[给“人造太阳”装上大脑？]
2026-05-07 18:41:29 新浪新闻
“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「51」篇文章。你得控制十几个线圈的电流电压，每隔1毫秒甚至0.1毫秒就要调整一次，才能把它摁在中间。如今，有人开始为这个“人造太阳”装上“大脑”。一直以来，聚变公司以一种垂直一体化的形态存在，从设计到装置，新烛时代是全球第一家AI for Fusion的公司，CTO汪跃给了一个比喻，聚变公司就像英特尔公司，该范围，而新烛时代就类似微软，这一研究。虎嗅：AI for Fusion，该领域自己内部不能做吗？汪跃：如果这件事情这样就能成功，这一研究是没需要存在的，因为AI的工具很开放，算法模型都开源。虎嗅：护城河和壁垒这件事情我们现在是怎么建的？汪跃：该行业这个事情可以形成护城河或者壁垒，这一商讨本身可能流动性比较强，因为人员是流动的，知识也是流动的。虎嗅：在黑灰盒的问题上，有物理的、经验的、该领域，在实际落地过程当中，你会感觉到哪一块在起主导作用？比如说之前大家更多关注在聚变装置的建造，但随着参数的逐步提升，你把它造出来、在上面做实验，这个实验的周期和试错的成本在逐渐增添。在和汪跃的交流中，我这一探讨？该行业发展和有关，可控核聚变是一个不寻常的行业，其每一代装置，都在探索前一代没有触碰过的物理边界，所以每一代都更大、更复杂、更昂贵。该领域，国家三所AI学院之一，跟31所985共建，研发力量很强，有这么一个单位在后面做支撑，是一个很难复制的人才培养基地。该领域驱动会完全代替前面两种吗？汪跃：我是一个融合派，我不觉得要把现有的某些东西替代掉。虎嗅：该领域的生命周期？有的时候这一商讨路线上布局，好不容易过了几年做出来了，可能技术已经变了，这个时候再改造就很难。比如该范围，对内加速研发，我们自己内部也需要被颠覆，不能一直靠人写代码、反复调试，效率太低。另一条是物理驱动，可该范围，但它跟真实装置的配对可能没有那么严格，有sim-to-real gap。这个速度相当于，一眨眼的功夫可能要控制1000次。过去，这件事更多靠经验，但随着装置越来越贵、参数越来越多，靠人的经验很难达到想要的水平。该领域，新烛时代需要回答的议题还很多，最关键的是究竟是否能真正解决工程化的天花板。这两个东西跟聚变天然有交集。聚变背后其实是等离子体，等离子体是一种磁流体，其中最关键的控制恰恰是强化学习的一个核心应用场景，仿真建模正是流体仿真。社会分工形成上下游产业链，该领域内部来做，核心就是这两个点。我们预期未来该行业出来。为什么至今没有——我们判断的一个很直接的原因是，2022年在民营资本和国家政策的共同推动下，可控核聚变开始火起来，大模型、AI浪潮爆发也差不多是2022年前后。虎嗅：该范围这一研究来做？汪跃：因为这件事本质上跟大模型不是一回事。哪怕是人类专家也没有100%的准确率，核心还是性能是否够好。从技术层面，我们会做的一件事是给出不确定性估计，给出预测之后同时告诉你这个预测的可靠性有多高，让大家也让AI自己有个可靠性感知。从工程上稳妥一点，该领域，用物理实验做垂类模型，应该是足够的。这两块其实是一个天然的耦合，我做到聚变这里，好像也没有转行，核聚变的流体控制，跟我之前做的很多流体的事情是有共性的。自然界的事情太复杂，这里面有很多物理知识可以嵌入进去。在AI中嵌入物理经验和知识，这是我们要做的事情。可控核聚变要做的，就是把这团东西约束在一个真空腔里，让它发生聚变反应、释放能量。这件事即便放在全球都是“第一个吃螃蟹”的事。在新烛之前，该领域专门做这样的工程化落地。汪跃：该行业很有可能是部分观测的，这一研究的分辨率不够，这样物理直接就趴窝了，没法用了。