Wu Tailin möchte die Kernfusion mithilfe von KI beschleunigen, und das staatliche Kapital Shanghais hat investiert.

In der Vergangenheit mussten Menschen für die Simulation von Strömungen, Mechanik oder Plasmen und die darauf basierende Geräteentwicklung für jede Iteration Stunden, Tage oder sogar noch längere Zeit aufwenden. Mit Unterstützung von KI lässt sich diese Zeit auf Minuten oder Sekunden reduzieren. In Zukunft kann man der KI sogar ein beliebiges Ziel vorgeben, und sie wird Maschinen entwickeln und herstellen, die diese Funktion erfüllen, wie Raketen, Raumschiffe, Marsrover usw.

Dieser zukunftsweisende Bereich wird als AI for Engineering bezeichnet. Den Menschen mithilfe von KI bei der Lösung von Energieproblemen zu helfen und allmählich in den Weltraum vorzudringen, ist der Traum von Wu Tailin, Gründer des AI for Engineering-Unternehmens Force Engine.

Laut Informationen von ChinaVenture kündigte Force Engine den Abschluss einer Angel+-Finanzierungsrunde in Höhe von fast 50 Millionen Yuan an. Diese Runde wurde gemeinsam von der Shanghai Future Industry Fund unter der Shanghai State-owned Investment Corporation und der Shanghai Science and Technology Innovation Group angeführt, die Fudan University Science and Technology Innovation beteiligte sich als zusätzlicher Lead-Investor, Longxin Venture Capital, Chengwei Capital und andere folgten als Folgeinvestoren, während Lighthouse Capital als exklusiver Finanzberater fungierte. Die Mittel werden hauptsächlich für die kontinuierliche Forschung und Entwicklung von generativen Simulations- und intelligenten Steuerungs-Engines, die geräteebene Validierung von Referenzszenarien wie Fusion sowie die Erweiterung von Industriekunden in Bereichen wie Energie und Hochleistungsfertigung verwendet.

Die drei Lead-Investoren, Shanghai Future Industry Fund, Shanghai Science and Technology Innovation Group und Fudan University Science and Technology Innovation, tragen eine deutliche Prägung des staatlichen Eigentums und der Wissenschafts- und Innovationsförderung Shanghais. Angesichts des ersten Validierungsszenarios von Force Engine, der Kernfusion, und der Tatsache, dass Shanghai genau das Hochland der kontrollierten Kernfusionsindustrie in China ist, ist die Absicht dieser Investition leicht verständlich.

Im weit gefassten Konzept von AI for Science (AI4S) kann AI4Engineering als wichtiger Zweig für ingenieurphysikalische Systeme und die industrielle Umsetzung betrachtet werden. Es erbt die Fähigkeiten von AI4S im Bereich der Mustererkennung und Modellierung komplexer Systeme und erweitert KI weiter auf Glieder wie Simulation, Zustandswahrnehmung, Designoptimierung und Echtzeitsteuerung, um schließlich einen geschlossenen Lieferkreislauf über den gesamten Lebenszyklus von Ingenieursystemen zu bilden. Nach Ansicht von Wu Tailin sind viele Probleme in verschiedenen Bereichen des Ingenieurwesens ähnlich, beispielsweise die Simulation und Steuerung von multiskaligen multiphysikalischen Feldern. Daher sollte eine allgemeine Plattform aufgebaut werden, die gleichzeitig alle Bereiche bedient.

Die Simulation von multiskaligen multiphysikalischen Feldern weist zahlreiche technische Schwierigkeiten auf, und dieser Sektor befindet sich noch in einer Phase ohne allgemeinen Konsens. „Viele Investoren beobachten, und diejenigen, die unsere Idee teilen, stimmen ihr voll und ganz zu“, erzählte Wu Tailin mir. Wenn staatliche Gelder nun mit echtem Geld Unterstützung leisten, bedeutet dies auch, dass der etwas abstrakt klingende Sektor AI4Engineering in die entscheidende Phase der technischen Szenariovalidierung eintritt.

Vom Quantencomputing zur KI-Forschung wechseln

Um zu verstehen, was Force Engine tut, muss man zuerst verstehen, wer Wu Tailin ist.

Er absolvierte sein Bachelorstudium an der Fakultät für Physik der Peking-Universität, erwarb seinen Doktortitel in Physik am Massachusetts Institute of Technology und führte anschließend postdoktorale Forschung in der Arbeitsgruppe von Professor Jure Leskovec am Fachbereich Informatik der Stanford University durch. Derzeit ist er Sonderforscher und Assistenzprofessor an der Fakultät für Ingenieurwissenschaften der Westlake-Universität – dies ist der akademische Lebenslauf von Wu Tailin, der dem Standardbild eines jungen Wissenschaftlers entspricht, in den Venture Capital heute gerne investiert.

