软件先容

jxf官方使用指南

第一步：导入文件

翻开软件，，点击"?添加 jxf官方"按钮，，从电脑中选择《jxf官方》文件，，或直接将其拖拽至软件界面中。。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。

第三步：最先下载

确认无误后，，点击"最先下载/处理"按钮。。期待进度条读取完毕，，即可在设定的文件夹中审查下载好的正版文件。。

吴泰霖：从AI物理学家到创业他想回覆AI for Engineering的根问题，，jxf官方

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历程压缩到秒级，，并让 AI 不但加入模拟，，还加入设计、控制和发明。。

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盘算机系 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明实验室认真人。。

已往十年间，，他始终关注 AI 与科学交织领域最焦点的问题：怎样让机械学习既能加速重大系统仿真，，也能从海量数据中发明新的科学纪律。。他在科学仿真方面提出了以深度学习署理模子为焦点的一系列算法，，在流体力学、等离子体物理等领域呈数目级地加速了仿真速率，，解决其多标准多物理场、多分辨率、大规模的焦点挑战。。

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] 为焦点的系列算法，，从视察的数据中找出简朴普适的物理纪律和方程，，让模子能够模拟科学家发明简朴、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明，，例如应用于在天下最大?油公司沙特阿美，，已实现万万级?格的油藏仿真并?业安排。。他希望已往手艺积累的 AI for Engineering 能力不但仅停留在学术效果阶段，，而是走出实验室在工业应用中现实资助更多领域解决相关问题。。

2026 年 1 月，，他作为首席科学家建设了原力引擎（UniForce AI）公司，，试图用天生式仿真、智能控制和多智能系一切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难题的问题切入。。

吴泰霖以为，，可控核聚变中的多标准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息争决的根问题。。阻止现在，，该公司已与头部聚变商业公司、头部能源企业推进深度相助。。

以下是凯时AG对话：

探索智能的实质：一场被动转向背后的必定

DeepTech：你的本科和博士着实是物理配景，，其时增进你选择 MIT 物理系的 Max Tegmark 教授作为副导师，，将物理偏向调解到 AI 与物理领域融合的偏向，，是出于什么思量？？
？？
？？

吴泰霖：我本科和博士学的都是物理，，但着实我一直以来就对研究智能（intelligence）的实质很感兴趣。。人们往往选择一条更容易的路，，而不是最准确的路。。我也一样，，以是之前我一直没有勇气转到这个偏向。。

博士读到三年半的时间，，由于课题组的实验经费突然中止，，实验室的同砚都面临两个选择，，要么转换研究偏向，，要么换实验室。。我其时思索了一个月，，我很是清晰做实验并不是自己最善于的。。

那时间是 2016 年，，AI 刚刚火起来，，我感受以后无论在哪个行业，，AI 肯建都是一个焦点因素，，加上我自己对智能很感兴趣，，因此决议研究转向 AI。。可是，，我也并没有放弃物理，，而是做了许多 AI+物理融合的研究事情。。

DeepTech：你在做博士、博士后时代正好遇上了深度学习爆发的 10 年，，陆续泛起了 AlphaGo、AlphaFold。。你适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，，照旧一步一步加深了自己信心呢？？
？？
？？

吴泰霖：我感受是一步一步加深的。。印象最深的一个主要的节点是 AlphaGo，，其时我全程看了李世石与 AlphaGo 的角逐。。现实上，，之前许多人猜人类会赢，，而我其时就猜肯定是 AI 会赢。。无论是角逐中心 AlphaGo 下出的能手，，照旧它博弈的整个历程，，都让我感受到这就是未来，，加深了我的信心。。厥后 AlphaFold 的泛起，，让我感受未来确实需要去发明这样的根问题，，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 走向物理天下：从发明纪律到制作天下

