Zenithon 的创始人：先把仿真快一百万倍，再用实验数据补上与现实的差距

给物理做世界模型

他的说法：大模型已经改变了知识工作，视觉的世界模型也开始在一些行业起作用，物理上还没有，Zenithon 要做的正是这个。公司的出发点是聚变，但从第一天起就要比聚变宽，目标是极端物理的世界模型。

“Zenithon is a frontier AI lab building world models for physics.”Alex Higginbottom

聚变的瓶颈是“造一个、测一个”太慢

他在聚变行业做过三年商业化，接触过约 20 家聚变公司，认定核心的“造、测、学”循环太慢，才去读等离子体物理的 AI 博士，读到一半退出创业。他的算术是：造一个聚变反应堆有万亿种组合，而一次仿真要在高性能计算机上跑 10 小时到好几天，只能像在海滩上随手捡沙粒；他们的模型给出同样的结果只要毫秒，所以快一百万倍。

“it's like picking up random grains of sand on the beach.”Alex Higginbottom

一个模型装下所有约束方式，再走向芯片制造

他说没人知道哪种聚变路线会赢，所以要覆盖托卡马克、激光聚变等所有约束方式，第一个模型“下周”发布，首次把几种约束方式放进同一个模型。之后要像前沿实验室那样每月或每隔几个月发布新版本。同样的办法也要用在半导体制造的刻蚀和等离子体上：他说 AI 做芯片设计已有很多工作，制造一侧却几乎没有。

先做快，再做准

速度是现在的价值主张；第二个价值是直接用实验数据训练，补上仿真到现实的差距，那时模型不只更快，也更接近现实。更大的愿景是：十年内甚至更早，不必造五艘练习的星舰，在世界模型里做一百万艘，再直接造最后一艘。他自己说这可能永远达不到，但这是方向。

“we won't need to build five practice starships. We can do a million in a world model and then build the final one straight away.”Alex Higginbottom

钱主要买算力和数据

他说资金大部分直接进云算力，一部分生成数据（他们自己管数据栈），模型在几十亿参数的量级；其余用于在伦敦和旧金山招人。夏天他们花了很多时间摸清数据和模型两边的 scaling 规律，说有相当把握的曲线，做过盲测，用它来做后面的规划，只是和大模型相比还差约一个数量级。