Zusammen mit seinem Doktorvater Professor Max Tegmark schlug er ein neues Lernparadigma des „Theorie-Lernens“ und eine Methode mit KI-Physikern (AI Physicist) als Kern vor und leistete eine Reihe bahnbrechender Arbeiten bei der Simulation, Steuerung und Gestaltung komplexer physikalischer Systeme, die durch generative KI unterstützt werden.

Aber bevor er der Wissenschaftler hinter dem „KI-Physiker“ wurde, war sein Forschungsgebiet eigentlich das Quantencomputing.

Im Jahr 2016 stand Wu Tailin, der sich im dritten halben Jahr seines Doktoratsstudiums an der Physikfakultät des MIT befand, plötzlich vor einer Prüfung: Da die Finanzierung plötzlich gekürzt wurde, geriet das Labor zum Stillstand. Als sein akademischer Weg behindert wurde, wählten die meisten seiner Mitschüler den Wechsel zu anderen Laboren, um weiterhin Experimente zum Quantencomputing durchzuführen. Aber Wu Tailin traf eine andere Entscheidung. Gerade zu dieser Zeit besiegte AlphaGo Lee Sedol, und KI rückte in den Blickpunkt einer größeren Öffentlichkeit. Nach einem Monat des Nachdenkens beschloss er, sein Forschungsgebiet auf KI zu verlegen und KI + Physik zu erforschen.

„Es war sozusagen ein Unterfangen ohne Rückzugsweg“, beschrieb er diesen Wechsel. Zum Beispiel verlegte er sich ein halbes Jahr vor seinem Praktikum bei Google nach Los Angeles, um besser KI-Forschung betreiben zu können, und diskutierte jeden Tag mit seinem Mentor bei Google. Ein Jahr später begann seine Forschung Erfolge zu zeigen, und bis 2019 brachen einige Ergebnisse gehäuft hervor. Vom Quantencomputing zur KI brauchte Wu Tailin dreieinhalb Jahre, was gleichbedeutend mit dem erneuten Absolvieren eines Doktorats ist.

Seine bisherigen akademischen Erfahrungen haben sein grundlegendes Verständnis der Beziehung zwischen KI und Physik geprägt. Seiner Ansicht nach benötigt KI, um die physische Welt zu verbinden, die Modellierung, Simulation und Steuerung von physikalischen Systemen. Eine Person mit physikalischem Hintergrund kann besser erkennen, welche physikalischen Probleme wichtig sind und welche besser von KI gelöst werden können. Während seiner Postdoc-Zeit an der Stanford begann Wu Tailin, beeinflusst von der Atmosphäre der Universität, sich auf die Unternehmensgründung vorzubereiten. Nach seinem Wechsel zur Westlake-Universität arbeitete er mit Industriepartnern wie Kernkraftwerken, 3C-Unternehmen und Fusionsunternehmen zusammen, um die Anforderungen der Industrie besser zu verstehen.

Der Zeitpunkt für die Unternehmensgründung kam im Jahr 2026. Die Politik- und Industriebedingungen für AI4Engineering bilden gerade eine gemeinsame Kraft: Der Aktionsplan „Künstliche Intelligenz+“ des Staatsrates fördert die integrierte Zusammenarbeit von KI-gesteuerter technologischer Forschung und Entwicklung, ingenieurtechnischer Umsetzung und Produktverbreitung, und der Entwurf des „15. Fünfjahresplans“ listet die Kernfusionsenergie als eine der zukünftigen Industrierichtungen auf, die prioritär gefördert werden. Force Engine befindet sich genau am Schnittpunkt dieser Pläne.

Warum muss KI Physik „verstehen“?

Bei der Forschung und Entwicklung von ingenieurphysikalischen Systemen ersetzt Force Engine nicht einfach herkömmliche CAE-Software, sondern nutzt numerische Simulationen und experimentelle Daten als hochvertrauenswürdige Trainingsgrundlage und integriert mehr physikalische Vorwissen. Durch Methoden wie neuronale Operatoren und Diffusionsmodelle lernt es die Evolution physikalischer Felder und bedingte Verteilungen und schließt in der Inferenzphase schnelle Vorhersagen und gekoppelte Generierung ab. Darauf aufbauend werden Agenten eingesetzt, um die automatische Erledigung komplexer mehrstufiger Aufgaben zu realisieren.

„Herkömmliche Löser können relativ genau sein, sind aber sehr langsam. Die Simulation eines physikalischen Vorgangs kann mehrere Stunden oder sogar Tage dauern. Auf KI basierende Methoden können die Dauer von Stunden oder Tagen auf Sekunden oder Minuten reduzieren. Darüber hinaus weisen die von uns entwickelten KI-nativen Methoden im Vergleich zu herkömmlichen Lösern ebenfalls eine sehr hohe Genauigkeit auf“, erklärte Wu Tailin.