DeepTech：你在领域里有个较量著名研究效果是 2019 年提出的“AI 物理学家”，，这个事情其时是怎么想到去做的？？
？？
？？

吴泰霖：我以为做通用人工智能（AGI）的第一步，，就是做 AI 物理学家。。它能像物理学家一样，，凭证数据来发明一些精练的纪律、精练的公式，，并且能够把这些公式简化、统一，，就像牛顿发明万有引力定律或者麦克斯韦统一电磁学。。由于我自己是学物理的，，通过 AI 来总结物理学家的履历，，造出一个类似物理学家的 Agent，，我以为这自己很有意思。。

图丨AI 物理学家架构（泉源：Physical Review E）

DeepTech：若是我们未来给 AI 足够多的数据，，它是不是有可能发明类似牛顿定律等主要的科学发明？？
？？
？？

吴泰霖：是的。。我以为科学发明自己也是可以被数学界说的，，即要在一个很是重大的离散的理论空间，，能够找出一些形貌这个天下运行的方式，，它能够更统一地形貌种种各样的数据。。实质上它是一个搜索问题，，AI 能够更智慧地来举行这样的搜索，，再连系一些直觉，，我以为是完全可以实现的。。

DeepTech：若是我们明确 AI 在其中的作用，，它究竟是在明确物理天下，，照旧在拟合数据？？
？？
？？

吴泰霖：我以为，，明确物理天下和拟合数据是一个光谱上的两头。。我们说的拟合数据，，意思是凭证数据的一些局域的特征，，通过一些局域的模子来拟合。。而明确天下，，实质上我以为就是通过极致的压缩，，把天下运行的纪律压缩到参数目很是小的模子上。。

以是，，光谱一端和另一端没有实质区别，，它们都是通过一些方式来拟合数据，，要害是压缩的量。。举个例子，，通过一个公式——牛顿万有引力定律，，就能形貌宇宙的几千亿颗恒星的运动，，它既是用很是压缩的模子来拟合数据，，也是一种对物理天下的明确。。

而 AI 的特殊作用，，不但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、重大的数据中提取可迁徙的结构，，把暂时无法显式写成公式的纪律，，压缩成可盘算、可展望、可控制的模子。。在重大物理系统中，，这种模子未必一最先就是人类可读的一行公式，，但它可以先形成一种“可操作的明确”，，资助我们更快模拟、更准诊断，，并进一步启发新的物理纪律。。

DeepTech：你的研究相当于把流体、等离子体这些重大系统的仿真提升了几个数目级，，能不可举个例子，，数目级的提升意味着什么？？
？？
？？

吴泰霖：以天气预告为例，，要想形貌整个全球的天气，，可能需要上亿级别的网格来形貌某个时间的天气，，模拟的是凭证目今时间每个网格单位格的气温、降水来展望下一个时间，，好比 1 小时后所有网格状态的转变。。

自己形貌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举行方程的求解。。一般来说仿真的价钱很大，，无论在空间照旧时间上面。。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，，纵然在超算上，，一次模拟可能也需要几小时、几天，，甚至几周量级。。许多时间我们还要基于这样的仿真作为内循环来举行一些设计使命，，好比设计飞机的翼形、设计装置的参数、训练控制模子等，，每一次改变新的参数都要重新仿真一次，，意味着照旧要举行几小时甚至几周的仿真。。

若是能把时间本钱从小时、天量级降到秒量级，，带来的效益将是重大的。。一方面模拟速率的数目级提升节约了下游设计、控制、诊断使命的本钱，，另一方面节约了构建耦合的数值求解器的巨??程量，，并节约长时间迭代本钱。。

DeepTech：仿真本钱高是一个领域内的共识，，那它事实贵在那里？？
？？
？？AI 在中心替仿真详细做了什么，，起到了什么要害的作用？？
？？
？？

吴泰霖：仿真本钱高主要原因是，，首先形貌系统的状态很是重大，，以及需要很是小的时间步长来模拟，，时间上也会很长。。

AI 能够加速有多方面焦点的原理。。一方面，，AI 可以基于神经算子的模子，，以一个更大的时间步长来往后模拟。。好比，，现在 AI 的每一步可能是之前上百步的时间步长，，相当于可以使得速率加速上百倍，，由于不必模拟这么很是小的时间步了。。

