一套AI系统基本自主运行三天、消耗约10亿个Token，为一艘计划飞往4.4光年外半人马座阿尔法星系统的航天器，提出了此前人类团队研究一年仍未找到的轨道方案，并通过计算与仿真检验了其可行性。

完成这项工作的，是一家刚刚公开亮相的物理AI创业公司Physical Superintelligence（以下简称：PSI）。它希望让“虚拟物理学家”大规模并行研究物理问题，从数据中心的散热和能源优化，一直做到新的物理发现。

“21世纪的文明，仍然运行在20世纪的物理学上。”

这是PSI理解今天很多技术瓶颈的出发点。它提出了一个很激进的目标：“要越过那道边界，需要一台为做物理而生的机器。”

PSI的投资人将它称为垂直整合的“物理学发现工厂”：先把系统部署到数据中心、研究实验室等真实环境中，用真实世界产生的数据验证和改进系统，再用同一套能力开展独立研究，探索此前没有解决的物理问题。

近期，PSI 完成5800万美元种子轮融资，由Breakthrough Energy Ventures领投，Dragon Global、Robot Ventures、Solari、Susa、SV Angel、Valkyrie，以及 Balaji Srinivasan、Anthony Scaramucci等参投。来自OpenAI、NVIDIA、SoftBank Energy、Oracle、Hugging Face、JUMP Capital和a16z Scout Fund的投资者也参与了本轮融资。

AI系统自主运行三天，提出人类团队研究一年都没找到的轨道方案

PSI由Matt Pines、Alex Wissner-Gross和Alex Klokus联合创立。

Matt Pines是物理和哲学背景出身，他早期曾在美国国家科学基金会（NSF）参与经济学、决策与风险管理等科研资助项目，此后长期从事新兴技术评估与科技咨询。

Alex Wissner-Gross是MIT三专业毕业生，同时学习物理、电子工程和数学，后来以马歇尔学者身份毕业，并在哈佛取得物理学博士学位，目前拥有26项专利。

Alex Klokus此前创办科技媒体Futurism，后来又创办SALT Fund，长期参与科技创业和早期投资。  

公司的CTO是Alessandro Morari，他长期从事高性能计算和AI系统研发。加入PSI前，他曾在NVIDIA负责GPU Kernel优化和新一代GPU编程相关工作，此前还参与过IBM Summit和Sierra超级计算机的系统软件研发。

PSI的高管团队，真人图片来自他们的官网或社交媒体头像，图片由AI拼接。

目前PSI已经组建了一支由物理学家、AI研究员和工程师组成的团队，成员背景覆盖Google、OpenAI、哈佛、NVIDIA、MIT、斯坦福和牛津等高校和公司。

AI正在渗透进科学研究中最稀缺的领域，包括物理学。

科学家可以阅读文献、提出假说、写代码、运行模拟，AI则可以把这个过程并行做上千遍，一边提出不同解释，一边与自己的结论辩论，还可以把一条研究线索持续推进数天甚至数月。  

科学智能的供给在扩张，但想法越来越廉价，真理依然稀缺。生成式系统的输出可以看起来自洽、技术上极其精巧——但仍然是错的。

瓶颈不再是生成，而是验证。

因此，PSI把生成和验证分开。针对不同问题，候选结果需要接受守恒定律、对称性、量纲一致性等检查，再结合数学证明、仿真、数字孪生或物理测量，逐步排除错误、检验结论。人做选择，系统做搜索，独立验证者做判断，实验闭合回路。

真实世界，是唯一的奖励信号。

物理学是理想的竞技场，因为自然本身提供了外部评分：一个结果要么在物理定律下成立，要么崩塌。这个信号与修辞、共识、机构声望无关。

物理超级智能（Physical Superintelligence），是扎根于物理定律、对实验负责的智能。

PSI正在探索一条物理学发现的缩放定律：更多推理时算力，能够在高难度研究问题上带来更强的表现。如果这条规律成立，前沿问题就可以被组织成有预算、有时间表、有成功概率的研究任务。

人类科学家负责选择问题、定义成功标准和验证准则，虚拟物理学家则负责大规模搜索和执行；研究品味和方向判断，仍然掌握在人手里。

一台机器可以知道每一个音符，但只有人知道哪些是美的。

PSI已经把这套由人类把握方向、虚拟物理学家执行研究的模式，用在了Fermi Explorer Mission上。这项任务计划在2029年底前发射一艘航天器，最终飞向4.4光年外的半人马座阿尔法星。  

