原力引擎完成近5000万元融资，致力于生成式仿真与智能控制引擎研发

来源：猎云网

近日，AI for Engineering（AI4Engineering）领跑者「原力引擎（上海）智能科技有限公司」（以下简称“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。本轮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，并持续强化全球顶尖复合型人才团队建设。

原力引擎由吴泰霖教授创立，其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，西湖大学人工智能与科学仿真发现实验室负责人。他长期研究大规模科学仿真、物理系统控制与科学发现，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）为核心的系列方法，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领域开创性工作。

在广义的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。原力引擎致力于面向高维、强耦合的复杂工程物理系统，构建覆盖仿真、控制、诊断与设计的AI原生底座。公司以可控核聚变为首个高难度验证场景，并将相关能力拓展至油气、核电、3C及航空航天等能源与高端制造领域。在上述场景中，模型不仅要“算得快”，还必须满足高精度、泛化性、实时性、安全边界和现场部署等工程约束。

从数值求解到AI原生仿真与控制

传统数值求解器和CAE软件是工程研发的重要基础，但面对多物理场、多尺度、多部件耦合系统，通常需要针对具体几何、边界条件与物理过程构建求解流程，当其进入参数扫描、反演设计和控制策略训练的内循环时，计算与工程成本会被进一步放大。

原力引擎并非简单替代传统求解器，而是以数值求解与实验数据为高可信训练基础，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。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。

以核聚变验证技术上限，向复杂工程场景迁移

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、闭环控制等算法挑战。其跨越宏观磁流体与微观湍流尺度、涉及芯部—边界多种复杂物理过程耦合，是AI4Engineering最具代表性的高难度场景之一。近年来，学术界已在TCV装置上验证深度强化学习对多种等离子体位形的磁控制，并在DIII-D装置上实现对撕裂不稳定性的主动规避，表明AI正在逐步进入实际聚变实验闭环。

原力引擎在聚变领域正与国内聚变科研机构及头部商业聚变企业推进等离子体仿真、软着陆控制和位形控制合作，公司研发的生成式AI控制算法已完成装置上机实验验证并实现优越控制性能。公司希望以聚变场景对模型精度、实时性和安全性的严苛要求，反向锤炼可复用的物理建模与控制能力。

这种迁移将复用神经算子、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。创始团队研发的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。公司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。

原力引擎致力于让AI进入工程闭环，重塑复杂系统研发范式

政策与产业环境亦在AI4Engineering领域形成合力。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。随着重大科学装置与先进制造系统加快智能化升级，能够进入真实工程闭环、并以系统级性能提升衡量价值的AI4Engineering能力，有望成为AI从数字世界走向物理世界的重要基础设施，重塑复杂工程系统的仿真、设计、诊断与控制范式。

从聚变装置中的等离子体控制，到油藏、核电与高端制造中的多物理场仿真，原力引擎所瞄准的是一类共性的工程根本问题：如何让AI在遵循物理规律与安全边界的前提下，更快、更准确地理解、预测并干预复杂系统。

本轮融资完成后，公司将继续以可控核聚变等高难度场景打磨技术上限，推动仿真、控制、诊断与设计能力向包括能源与高端制造在内的更多领域迁移，并逐步沉淀为可复用、可部署、可持续迭代的AI4Engineering基础设施，推动工程研发从依赖高成本计算与经验试错，走向数据、模型与真实系统协同驱动的新范式。