其次，，它可以选择不在原空间来模拟，，而是把整个很是重大的物理场映射到越发压缩、有更好性子的隐空间。。隐空间的网格量可以比原空间小许多，，因此内里的一些演化就可以更快。。

别的，，我们团队开发的用于重大物理系统的天生模子要领，，可以从概率漫衍（而不是详细轨迹）的角度，，在一些情形下更好地建模高维重大的物理场及其恒久演化。。

DeepTech：你和团队之前还开发了通用多 Agent 的 AI 工程师 BuildArena[2]，，在物理仿真情形中从零最先设计、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 去回覆问题，，而是直接去设计机械。。是不是可以明确成让 AI 把空间几何推理和物理约束转化为可执行的工程制作？？
？？
？？

吴泰霖：更准确地说，，这个事情是提供了大语言模子和物理天下交互的一个接口，，使得大语言模子能够基于人类界说的功效目的，，在知足物理约束的条件下通过迭代设计知足功效的机械，，以及执行工程制作。。我以为，，大语言模子自己若是训练得好，，是有空间几何想象力的。。

凯时AG实验也批注，，一些头部的模子，，是能够通过语言形貌，，好比每一个部件放什么地方、另外一个部件怎样和它拼接，，这样的语言形貌来一步一步设计并制作一个较量重大的机械。。BuildArena 通过这一接口以及一些实时的反馈，，使这些模子原本具有的天下模子或工程想象力能够实现为详细的制作。。

图丨火箭模子（制作历程：Grok 4）（泉源：GitHub）

DeepTech：这个事情出来之后，，未来对人类工程师会有哪些改变会资助？？
？？
？？

吴泰霖：着实我们做这个事情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的以及响应的约束。。然后，，Agent 就可以直接来做出响应的设计以及制作。。

相当于人类只认真治理开头的界说以及最后的验收，，中心怎样做完全可以通过 Agent 来做。。我们以为是未来生长的偏向，，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起源的制作，，相信未来在工业界，，无论是种种设计照旧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：首先一方面是工业的需求。。由于我们在能源领域和其他工业领域与客户相助的历程中，，发明他们有许多共性的问题。。好比，，对多物理场仿真的需求，，以及强耦合系统的控制，，尚有重大几何的设计等等。。这些问题不但是某个领域自力保存的问题，，而是许多差别领域普遍保存的共性需求。。

我们开发的一系列 AI 要领可以在相关方面更好地来解决这些问题。。之前的要领，，好比古板 CAE 或其他要领，，面临着速率慢以及关于多物理场可能很难举行耦合仿真，，以及当涉及工程中的一些逆问题时古板 CAE 要领通常需要重复迭代，，效率较低。。我看到了这样的需求，，并且凯时AG手艺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，，照旧其他领域。。

另一方面，，目今国家也很是重视，，无论是 AI+、聚变，，照旧其他 Engineering 领域，，这时间我以为是一个几十年一遇的时机，，可以让凯时AG效果不但停留在学术界，，而是能够真正地改变各个领域。。

DeepTech：许多首创公司在营业刚开展的时间，，可能会选择相对较量容易实现盈利的偏向。。但你和团队选择了一个充满挑战的偏向，，将核聚变作为首选的落地切?点，，这背后有哪些因素的思量？？
？？
？？

吴泰霖：我们公司驻足 AI for Engineering，，目的是通过 AI 原生系统解决工业领域的普适问题。。公司的焦点营业，，是为种种高端工业领域提供 AI 原生数字底座，，支持其仿真、运行控制、诊断和设计的焦点需求。。

我们首选聚变作为切入点，，主要有两个要害词，，一个是增量，，另一个是根问题。。我以为无论做什么，，要害是要做增量，，只有增量把蛋糕做大了，，所有人才华受益。。聚变若是实现商用化，，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清静、清洁、低价的能源，，对我们来说，，AI 的 Token 险些可以免费了；；；；；；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。。