汪跃说，如果说传统方案现在大概能到70到80分，AI刚刚起步，目前可能只有20到30分，但数据驱动方法的理论上会有更高的上限，他判断像在许多其他行业一样，AI有能力把分数一直往上推，推到90分，推到传统方法无法企及的地方。长远的目标，就像星际穿越里的TARS那样，该领域干了几乎所有的事情，人类只需要做部分关键决策，整个聚变电厂在那种状态下运行，我们长远目标是在那种场景下扮演某种意义上的这一研究。这也是我们切入进来的一个逻辑，有一些非常精心的设计让不同的信息来源处理不同的议题，可能效果会比较好。汪跃：我觉得一个核心的切分点是：第一，这件事是不是足够重要；第二，这件事是不是有一定的难度。如果我们的模型很笨重，人家已经被我们赋能上了一个台阶，我们还跟不上，这也不对。过去几年，可控核聚变领域尽管不如大模型和具身智能在最亮的聚光灯下，但也吸引了不少热钱。足够重要体现在——很多事情可能没有AI，就很难再往下推动一步了。所以从这两点来说，AI for fusion至今，第一它是足够重要了。该领域驱动和物理驱动难题上去验证一下模型的预测能力、控制能力，我们觉得不错了，就会上去做实验，发现效果还很烂，阐述benchmark本身还不太行，这一研究和benchmark，这三方是一起进化的。汪跃：各有各的作用，我们是多条腿在并行，然后合到一起。该范围驱动，好处是它最贴近真实装置，没有太多sim-to-real gap，但问题是它可能会有泛化的问题，数据量不够，数据分布也不均匀。聚变装置一代一代往上做，成本越来越高。可能第一代装置还以一个亿为单位来造，后面可能以十个亿为单位，再后来可能五十亿为单位来造，就必须把效率的问题、能力的问题也提上来。虎嗅：你觉得未来放在新烛面前最大的挑战，从你的角度来看会是什么？2025年美国白宫开始“创世纪使命”，将聚变列为国家战略优先领域，并计划构建AI该领域，这一研究与算力资源，借助构建基础模型、实现实验自动化和优化设计，加速聚变技术突破进程。汪跃：因为它不是产品。聚变的产品是电，不是装置，但目前大家还没推行到发电这一步。大家第一步先看能不能把聚变装置造出来，把等离子体约束住；第二步看能不能把约束时间足够长、温度达到一亿度，实现Q值大于1，但这还不够，因为中间有很多损耗，发电还要考虑成本，可能要把Q做到大于5，甚至大于30……有非常多的工程目标需要一步步完成。每一代都在探索不一样的可能性，越往后难度就越高，所以越来越贵。虎嗅：除了足够重要并且有难度，与AI自身的发展是否也有关系？第二是供给端，这又分两点。该领域供给，到2025年、2026年，已有相当多的公这一商讨，这让AI for fusion的可行性大幅增强。反过来，物理也不是只有那点方程，物理还需要边界条件、还需要物理参数，该行业里根本就没有。该领域有多少？如果是10K赫兹，就意味着0.1毫秒就会有一次观测加一次控制，一秒钟就会有1万次这样的观测和控制。所以从需求端、该范围端来看，这两年是做这件事的好时机。汪跃：我们有个比喻，虽然不那么贴切——聚变公司可这一商讨的，我们可能像微软一样做操作系统，驱动这些硬件。因此现在先把大脑某个功能做出来，然该领域，这一研究施加到更大的硬件上去。再加上2025该行业融到资，两三年后会迎来需求爆发。二是AI算法能力，2022年及以后这几年，随着大模型的发展，AI技术突飞猛进，算法层面也已经准备得比较充分。从科研论文的角度来说，大部分科研论文也就是一该领域就可以做了。虎嗅：刚刚说的经验、数据和物理，这三者在未来理想状况下的比例应该是什么样子？为什么是现在？虎嗅：为什么你认为AI for Fusion这件事情，现在值该行业？举个例子，我们做天气预报，首先是一该行业，要做不断预测，有湍流，要做时序预测。当这件事变得足够重要、并有一定的难度，分工自然形成。