Derzeit hat dieses Unternehmen bei komplexen physikalischen Simulationsaufgaben wie Strömungen, Ölreservoiren und Plasmen eine Beschleunigung um das Zehn- bis Hundertfache erreicht. Einige Aufgaben können von der herkömmlichen Berechnungsdauer in Stunden oder Tagen auf Sekunden reduziert werden, und das Modell kann durch Validierungen an echten Geräten und industriellen Standorten ständig kalibriert werden.

Ein idealer Zustand ist, dass Menschen nur den „Anfang“ und das „Ende“ übernehmen, also das Problem definieren und die Akzeptanzkriterien festlegen. Die KI erledigt alles dazwischen und optimiert sich ständig im Prozess der Interaktion mit dieser Welt.

Die technische Obergrenze mit kontrollierter Kernfusion validieren

Die kontrollierte Kernfusion ist das erste schwierige Validierungsszenario, das Force Engine ausgewählt hat.

Die magnetisch eingeschlossene Fusion umfasst die hochgenaue Simulation, Zustandsschätzung und geschlossene Steuerung komplexer Plasmasysteme unter extremen Bedingungen, die Skalen von makroskopischem Magnetfluid bis zu mikroskopischer Turbulenz überspannen. Es ist eines der repräsentativsten schwierigen Szenarien von AI4Engineering. In den letzten Jahren hat die akademische Gemeinschaft am Tokamak-Gerät TCV die Plasmalagensteuerung durch tiefes Verstärkungslernen realisiert und am Gerät DIII-D die aktive Vermeidung von Instabilitäten der Rissmodi erreicht. KI tritt allmählich in den geschlossenen Kreislauf praktischer Fusionsexperimente ein.

„Das Problem der Fusion ist so wichtig, und es steht gerade am Rande eines Durchbruchs. Ich erwarte, dass die kommerzielle Demonstration um 2040 eintritt, und dann kann sie der Menschheit, einschließlich der KI, fast unendliche und kostengünstige Energie liefern“, erzählte Wu Tailin mir. Noch wichtiger ist, dass die strengen Anforderungen des Fusionsszenarios an Modellgenauigkeit, Echtzeitfähigkeit und Sicherheit die wiederverwendbaren Fähigkeiten zur physikalischen Modellierung und Steuerung umgekehrt schärfen können.

Wenn im Fusionsbereich komplexe multiskalige Plasmasysteme gut simuliert werden können, kann dieselbe Technologie möglicherweise auch Probleme in Bereichen wie der Luft- und Raumfahrt lösen.

Dieser Ansatz, „die technische Obergrenze mit dem schwierigsten Szenario zu validieren und dann zu komplexen Ingenieurszenarien zu migrieren“, wird grundlegende Methoden wie neuronale Operatoren, generative Modellierung, Sicherheitssteuerung und Multi-Agent-Kooperation wiederverwenden und dann an die geometrischen Strukturen, Randbedingungen, Betriebsdaten und Sicherheitsvorschriften verschiedener Branchen anpassen. Die entsprechenden Algorithmen wurden zuvor bereits in der Ölreservoirsimulation mit Millionen von Gitternetzen bei Saudi Aramco industriell eingesetzt, und in Zukunft wird die industrielle Zusammenarbeit in Bereichen wie der Multiphysikfeldsimulation von Kernkraftwerken, der mechanisch-thermischen Simulation von 3C-Produkten sowie der Luft- und Raumfahrt vorangetrieben.

Neben dem technischen Fortschritt haben wir auch über die Entscheidungen im akademischen und unternehmerischen Prozess sowie das Verständnis eines KI-Gründers mit physikalischem Hintergrund für Intelligenz gesprochen.

Im Folgenden das Gespräch zwischen mir und Wu Tailin:

Liu Yanqiu: Heutzutage treten viele Menschen mit physikalischem Hintergrund in die KI-Branche ein. Du hast während deiner Doktorzeit vom Quantencomputing zur KI gewechselt – wie hast du damals die Entscheidung getroffen?

Wu Tailin: Andere sind hauptsächlich zu anderen Laboren gewechselt, um weiterhin Experimente zum Quantencomputing durchzuführen. Aber ich habe mehr als drei Jahre lang Experimente durchgeführt, was bedeutete, dass ich jeden Tag in einem kleinen dunklen Raum viele komplexe Laserlichtwege einstellte und verschiedene präzise Teile auf Werkzeugmaschinen herstellte – meistens Handarbeit. Ich dachte, dass dieses Leben nicht das ist, worin ich gut bin und was ich will.