别的，，随着领域长时间的积累和手艺的生长，，核聚变的实现已经不再是“永远的 50 年”了。。现在的希望让我以为，，乐观预计，，2040 年到 2045 年可能可以实现聚变商用电站或者商用树模电站。。

这个问题太主要了，，很是值得来做。。并不是说只有做到最后的商业化才华赚钱，，中心整个工业链的生长，，凯时AG AI 赋能在可以加速历程的同时，，也能够很好地获得一些收益。。

图丨基于神经算子的秒级等离子体盘旋动理学模拟（泉源：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，，它做了一个模子，，使卵白质的结构展望能够做得很好，，最后实现了 2 亿个卵白质结构的展望。。

我以为在 Engineering 领域，，聚变中的多标准模拟和高参数控制就是一个根问题，，这是 Engineering 中通用且最难题的问题。。若是可以爆发解决这些问题的有用要领，，就很有可能迁徙到其他工程领域。。

DeepTech：你适才也提到，，原力引擎的手艺着实更多的是为以聚变为代表的工业领域赋能。。那你以为 AI 在增进核聚变生长的历程中，，是起到一种加速器的作用，，照旧一个决议性的要害性因素?

吴泰霖：我以为它至少是起到加速器的作用，，由于目今许多希望以及瓶颈都批注，，关于一些问题 AI 能够做得更好。。好比说像之前 DeepMind 做的强化学习的控制，，能够做到较量好地控制等离子体位形。。再好比，，目今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。。别的，，AI 可以更好解决一些高维重大问题的设计和优化（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议性因素，，但关于多标准仿真加速和高参数控制这两个焦点瓶颈，，我以为必需依赖 AI 才华实现逾越古板要领的质的突破。。

DeepTech：你之前曾提过，，若是手艺能解决可控核聚变的问题，，那也能扩展到许多其他工业的问题。。想请你谈谈这背后有怎样的一种逻辑？？
？？
？？若是在聚变领域获得进一步验证的话，，可能会进一步溢出到哪些领域？？
？？
？？

吴泰霖：许多工业领域遇到的挑战是类似的。。例如在仿真中，，多物理场、多标准仿真就是一个普遍保存的挑战。。而在聚变等离子体中，，这个挑战尤其显着。。在等离子体中，，包括宏观磁流体和微观湍流的耦合、等离子体芯部-界线耦合、波-粒相互作用等多物理历程的耦合，，并且种种物理历程的空间标准跨越 6 个数目级，，时间标准甚至可以跨越 10 个数目级。。

若是基于此开发了更好的多标准、多物理场仿真的 AI 要领，，那么也可以用在其他领域。。好比，，无论是发念头的燃烧模拟，，照旧石油领域的油藏模拟，，这些都是多物理场、多标准的问题，，难点也是类似的。。这些问题的焦点是一致的，，若是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，，好比需要通过控制托卡马克线圈电流来约束上万万或上亿度的等离子体，，让其在高参数下被稳固约束，，防止破碎。。关于这样的强耦合系统开发的清静控制要领也可以用到化工领域的一些控制方面，，好比实时调解反映的温度、组分的浓度等等。。再好比，，电力领域也需要清静控制，，这样的要领也可以迁徙已往。。

总之，，核聚变涉及超高温、高动态的等离?体控制，，重漂后?、容错率低，，是?程界最顶级的多标准强耦合挑战，，也是磨练手艺实?的最佳试??。。虽然，，差别领域有响应的区别，，肯定有响应的调解，，但问题是类似的，，关于聚变来说，，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，，也要思量公司的盈利。。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标准问题的领域，，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，，希望配合解决一些领域的相关问题，，相关相助正在推进和洽谈中。。

DeepTech：我们之前较量多提的是 AI for Science，，你以为 AI for Science 和 AI for Engineering 这两者详细是怎样的一种关系呢？？
？？
？？

