PhysicsX: KI-Software gibt Ingenieuren Superkräfte

Das britische Startup PhysicsX will die Art, wie Ingenieure arbeiten, grundlegend verändern. Mit einer KI-nativen Simulationssoftware verspricht das Unternehmen, physikalische Berechnungen bis zu einer Million Mal schneller durchzuführen als herkömmliche Methoden – und damit Ingenieuren echte Superkräfte zu verleihen. CEO Jacomo Corbo, ehemaliger Rennsportanalytiker und Harvard-Absolvent, erläutert im Gespräch mit dem Handelsblatt, warum KI-Simulation für die Schwerind­ustrie eine Zäsur bedeutet und wie sein Unternehmen bei einer Bewertung von 2,4 Milliarden US-Dollar zu einem der spannendsten industriellen KI-Anbieter der Welt geworden ist.

Von der Gleichungslösung zur KI-Simulation

Traditionelle Ingenieur-Software simuliert physikalische Vorgänge, indem sie Differentialgleichungen explizit löst – Schritt für Schritt, auf feinen Rechengittern. Das ist präzise, aber extrem zeitaufwändig und rechenintensiv. Ob Wärmeverteilung in Maschinenteilen, Luftströmungen über Flügelprofile, Verbrennung in Triebwerken oder Gasfluss in Halbleiterfertigung: All diese Simulationen dauern Stunden oder Tage und erfordern hochspezialisiertes Fachwissen.

PhysicsX ersetzt dieses Vorgehen durch Deep-Learning-Modelle, die Physik nicht berechnen, sondern vorhersagen. Statt Gleichungen zu lösen, liefert das Modell per Inferenz das Ergebnis – viele Größenordnungen schneller. Corbo beziffert den Geschwindigkeitsvorteil je nach Anwendungsfall auf das 10.000- bis 1.000.000-Fache. Das ermöglicht es, deutlich größere Designräume zu durchsuchen und Simulation in Phasen des Produktentwicklungszyklus einzubeziehen, in denen sie bisher schlicht nicht möglich war.

Besonders bemerkenswert: Dieselben Modellarchitekturen, die für Wärmeübertragung trainiert wurden, zeigen starke Leistung auch bei völlig anderen Physikdomänen. Und wie bei großen Sprachmodellen greifen auch hier Skalierungsgesetze – größere Modelle, trainiert auf mehr Daten, liefern exponentiell bessere Ergebnisse.

Branchen und Kunden: Von Luft- und Raumfahrt bis zur Halbleiterfabrik

PhysicsX ist heute in mehreren Industriesektoren aktiv. Zu den Anwendungsfeldern gehören:

• Luft- und Raumfahrt und Verteidigung – darunter Zusammenarbeit mit großen Rüstungsprimern sowie mit Leonardo Aerospace im Rahmen des GCAP-Programms
• Halbleiterfertigung – auf Seiten der Anlagenhersteller und zunehmend in den Fabs selbst
• Rohstoffverarbeitung – Projekte mit Rio Tinto in den Bereichen Aluminium, Stahl, Kupfer und Lithium
• Rechenzentren – Kooperation mit Nvidia und Siemens rund um den nächsten KI-Gigafabrik-Blueprint DSX
• Automotive – als weiterer Wachstumsmarkt

Das Geschäftsmodell basiert auf Plattformlizenzierung, kombiniert mit sogenannten Forward Deployed Engineers, die eng mit den Kundenteams zusammenarbeiten. Der Jahresumsatz soll sich 2025 der Marke von 50 Millionen US-Dollar annähern. Seit Gründung hat PhysicsX rund 487 Millionen US-Dollar eingesammelt; strategische Investoren sind Nvidia, Applied Materials und Siemens.

Synthetische Daten statt Internet-Crawl

Ein zentrales Problem beim Training von Physik-KI-Modellen: Es gibt kein Äquivalent zu den riesigen Textkorpora, die große Sprachmodelle antreiben. Das Internet liefert keine präzisen Strömungsfelder oder thermischen Feldverteilungen in Fertigungsqualität. PhysicsX generiert seine Trainingsdaten daher synthetisch – durch numerische Simulation auf eigenen Rechenclustern.

Der Rechenaufwand ist dabei deutlich geringer als bei Frontier-Sprachmodellen: Statt hunderttausender GPUs pro Trainingslauf arbeitet PhysicsX mit einigen Hundert bis wenigen Tausend GPUs. Die entstehenden Modelle haben einige Milliarden Parameter – klein genug für den effizienten Einsatz, groß genug für industrielle Präzision.

Kundenspezifische Daten bleiben dabei vollständig im Besitz und unter Kontrolle der Kunden. Corbo betont, dass Produktgeometrien und Simulationsdaten hochsensibles Wettbewerbsgut sind – eine gemeinsame Nutzung über Kundengrenzen hinweg ist explizit ausgeschlossen. Stattdessen bietet PhysicsX vortrainierte Basismodelle als Startpunkt, die die Kunden dann auf ihre eigenen Daten und Prozesse feinjustieren.

Industriekonglomerate im KI-Zeitalter: Rückkehr der Größe

Corbo sieht in der KI-getriebenen Simulation einen tiefgreifenden Wandel der Wettbewerbslogik in der Industrie. Einerseits sinken die Eintrittsbarrieren: Unternehmen wie SpaceX können mit moderner Software in angestammte Hoheitsgebiete – etwa Gasturbinen – vordringen, die bisher von wenigen Oligopolisten wie GE, Siemens Energy und Mitsubishi beherrscht wurden.

Andererseits begünstigt die Logik der Skalierungsgesetze große Industriekonzerne: Wer über vielfältige Produktportfolios und globale Fertigungsnetzwerke verfügt, kann mehr und diversere Physikdaten generieren – und damit leistungsfähigere Modelle trainieren. Das könnte Analystenurteile über Konglomerate langfristig verändern: Wer AI-Fähigkeiten über ein breites Portfolio hinweg bündeln kann, könnte am Kapitalmarkt wieder als strategischer Vorteil gelten statt als Konglomeratsabschlag.

Für Corbo ist das auch eine Reflexion seines eigenen Wegs: vom Rennstrategen, der Spieltheorie auf Boxenstopps anwandte, über den Mitgründer von QuantumBlack (heute McKinseys KI-Arm) bis zum CEO eines Unternehmens, das aus physikalischen Gleichungen ein KI-Produkt gemacht hat. Die Überzeugung bleibt dieselbe: Wer strukturelle Einsichten früh nutzt, verschafft sich einen Vorsprung, den andere nur schwer aufholen können.