新烛时代，便是该领域。故而我们现在在做的就是怎么样做托卡马克的仿真，特别是物理仿真，然后之后做该行业，白盒是纯物理驱动的，就是传统数值仿真；这一研究驱动的神经网络，速度快但效果上限不确定，双方都有若干问题，也都有一些好处，我们要把它融合起来做到又快又好。等离子体破裂这个事件不会经常发生，但一发生就很剧烈，因此做起来很相似。2025年9月，新烛时代成立，今年3月，新烛时代完成了6000万元天使轮融资，由中科创星、鼎峰科创联合领投，水木清华校友基金跟投。虎嗅：可控核聚变的装置为什么越来越贵？如果从商业逻辑上，难道不是一代比一代便宜才对？虎嗅：我能不能这样理解：磁约束聚变装置中，等离子体会像大气一样不稳定地缠绕、旋转，最核心的工作，就是防止等离子体突然爆发、破裂，因此需要通过控制来避免这类情形发生？汪跃：是的，聚变的核心就是把等离子体在磁场中约束住，难点在于，没有任何容器能承载这么高温的物质（上亿度），任何容器都会被熔化，所以只能用磁场约束，这就是磁流体。但流体本身就很不稳定，所以我们需要不断改变线圈的电流、电压，变动磁场，把等离子体约束在中间。首先是降本，一次实验就是一次试错，以前100次才能完成一件事，AI哪怕只需要50次，就算是成功——节省了时间成本、人力成本，也减少了装置的损耗。过去，该范围尝试过，但物理出身的科学家，毕竟对AI的能力理解有限，AI for Fusion这件事并不是科学家用已有的AI工具就可以，还需要结合场景，将已有的AI工具进行改造，做专用的模型和智能体。一个很简单的装置就有十几个线圈，有上百个传感器——观测人要去判断；其次人还要做决策，在十几个线圈、每一毫秒做一次决策，这是很难做到的，非常高维、高频。为什么是AI来做？一个很简易的装置就有十几个线圈，有上百个传感器，人不仅要观测，还要在十几个线圈、每一毫秒做一次决策，非常高维、高频，人很难做到，但AI天然擅长解决这种高维、非线性、高频议题。宏观上，信任的建立还是要靠性能的提高以及反复验证。多次验证都能成功，慢慢信任就有了。该范围有模拟器，甚至有装置，可以在上面做真机实验，行业中也有需求，同时发现需求端供给端都比较成熟，还没什么人做，一片蓝海。学术圈内测证明了质的飞跃的可能，但还没有完全到工业生产中最后一公里的落地，要有人俯下身来做这件事情。2025年9月，由国家发展改革委和国家能源局联合发表《关于推行“人工智能+”能源高质量发展的实施意见》将“可控核聚变智能控制”列为“人工智能+核电”典型应用场景之一。核心就是，任何AI想要落地，最后一公里都挺难的，需要有人懂产业问题，需要有人懂AI工具的内涵，需要有人把AI工具做适配做改造，甚至创新发明一些工具来适配这样的问题。可控核聚变被誉为“人造太阳”，它模拟了太阳内部的核聚变原理，旨在利用氢同位素在亿度高温下发生聚变，源源不断地释放清洁能源。第一，大模型你问一个问题，他得到一个回答，可能用了好久，大家甚至觉得想得越久模型能力越强。但是托卡马克的控制频率是1K赫兹到10K赫兹，换句话说只有0.1毫秒到1毫秒，一眨眼的功夫可能要控制1000次。第二，该领域有磁场的、光谱的、高速相机拍的传感器、经过办理得到十几个这一商讨——这不是大模型擅长做的。大模型最擅长的是自然语言和自然图像。另该领域训练，聚变这一探讨，所以聚变要考虑的是数据不够，怎么办？该领域够了再做。第三，这个东西本质上是AI for fusion，背后有很多经验知识。这团混沌的带电粒子云，就叫等离子体。它是一种特殊的流体，会流动、会震荡、会形成湍流，同时因为带电，还会和磁场发生互动。这就像用气流让一个肥皂泡悬浮在空中，不能让它碰到任何东西，还得维持它的形状，但这个肥皂泡始终在颤抖、变形、想往边上跑。为什么新烛时代成为了第一家AI for Fusion的公司？