吴泰霖：我以为现在 AI for Science 或 AI for Engineering 着实还没有一个完全确定的界说，，它们也是有许多交织的。。总的来说，，AI for Science 越发强调通过 AI 来赋能种种科学领域，，而 AI for Engineering 更多偏向赋能工程领域，，但他们着实有许多共性问题。。

以对重大系统的仿真为例，，要模拟等离子体可以说是 AI for Science，，也可以说是 AI for Engineering；；；；；；再好比，，设计一些新的卵白质可能就是 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，，但它们做的使命着实从 AI 角度来说是类似的。。

以是二者的区分可能更多是行业上的区分，，也有一些着重点的区别。。好比 AI for Science 会包括更多的科学发明，，好比通过提出假设、举行实验验证、再剖析的闭环，，这个可能更偏向 AI for Science，，在质料、药物领域可能更主要一些；；；；；；而 AI for Engineering 的领域可能更多面向重大系统的仿真和控制，，虽然内里也会涉及一些发明新的方程来更好地建模系统。。

DeepTech：在 AI for Engineering 市场上，，外洋的厂商也在做差别的事情。。好比有的公司把 AI 嵌入到古板的流体事情流中，，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，，相比古板的求解器有优势，，那主要焦点手艺壁垒在哪些方面？？
？？
？？

吴泰霖：我们主要看的是仿真或求解的精度和速率。。古板的求解器精度相对较高，，但速率较慢。。而目今神经网络等要领只管速率较量快，，但在泛化性方面没有包管。。

我们开发的 AI 要领，，能用更少的训练数据，，实现更好的泛化性，，使得它在仿真速率上能够几十倍到几百倍地加速，，相比古板的数值要领，，它的精度和泛化性也能抵达较量好的水平。。

十年内，，要解决一个诺奖级根问题

DeepTech：你适才也提到，，物理 AI 可能是通往 AGI 的主要路径，，为什么明确物理天下很是主要？？
？？
？？

吴泰霖：我很认同“强化学习之父”Rich Sutton 的履历主义，，即智能的焦点泉源，，是它与这个天下一直交互的历程中获取的履历，，这个履历又一直改善智能。。这有点类似于婴儿怎样逐步学习，，通过差别的试探来学会走路，，做种种事情。。

这个历程中需要 AI 与物理天下一直交互，，明确物理天下是怎样演化的，，以及学到你的影响怎样改变物理天下的演化，，只有这样才华够真正在物理天下中做任何事情，，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历程，，模子训练完成后并不会自然完善，，但安排到工厂或者装置后，，可以通过一连吸收新数据、与物理天下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：我特殊喜欢科幻，，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，，只管它看不到，，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。。好比你有任何的实体，，也有响应的数字孪生体，，它不但能够体现，，并且能够实时模拟，，能够在内里举行响应的控制，，也能反馈到物理天下上面。。

DeepTech：公司这边团队现在有几多人，，团队的手艺配景是怎么样的？？
？？
？？

吴泰霖：我们现在有 11 个人，，并且现在也在大力招募顶尖人才进来。。我们希望团队能够融合差别的配景，，包括物理、AI、仿真、Agent、架构师等，，形成一个多学科交织的团队来配合推进。。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事情，，那你在公司主要饰演怎样的角色？？
？？
？？

吴泰霖：我自己更多的照旧施展首席科学家的作用，，为公司手艺方面、战略偏向界说以及做手艺的推进。。

DeepTech：已往各人经常提 AI+，，厥后又更多讨论的是+AI。。是不是可以明确为，，已往 AI 更多的是一种赋能，，而现在 AI 在越来越多的偏向和领域施展越来越主要的作用？？
？？
？？

吴泰霖：对，，我以为 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+，，由于它已经是必不可少、无处不在了，，无论任何行业都是需要它的。。

DeepTech：若是把时间线拉得更远一点，，好比 10 年后回看这个公司，，你希望别人怎样评价原力引擎？？
？？
？？

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。。若是 10 年内能实现这两个目的，，在我看来就是取得乐成了。。

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

运营/排版：何晨龙

注：封面/首图由 AI 辅助天生