独家 | 吴泰霖想用AI加速核聚变，上海国资投了

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。

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。

从量子计算转向AI研究

要理解原力引擎在做什么，得先理解吴泰霖是谁。

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。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。

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。

为什么AI需要“懂”物理？

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。

用可控核聚变验证技术上限

可控核聚变，是原力引擎选择的首个高难度验证场景。

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。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。我预期示范商用可能在2040年到来，届时能够给人类包括AI提供几乎无尽且低价的能源。”吴泰霖告诉我。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。

以下是我与吴泰霖的对话：

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。

刘燕秋：所以只花了一年多就转过来了？

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？

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。

刘燕秋：你强调的是与现实世界的互动。

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。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。如果我们在聚变领域能模拟复杂的等离子体系统，同样的技术很有可能也能解决其他工程领域，例如航天里的问题。

刘燕秋：用AI做核聚变研究，成本和代价高吗？

吴泰霖：相对于建装置是很低很低的。建一个装置至少上亿元，大的要几十亿到上百亿。如果我们能在建之前或建装置时，提前进行更好、更精细的仿真模拟，探索高参数稳定放电的区间，并基于其设计装置，可以节约很多钱，加快速度。

刘燕秋：从已知的技术水平到你想抵达的未来，中间还差什么？

吴泰霖：肯定还有好些距离。一个关键是对多尺度、多物理场耦合系统的整体高保真模拟。例如面向未来燃烧等离子体，α粒子自加热、湍流输运、边界排热等过程会形成高度耦合的动态系统，磁体、加热、电源和诊断等工程系统也需要长期协同运行。对这样复杂的多尺度多物理场系统的整体模拟还没有非常完善的方法能做到，当然基于AI能有更大的潜力实现。

而这样的多尺度多物理场问题不只是聚变领域的问题，也是其他领域的重要问题。比如燃烧有化学反应和流体的多尺度耦合；材料有从原子分子到介观缺陷到宏观性质的跨尺度耦合；生命科学有从分子、细胞到组织、器官的多尺度耦合。这些都是很难的问题。

刘燕秋：我看你之前在一个演讲中分享过，你的梦想是让人类走向太空，这个梦想和你现在做的事有什么关系？

吴泰霖：核心在于增量。如果只做存量的重新分配，很难持续。只有很大的增量才能缓解矛盾，才有更多发展。地球上的资源和能源是有限的，下一个时代可能是太空时代。太空中能源远比地球上多，资源也更多。

聚变能提供更有效的能源。如果未来解决了聚变，太空中的火箭就可以用聚变能而不是化学能。现在地球发射的化学能火箭速度最高只能每秒十几公里，在宇宙中太慢，例如到火星要几个月，到冥王星要十多年，到最近的恒星要几万年。而当聚变解决后，有望构建基于聚变推进的火箭，其理论上可以到光速的百分之几，是化学能火箭的几百倍，这样到火星只用几小时，到冥王星只用几天，到最近恒星可以约100年。相当于未来在太阳系中任何地方旅行，就像现在在地球上坐轮船的感觉，人类将逐渐成为太阳系文明，带来未来上亿倍的增量。

刘燕秋：这个太空梦想的源头是什么？科幻小说？

吴泰霖：当然，我也很喜欢科幻，像《三体》《浩瀚苍穹》《星球大战》等等。但这个想法是在谷歌实习时，导师跟我说的一个思想实验：如果地球GDP每年增长2%，1000年需要增长4亿倍，这在地球上是不可能的持续的。如果不增长，就会有各种矛盾。所以必须要找一个上亿倍增量的来源，让未来每个人都能有工作，AI和人也能有共同的目标。所以，背后还是长时间理性的思考。

刘燕秋：你的背景履历都很顶尖，我想知道你在成长历程中有没有经历过比较大的挫折？

吴泰霖：博士期间突然转方向就是一个很大的挫折。当时博士第四年，funding突然停了，前面几乎没有路，而且我也不懂AI，各方面都很黑暗。还有博后期间，有大概一年多研究几乎没有进展，当时也是坚持过来。

刘燕秋：投资人目前对AI for Engineering这个赛道的认知和态度是怎样的？

吴泰霖：不同的投资人认识有分化，还没有形成共识。有些非常认同我们的观念，觉得我们要做的事情很重要且有实际落地的广阔前景。这轮上海国资基金对我们的理念很认同，上海也是聚变高地。当然也有些基金因为时间关系没赶上，可能会在下一轮。

刘燕秋：现在国内有和你们做类似事情的团队吗？世界范围内中国处于什么水平？

吴泰霖：面向AI for Engineering这样一个大类，国内可能还不太有专门的创业公司。但每个细分领域里面会有，比如AI for聚变、AI for航天都有一些公司，他们更往某一个垂域做。我们是面向更广泛的领域，不只是聚变，要变成一个通用基础设施。

这里面有一个宽和深的权衡。只在一个领域更深更透，但体量没那么大，非常依赖这个领域是否发展得好。我们的理念是，不同领域很多问题类似，比如多尺度多物理场仿真、高性能控制等，可以有一个统一的底层系统同时服务各个领域，不同领域可以相互借鉴，甚至可以降维打击，鲁棒性更强。

当然目前AI4Engineering在国际上也是政策和市场的热点，国外已经有好些AI4Engineering的公司，包括亚马逊创始人的贝索斯创立的工业人工智能公司“普罗米修斯”希望通过AI重构制造业等。

前几年国外像DeepMind、Princeton发了两篇Nature文章，把深度强化学习用于聚变的位形控制和破裂预防，当时他们领先。现在国内也慢慢追上来了。在AI+PDE这个领域，全世界可能有十几个组是比较有名的，我们算其中之一。在AI+聚变领域，目前我们也差不多并跑。