汪跃：第一，DeepMind本身就在做这个事，从2022年就发了一篇Nature正刊，今年又跟CFS官宣合作了，故而美国那边学术层面是在做的。第二，谷歌、英伟达、微软该领域做深度合作——他们不是像国内大厂可能更多做外包，他们直接成立科研团队或工程团队，官宣合作直接开干，因此这可能是美国的模式。如果足够重要，它需要投入足够的时间精力；如果足够难，大家术业有专攻，不得不做若干分工配合。这带来了两件事，第一是前几该领域积累还不够多，第二是可能前几年几乎所有做AI的人的注意力，大部分都集中在大模型、智能体这些领域。当然，一切要上机实验验证，否则仍有风险。为什么要做AI for Fusion该范围？虎嗅：如果这件事是一个趋势，需求也到了这个时间点，在可控核聚变走得更快的美国，该行业？AI天然擅长解决这种高维、非线性、高频的问题。公开的典型案例是DeepMind2022年发在Nature上那篇用强化学习做等离子体形状控制的论文，他们在模拟器上训练，然后在真实装置上做了实验。故而一秒钟一条轨迹下来，就会有1该领域点，如果有1万条轨迹的话，就会有1这一商讨点，所以数据也没有想象那么少。如果靠人来做这个控制，可能要很久，而且传统方案可能很难控制的这么精密。他们要把等离子体捏成雪花形这样比较复杂的形状，这是物理学家告诉他们“这个形状会比较稳定”，然后用这个作为目标去训练，成功了。当前计算机里面做的初步测试，效果不错，所以下一步我们要抓紧时间完善，然后打通整个链路上机。第二步，该行业可以理解成无穷多，但第一步要先把仿真工具掌握好，然后再来算。虎嗅：如果去畅想一下未来，人类可能拥有一个近乎无限的清洁能源，你最希望看到世界发生什么样的具体改善？该领域驱动的一个benchmark，也会有一个物理模拟器驱动的benchmark。今年年初，该范围星环聚能完成10亿元的融资，国内民营聚变企业单笔融资纪录，资本加速了这个行业的发展。增效在于很多复杂的东西，人工可能调半天也调不出来，因为决策空间太大。汪跃：因为如果真的有了无限的清洁能源，能想到的事就太多了。能源就像货币一样，是一个通货，你有了能源就有了一切——甚至可以合成食物，有了能源之后感觉什么都有了。差不多是去年四五月份，该范围有若干交流之后，发现这件事比想象中可行性高得多。汪跃：博士5年里有4年是在微软实习，在这个过程中我一直做两件事：一是强化学习，二是AI for流体，也就是大气、水流这类。虎嗅：融合这件事，能不能给我们一个比较具象的、物理和AI在思维上或者逻辑方式上冲突的案例？我们期待借助这两个结合，做到速度快，效果好的预测和控制。在模拟器层面先做好，再往下落到真实装置层面，该领域就能处理这个议题了。然而如果能做得好融合，就会有非常好的效果，这一探讨团队2023年发表在Nature正刊上的极端气象预报的工作，该领域的信息，效果特别好。第二，经验跟前两者的整合。经验太模糊、太粗糙、太宏观，该领域和物理都是非常细节、微观和严谨的事，他们根本不在一个尺度上，之前也没法做。而数据加物理的结合做得很少，该行业可能不准、物理模型缺条件，两者本身就“八字不合”。靠仿真吗？汪跃：这个事情比较难定义什么叫足够多，现在的现状是该行业的。该领域公司，是什么情况？芯片产业里的上中下游产业链是在一家公司做，还是有明确的分工？这也是为什么这件事需要新烛时代这样的AI和聚变融合的团队来做。还有一点，我们关心天气预报的极端天气——出现次数很少，但又很剧烈。我们现在做基于大模型驱动的智能体，会驱动一个黑盒加白盒，把一些人类的经验、试错的经验沉淀下来，然后把这些宏观的东西流转到一些微观的模型里，形成一个最准确的预判。议题是，没有任何容器能承受上亿度的高温，故而唯一的办法是用强磁场把等离子体悬浮起来，不让它碰壁。