Fermi团队此前花了一年时间设计小型太阳能航天器，但一直没能解决动力和重量之间的矛盾：更大的推力需要更多电力，更大的太阳能电池板又会增加重量和推进剂消耗。

此后，PSI联合创始人Alex Wissner-Gross让它们的开源项目Get Physics Done（GPD）来辅助解决这个问题。

GPD是一个面向物理研究的Agentic AI系统，可以运行在Claude Code、Codex、Gemini等现有模型和Agent之上。

一个项目开始后，GPD会先把问题定义清楚，包括研究范围、基本假设、符号规范和最终需要验证的目标，再据此制定分阶段的研究路线。之后，系统会持续推进公式推导、数值计算、文献研究和代码实验，并保存过程中产生的推导、代码、图表和研究状态，让研究可以长期推进。物理学里容易出错的符号和正负号约定也会提前固定，避免项目进行到后面出现定义混乱。

研究结果还会进入独立验证，检查是否满足基本物理约束，以及推导和数值结果是否可靠。GPD也可以独立审查已有结果，寻找其中的推导、计算和物理问题。对于边界定义清楚的研究任务，从制定路线、执行计算和仿真，到最后完成验证，大部分过程都可以自主推进。

在Fermi项目中，这套系统基本自主运行了三天，消耗约10亿个Token。PSI的一位天体物理学家主要负责确保系统遵守任务约束、补充成本分析和检查输出。

最终，AI找到了一条Fermi团队此前没有考虑过的轨道方案：先让航天器向太阳靠近，再利用近日点更强的太阳能和更高的飞行速度集中加速，通过多次“近日点泵送”不断提高轨道能量，最终获得逃逸太阳系所需的速度。

方案生成后，PSI又让独立Agent重新计算关键结果，并通过对抗性验证检查数学结论和工程约束。   

除开源研究系统GPD外，PSI还在推进核心平台Emmy的商业化。公司将Emmy定义为一支“虚拟物理学家团队”，底层由自研推理引擎和大规模精选仿真库组成。

面对复杂物理问题，Emmy会建立更高保真的World Model，把问题拆成一棵可以验证的假说树，再由多个虚拟物理学家并行测试不同假说。

Emmy的首个商业化方向，是地面和轨道AI数据中心的设计与运行优化。数据中心的电力、冷却、网络和计算彼此牵制，提高GPU密度会同时改变供电和散热需求，一个局部调整也可能影响整套系统。

Emmy会把这些变量放进同一个高保真模型里，在真正建设或改造之前反复模拟不同设计，寻找电力流、热管理和计算密度之间更好的组合；对于已经运行的数据中心，也可以根据真实运行数据重新寻找优化空间。

真实设施又会给系统带回仿真很难提前覆盖的工程约束。每完成一个项目，这些真实反馈都会继续用于验证结果和训练下一轮虚拟物理学家。

PSI希望形成这样的循环：虚拟物理学家优化AI基础设施，提高计算密度和能源效率，降低获取算力的成本，再将更多算力投入下一轮研究。

如果更多推理时算力能够稳定提高高难度物理研究的成功率，这个循环就有望降低获得有效研究结果的成本，让更多此前难以负担的研究得以开展。

发现变便宜，意味着更多发现。

创始人Matt Pines把PSI的目标概括为“让新的物理发现工业化”。

AI的自我改进，开始进入物理世界

过去一年，RSI（Recursive Self-Improvement，递归自我改进）热度越来越高。目前主要集中在让AI改进自身：AI参与研发，研发结果继续改进下一代AI，形成越来越短的迭代周期。

类似的循环正在进入科学研究。

此前，我们介绍过Inherent，它相当于AI科学研究的大脑，让研究系统逐渐学会什么实验值得做、下一步应该往哪里走；PSI则尝试将类似的自我改进循环延伸到物理研究，甚至在航空航天有实际用例。

它们显示的是同一个趋势：AI正在从执行单个科研任务的工具，变成能够自主规划、持续推进并验证研究过程的系统，而且这种能力正在从软件和AI研发扩展到更多科学与工程领域。  

当某个领域拥有足够高的门槛，它拥有独家数据，能够掌握一种高门槛的模型优化方法，并且成本足够低时，它就有可能不被前沿实验室的通用模型吃掉。

AI科学家，物理AI模型等尤其适合这条路线。例如PSI涉足的物理学研究，这个领域需要强验证：数学约束、守恒定律、仿真和实验都提供相对客观的反馈，最后还有现实世界给出答案。它们通过建立专有的验证能力来构筑护城河，形成了一个闭环。

这种自带闭环的系统进入真实产业，商业化本身也会变成系统进化的一部分。客户项目带来新的专有数据，这些反馈继续改进模型和验证器；更强的系统再去处理更复杂、更高价值的问题。

当这种进化机制开始作用于材料、能源、芯片和基础设施，AI改进的对象也从模型本身延伸到了支撑AI运行的物理系统。这些技术进步又会反过来提高AI能够获得的算力、实验能力和研究效率。

AI的自我改进，正在从数字世界进入物理世界。