西湖大学吴泰霖：从AI物理学家到创业，攻克AI for Engineering核心难题

完成一次聚变等离子体、流体或油藏仿真通常需要数小时乃至数周时间，而吴泰霖的目标是将这一流程压缩至秒级，并推动 AI 不仅参与模拟环节，更深入到设计、控制与发现层面。

吴泰霖本科就读于北京大学物理学院，博士阶段赴美国麻省理工学院（MIT）攻读物理学，博士后在美国斯坦福大学计算机系 Jure Leskovec 教授课题组开展研究工作。2023 年 7 月，他正式加入西湖大学工学院，担任特聘研究员、助理教授，同时出任西湖大学人工智能与科学仿真发现实验室的负责人。

过去十年间，他持续聚焦 AI 与科学交叉领域的核心议题：如何使机器学习既能够加速复杂系统仿真，又能从海量数据中挖掘新的科学规律。他在科学仿真领域构建了以深度学习代理模型为核心的方法体系，在流体力学、等离子体物理等方向实现了数量级的仿真提速，有效应对多尺度多物理场、多分辨率、大规模等关键难题。

其中最具代表性的成果，是吴泰霖与博士导师 Max Tegmark 教授共同提出的"理论学习"新范式，以及以 AI 物理学家（AI Physicist）[1] 为核心的方法系列，使模型能够从观测数据中提炼出简洁普适的物理规律与方程，具备模拟科学家发现简洁普适物理定律的能力。

他所开发的算法已应用于能源、流体等领域的科学仿真，以及天文、物理等领域的科学发现。例如在沙特阿美这一全球最大石油企业中，已实现千万级网格的油藏仿真并完成工业部署。他期望过往积累的 AI for Engineering 能力不仅停留在学术成果层面，更能走出实验室，在工业场景中切实助力更多领域攻克相关难题。

2026 年 1 月，他作为首席科学家创立了原力引擎（UniForce AI）公司，尝试借助生成式仿真、智能控制与多智能体系统，应对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具挑战性的方向切入。

吴泰霖认为，可控核聚变中的多尺度模拟与高参数控制，或许就相当于 Engineering 领域的 AlphaFold，是值得投入更长时间去研究并攻克的核心问题。截至目前，该公司已与头部聚变商业公司、头部能源企业展开深度合作。

以下为对话实录：

探索智能的本质：一场被动转向背后的必然

DeepTech：你的本科和博士阶段其实是物理背景，当时促使你选择 MIT 物理系的 Max Tegmark 教授作为副导师，将研究方向调整到 AI 与物理融合的领域，是基于怎样的考量？

吴泰霖：我本科和博士阶段学的都是物理，但实际上我始终对研究智能（intelligence）的本质抱有浓厚兴趣。人们往往倾向于选择一条更容易的道路，而非最正确的方向。我也不例外，所以此前一直没有勇气转向这一方向。

博士读到第三年半时，由于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，要么更换实验室。我当时思考了一个月，清楚地意识到做实验并非自己最擅长的领域。

那时候是 2016 年，AI 刚刚兴起，我判断未来无论身处哪个行业，AI 都将成为核心要素，加之我本身对智能研究兴趣浓厚，因此决定转向 AI 方向。但我并没有放弃物理，而是开展了大量 AI+物理融合方向的研究工作。

DeepTech：你在博士及博士后阶段恰好赶上了深度学习蓬勃发展的十年，AlphaGo、AlphaFold 等成果相继涌现。你刚才提到对智能领域一直兴趣浓厚，那么让你坚信 AI 将改变整个科学研究范式的，是某个瞬间的顿悟，还是逐步深化的信念？

吴泰霖：我感觉是逐步加深的。印象最深的节点是 AlphaGo，当时我全程观看了李世石与 AlphaGo 的对局。事实上，此前很多人猜测人类会获胜，而我当时就判断 AI 必定取胜。无论是比赛中 AlphaGo 走出的妙手，还是其博弈的整体过程，都让我真切感受到这就是未来，进一步坚定了我的信念。后来 AlphaFold 的出现，使我意识到未来确实需要去发现这样的核心问题，通过 AI 攻克核心问题后，就能带动下游几十乃至上百个问题的解决。

让 AI 走向物理世界：从发现规律到建造世界

DeepTech：你在该领域有一项颇受关注的研究成果，即 2019 年提出的"AI 物理学家"，这项研究当时的灵感来自哪里？

吴泰霖：我认为实现通用人工智能（AGI）的首要步骤，就是打造 AI 物理学家。它能够像物理学家一样，依据数据发现简洁的规律与公式，并能够将这些公式加以简化与统一，正如牛顿发现万有引力定律或麦克斯韦统一电磁学那样。由于我本身是物理学科班出身，借助 AI 总结物理学家的经验，构建一个类似物理学家的 Agent，我认为这件事本身就极具价值。

图丨AI 物理学家架构（