Das war 2016, als KI gerade aufkam. Ich habe einen Monat lang nachgedacht und beschlossen, meinen Bereich auf KI zu verlegen. Nachdem ich die Entscheidung getroffen hatte, sprach ich mit meinem Betreuer, der anfangs auch noch unschlüssig war. Aber ich war sehr entschlossen, und später unterstützte er mich allmählich und stellte mir einige Kooperationspartner im KI-Bereich vor.

Ich suchte den Nebenbetreuer Max Tegmark und arbeitete mit ihm an der Forschung zu KI + Physik. Mein Betreuer stellte mich auch einem Mentor bei Google vor, bei dem ich ein Praktikum absolvierte. Um die Forschung besser durchzuführen, zog ich ein halbes Jahr früher mit meiner Familie nach Los Angeles, wohnte neben ihm und diskutierte jeden Tag mit ihm, um Forschung zu betreiben. Kontinuierliche tiefgehende Diskussionen brachten mich in einen Flow-Zustand, und ich erzielte viele Ergebnisse. Damals war es wirklich ein Unterfangen ohne Rückzugsweg – ich war bereits im vierten Jahr meines Doktorats und fing praktisch von vorne an. Ich habe einige Zeit investiert und jede mögliche Chance ergriffen.

Liu Yanqiu: Also hast du es in etwas mehr als einem Jahr geschafft, den Wechsel zu vollziehen?

Wu Tailin: Ja, etwas mehr als ein Jahr. Im ersten Jahr nach dem Wechsel gab es überhaupt keine Ergebnisse. Langsam ab 2017 gab es erste Ergebnisse, und ich erlebte auch, dass verschiedene Artikel abgelehnt wurden. Erst 2018 und 2019 brachen die Ergebnisse hervor.

Liu Yanqiu: Was ist der Unterschied zwischen dem Verständnis von „Intelligenz“ aus der Perspektive eines Physikers und dem von Personen mit reinem KI-Hintergrund?

Wu Tailin: Die akademische Welt hat derzeit keine einheitliche Definition von Intelligenz, und es gibt viele unterschiedliche Meinungen dazu, was als AGI gilt. Aber wenn ich es sagen soll, liegt der Kern der Intelligenz darin: Sie kann sich in jeder Szene schnell an die Umgebung anpassen, den Funktionsmechanismus dieser Umgebung verstehen und nach Vorgabe eines Ziels dieses effizient erreichen.

Das ist keine direkte Generalisierung, sondern ein Prozess. Wenn man einen Agenten in eine völlig neue Umgebung setzt, wird er anfangs sicherlich nicht gut abschneiden, aber er kann ständig und schnell durch Interaktion mit der Umgebung Erfahrungen sammeln, die physikalischen Gesetze dieser Umgebung beherrschen und dann in dieser Umgebung Aufgaben immer schneller und besser erledigen.

Liu Yanqiu: Du betonst die Interaktion mit der realen Welt.

Wu Tailin: Genau. Das ist auch die empiristische Sicht von Rich Sutton, dem Vater des Verstärkungslernens. Heutige große Sprachmodelle, die nur mit statischen Daten trainiert werden, werden sicherlich an Grenzen stoßen. Aber wenn man das Modell ständig mit der Umgebung interagieren lassen und daraus Erfahrungen sammeln kann, ist diese Datenmenge theoretisch unbegrenzt.

Liu Yanqiu: Für das von dir gegründete Unternehmen – welche Identifikation stimmst du mehr zu, AI for Science oder AI for Engineering?

Wu Tailin: Seit 2018 habe ich anfangs an AI for Science gearbeitet. Aber jetzt ist die genauere Bezeichnung AI for Engineering. Man kann sie als zwei Kreise mit großer Schnittmenge betrachten, keine Unterordnungsbeziehung. Der gemeinsame Teil umfasst den Einsatz von KI für Simulation, Design, Steuerung und Diagnose. Der Unterschied liegt darin, dass AI for Science mehr Wert auf Entdeckung legt, beispielsweise dass automatisierte Labore iterativ neues Wissen entdecken; AI for Engineering legt mehr Wert auf die Verbindung mit der praktischen Industrie, um deren Probleme zu lösen. Eines konzentriert sich mehr auf wissenschaftliche Entdeckungen, das andere mehr auf die Lösung praktischer industrieller Probleme.

Liu Yanqiu: Warum hast du die Kernfusion als erstes Validierungsszenario ausgewählt? Dieser Bereich klingt nach einem sehr hohen Schwierigkeitsgrad.

Wu Tailin: Es gibt mehrere Faktoren. Am Wesentlichsten ist, dass das