导览

科学智能（AI for Science）作为科学研究与发现的崭新范式，通过学习、模拟、预测和优化自然界的复杂现象与规律，助力解决科研难题，促进科学的突破与创新。络绎科学推出“科学智能50人”访谈项目，旨在邀请科学智能领域的杰出专家，透过一系列深入访谈，全面展示科学智能领域的最新发展动态与前瞻视角。

随着人工智能技术的迅猛发展，AI在多项任务中展现出与人类媲美的甚至超越人类的能力。2015年，DeepMind通过深度强化学习在雅达利游戏中超越人类水平，而2022年的突破——利用深度强化学习控制托卡马克的等离子体，不仅彰显了AI的强大实力，也引发了学术界与产业界的广泛关注。

2016年，吴泰霖在麻省理工学院物理系攻读博士学位，师从艾萨克·庄教授。在洞察到AI与自然科学紧密结合的巨大潜力后，他转向研究AI与物理科学的融合，旨在开发能辅助科学家加速科研进程的AI工具。

在与泰格马克教授的合作下，吴泰霖首次提出了“理论学习”的新学习框架和“AI物理学家”的构想，旨在从观测数据中识别出简洁通用的物理定律和方程式，模仿物理学家进行科学发现。

随后，吴泰霖在斯坦福大学计算机系朱尔·莱斯科维奇教授的指导下，专注于AI在物理领域的仿真研究，开发的算法在物理、能源等领域得到应用，如在沙特阿美公司地下流体的仿真，以及在斯坦福国家加速器实验室设计新型激光等离子体加速器。

现就职于西湖大学工学院的吴泰霖，其研究团队致力于通过高效、精准的AI方法加速科学仿真、设计与控制，解决核心问题，并探索在不同科学领域内应用AI的可能性。

AI在科学发现与仿真的应用

科学发现是探索未知的关键路径。吴泰霖提出，开发AI方法，帮助科学家从数据中揭示新规律，是一个复杂而重要的挑战。他与泰格马克教授合作，提出了一种新颖的学习范式——“理论学习”，并构建了“AI物理学家”架构，旨在从数据中发现复杂动力学系统的普遍规律。

该架构采用四种策略指导理论学习，包括分而治之、奥卡姆剃刀原则、统一与终身学习，以发现简洁而普适的“理论”。这些理论由预测模型和判别模型组成，通过神经网络或符号方程表示，旨在实现最小化描述长度，优化预测精度与模型复杂性。

实验结果显示，AI物理学家架构在预测精度方面显著优于传统神经网络，能够简化为符号方程，发现不同理论的适用范围。该研究成果以《向人工智能物理学家进行无监督学习》为题发表在《物理评论E》杂志上，并被引用至DeepMind关于AI数学家的Nature论文。

吴泰霖还参与构建了“AI费曼2.0”，该系统成功重新发现了费曼物理学讲义中的100个核心物理方程，展示了AI在科学发现上的潜力。

科学仿真的革新

科学仿真在物理及其他学科中至关重要，旨在预测系统行为与控制设计。传统方法基于第一性原理开发特定求解器，虽准确但耗时长且计算密集。AI（神经网络）在物理仿真的新范式中脱颖而出，提供快速、高准确度的解决方案。

吴泰霖在AI学习物理仿真领域进行了深入研究，解决了大规模、多尺度、多分辨率及长时预测准确性等核心问题。他提出了一种代理模型，结合强化学习优化计算成本，动态调整网格分辨率，实现了预测准确度与计算效率的平衡。

基于此模型的多分辨率物理系统，不仅能够高效模拟物理过程，如流体流动、材料特性、天气预报与可控核聚变，还能根据需求调整计算资源分配，显著提升效率与精确度。

展望AI在科学领域的未来

回国后，吴泰霖在西湖大学创立了“人工智能与科学仿真发现实验室”，致力于AI核心方法的创新及其在关键科学领域的应用。他认为，AI有望成为科学仿真、设计与控制的标准化工具，未来研究重点在于提高AI系统的可信度，以及探索跨领域数据共享以促进AI模型的持续优化。

综上所述，吴泰霖及其团队在AI与科学的交汇点上取得了显著进展，正引领着科学发现与仿真的未来变革。