讨论。
一年后，他的研究开始有了起色，到2019年，一些成果集中爆发。
从量子计算到AI，吴泰霖用三年半时间相当于重新读了个博士。
此前的学术经历塑造了他对AI与物理关系的底层理解。
在他看来，当AI要打通物理世界，需要对物理系统进行建模、仿真和控制，一个有物理背景的人更能知道什么物理问题重要、什么能够更好地被AI解决。
在斯坦福做博后期间，受学校氛围影响，吴泰霖已经开始为创业做准备。
到西湖大学后，他与核电站、3C企业、聚变公司等工业界合作，更多了解产业的需求。
2、正好在这些规划的交叉点上
创业的时机在2026年到来。
AI4Engineering的政策与产业环境正在形成合力：国务院“人工智能+”行动提出推动人工智能驱动的技术研发、工程实现与产品落地一体化协同，“十五五”规划纲要则将核聚变能列为重点培育的未来产业方向之一。
原力引擎，正好在这些规划的交叉点上。
在工程物理系统的研发中，原力引擎并非简单替代传统CAE软件，而是以数值模拟与实验数据为高可信训练基础并融入更多的物理先验，通过神经算子、扩散模型等方法学习物理场演化及条件分布，在推理阶段完成快速预测与耦合生成。
在此之上，结合智能体实现多阶段复杂任务的自动完成。
“传统求解器能做到比较精确，但很慢。模拟一个物理过程可能要几小时甚至几天。
基于AI方法可以把小时或天量级压缩到秒或分钟量级。并且，我们开发的AI原生方法相对于传统求解器也有很高的精度。
” 吴泰霖解释道。
目前，这家公司已在流体、油藏和等离子体等复杂物理仿真任务上实现数十倍至数百倍加速，部分任务可由传统的小时或天级计算压缩至秒级，并且可通过真实装置与工业现场验证持续校准模型。
一个理想的状态是，人类只做“头”和“尾”，也就是定义问题和提供验收标准。AI在里面完成所有事情，且在与这个世界交互的过程中不断优化。
磁约束聚变涉及极端条件下的复杂等离子体系统的高保真仿真、状态估计、闭环控制，跨越宏观磁流体与微观湍流尺度，是AI4Engineering最具代表性的高难度场景之一。
三、AI正在逐步进入实际聚变实验闭环
近年来，学术界已在托卡马克装置TCV上用深度强化学习实现了等离子体位形控制，并在DIII-D装置上实现对撕裂模不稳定性的主动规避。
AI正在逐步进入实际聚变实验闭环。
“聚变的问题太重要了，而且它现在在一个突破的边缘。
1、同样的技术就有可能解决航天航空等领域
更重要的是，聚变场景对模型精度、实时性和安全性的严苛要求，能够反向锤炼可复用的物理建模与控制能力。
如果在聚变领域能很好地模拟复杂的多尺度等离子体系统，同样的技术就有可能解决航天航空等领域的问题。
这种“以最难场景验证技术上限，再向复杂工程场景迁移”的思路，将复用神经算子、生成式建模、安全控制与多智能体协同等底层方法，再针对各行业的几何结构、边界条件、工况数据和安全规范进行适配。
相关算法此前已在沙特阿美的千万级网格油藏仿真中完成工业部署，未来也将在核电多物理场仿真、3C力热仿真、航空航天等方向推进产业合作。
除了技术前沿，我们也聊了聊学术和创业过程中的选择以及一个物理学背景AI创始人对智能的理解。
刘燕秋：现在有大批物理学背景的人进入AI行业。你博士期间从量子计算转向AI，当时那个阶段是怎么做选择的？
吴泰霖：其他人主要都转到别的实验室，继续做量子计算方面的实验。
但我做了三年多的实验，相当于每天在一个小黑屋里，调很多复杂的激光光路，在机床上做各种各样的精密零件，大多数是体力活。
我觉得这样的生活不是我擅长且想要的。
当时是2016年，AI刚刚起来。我经历了一个月的思考，决定把方向转为AI。
做了决定之后跟导师说，导师一开始也比较模糊。但我很坚定，后来导师也慢慢支持我了，给我介绍了一些AI领域的合作者。
我找了副导师Max Tegmark，和他一起做AI+物理方面的研究。我导师也把我介绍给了谷歌一位导师去那里实习。
为了更好科研，我提前半年把我家搬到LA，住在他旁边，每天跟他讨论，来做科研。
持续深度的讨论让我进入了一种心流状态，做了好些成果。当时真的是背水一战，已经是博士第四年了，相当于重新开始。
花了一些时间，抓住一切可能的机会。
吴泰霖：对，一年多。一开始转的一年也是没有任何成果的。慢慢到2017年才开始有一些，也遇到各种文章被拒。到了2018、2019年才爆发出来。
刘燕秋：从一个物理学家的视角去理解”智能”，和纯AI背景的人有什么不同？
四、学界目前对智能还没有一个统一的定义
吴泰霖：学界目前对智能还没有一个统一的定义，什么东西算AGI，也众说纷纭。
但如果让我说，智能的核心在于：它能够在任何场景中快速适应环境，理解这个环境的运行机理，并且给定目标后，能够高效地达成。
这不是一种直接的泛化，而是一个过程。
你把一个智能体放到一个全新的环境里，它一开始肯定也做不好，但它能够不断、很快地通过与环境的交互获取经验，掌握这个环境的物理规律，然后在这个环境中越来越快、越来越好地完成任务。
吴泰霖：对。这也是强化学习之父Rich Sutton的经验主义观点。
现在的大语言模型如果只靠静态数据训练，一定会遇到瓶颈。
但如果你能让模型不断与环境互动，从中积累经验，那这个数据量理论上是无限的。
刘燕秋：AI for Science和AI for Engineering，对你创立的这家公司而言，你更认同哪个定位？
吴泰霖：从2018年开始，我一开始做的是AI for Science。
但现在更准确的称呼是AI for Engineering。它们可以认为是两个有很大交集的圆，不是从属关系。
1、比如自动化实验室不断迭代发现新知识
共同部分都有AI用于仿真、设计、控制、诊断。
区别在于AI for Science更重视发现，比如自动化实验室不断迭代发现新知识；
AI for Engineering更重视与实际的工业结合，解决他们的问题。
一个更侧重科学发现，一个更侧重解决实际工业问题。
刘燕秋：为什么以核聚变作为首个验证场景？这个方向听上去难度系数很高。
吴泰霖：有几个因素。最本质的，聚变的问题太重要了，而且现在在一个突破的边缘。
我预期2040年可能可以商用或者示范商用，能够提供几乎无尽且低价的能源。
能源是整个社会发展的核心动力，包括AI未来的发展也需要更大量的能源。
而且聚变是AI4Engineering最具代表性的高难度场景之一。
它跨越多个时空尺度，包含宏观磁流体、微观湍流、快粒子动力学等多种复杂物理过程的耦合，从芯部到边缘都彼此影响。
以聚变场景对模型精度、实时性和安全性的严苛要求，可以反向锤炼可复用的物理建模与控制能力。如果我们