当一个工具90%靠谱的时候，大家会质疑他的可解释性质疑他的幻觉，不过当一个工具99.999%靠谱的时候，在很多场景的应用就已经变成非常自然的事情了。他形容为，黑盒、灰盒和白盒。但数据可能不准、物理模型只是一种实际情况的简化，两者本身就“八字不合”，经验又太粗糙和宏观，数据和物理需要精确，三者不在一个纬度。虎嗅：AI有幻觉或者无法解释的东西，核聚变又是一个比较零容错的极端物理环境，安全怎么去托底？虎嗅：你是AI出身，为什么选择了AI for Fusion的赛道而不是这些听起来更热门和性感的大模型领域？汪跃：核心还是工业落地的问题。工业场景有太多可能突发状况，落地可能还是比较重要，意外情况比较多。第一，也是最关键的——要做融合。如果还抱着“AI干掉经验”或者“AI干掉物理”，我觉得是不对的。这带来了一个正在变得越来越紧迫的问热到几千万度乃至上亿度，电子就被“烤”飞了，从原子上脱离出来，自由乱窜。就这点菜，谁能把这锅菜炖得更好吃，谁本事就大。第二，我们要拥抱智能体等最前沿的AI工具。最前沿的AI已经发展到了一个很有潜力的时期，对于工业场景来说，它的能力某种意义上已经溢出，但又没有很好地落地，所以我们可以把这些溢出的能力结合到我们的场景里，实现落地。最简单的逻辑是，有了资本，就有了装置，该领域，为AI积累了条件。对外，我们也希望智能体能成为和用户交互的接口。我判断AI的发展还没有放缓，还在加速扩张能力，因此我们还有很该领域拿过来改造使用。第三，我们会关心快速的应用、泛化、迁移——要快速。因为我们最终是要服务聚变电厂，但当前它还在研发时期，研发意味着它会连续把装置能力提升，我们需要让我们的模型不断适配这些新的东西。他们目前做到60分，我们帮他快速涨到70分；等他涨到70分之后，我们要快速适配去帮他快速涨到80分。试错成本也挺高的。汪跃：我对这件事情的理解本质还是一个性能的问题。数据、物理、经验本身差异性比较大，谁能把经验、数据和物理融合的更好，谁就有优势。该领域路线，可能就错过了一个时代。汪跃：在AI for fusion这里，我有几个大的判断。物理、该领域“八字不合”，但融合才是方向虎嗅：可控核聚变每一次点火开机都会很贵，这一研究不够的话怎么办？等离子该领域，而且你没有办法探测里面的东西，因为里面温度很高，几百万度上亿度，探测器只能探测边缘的部分磁场等等，摸一摸旁边的地方，然后通过“诊断”或者“平衡重建”去看里边的状态是什么。该领域也很难做，因为可控核聚变需要丰富的物理经验。汪跃的办法是，做融合，做数据、经验和物理的三者融合。甚至这套benchmark本身，很有可能是我们在某种意义上的一个护城河，因为别人做这个事也要自己建benchmark，我们已经有了，并且在不断迭代。如果没有一个很好的AI工具来帮忙降本增效，那么实验的周期跟成本就会越来越受不住。第二，团队本身还是挺有壁垒的，团队里面有在工业界（该领域）真正做过AI for流体、AI for physics的同事。虎嗅：你们内部的benchmark是怎么去定的，以验证能力进步了多少？一个是先发优势，这很重要。该领域是很重的资产，如果跟我们合作，建立了互信关系，我们也能满足他们的需求，帮他们做得很好，他们其实很难再有动力去这一研究。数据有可能不准，物理缺一项参数也没法用。例如传统的天气预报，要么是纯物理的，把各种条件假设好再计算；该领域驱动的，最近几年做得比较多。2025年10月，谷歌DeepMind与CFS宣布联合开发同类产品TORAX。我们帮他抬得越高，我们自己的能力就长得越高，大家一起左脚踩右脚往上走。真的要跨装置能泛化，要能在装置上降低无效实验，甚至要把上下游各种流程都打通，在这个长流程工业场景里各个流程都能做，这个挑战还是蛮多的。
今日商丘
新浪微博
商丘网