DeepMind校友创立Fusionality：AI如何加速核聚变商业化

DeepMind技术如何赋能核聚变能源

来自Google DeepMind的前员工正在将人工智能技术应用于核聚变领域，试图解决清洁能源商业化的关键难题。他们创立的Fusionality公司专注于开发AI控制系统和高保真模拟环境，帮助核聚变初创企业加速技术迭代。

核聚变被视为人类终极能源解决方案，但其工程复杂度极高。核聚变的基本原理是将轻原子核（如氢的同位素氘和氚）在超过1亿摄氏度的极端温度下融合为较重的原子核（如氦），同时释放出巨大能量——这与太阳产生能量的机制完全相同。与核裂变不同，聚变反应不会产生长寿命高放射性废料，且燃料来源几乎取之不尽：氘可从海水中提取，氚可通过锂增殖获得。然而，要在地球上实现可控聚变，必须将等离子体加热到太阳核心温度的十倍以上，并在足够长的时间内维持约束状态，满足著名的"劳森判据"所描述的严苛条件。

这里有必要补充等离子体物理的基础知识。等离子体被称为物质的第四态，是气体在极高温度下电离后形成的由自由电子和离子组成的准电中性气体。在聚变相关温度下（1亿至3亿摄氏度），所有原子都完全电离，物质表现出与普通气体截然不同的集体行为——等离子体中的带电粒子通过长程库仑力相互作用，使得任何局部扰动都可能迅速传播并发展为宏观不稳定性。这种集体行为由磁流体力学（MHD）方程描述，包括连续性方程、动量方程、能量方程和麦克斯韦方程组的耦合系统。正是这种内在的复杂性和非线性特征，使得等离子体控制成为物理学和工程学中最具挑战性的问题之一。

劳森判据是1957年由英国物理学家约翰·劳森提出的聚变点火条件，它定义了实现净能量增益所需的三个关键参数的乘积：等离子体密度（n）、约束时间（τ）和温度（T），通常表示为"三重积"nτT。对于氘-氚反应，三重积需达到约3×10²¹ keV·s/m³才能实现点火。这意味着不仅要将等离子体加热到极端温度，还需要在足够高的密度下维持足够长的时间。这三个参数之间存在复杂的耦合关系——提高密度往往导致不稳定性增加，延长约束时间需要更强的磁场，而更高的温度又会加剧等离子体与壁面的相互作用。正是这种多维约束的耦合复杂性，使得等离子体控制、磁场约束、材料耐受等问题需要精密的实时控制系统。传统方法依赖物理建模和人工调参，效率低下且难以应对复杂的非线性动态过程，而AI控制系统相比传统方法展现出巨大优势。

AI控制系统：从核聚变实验室到电网的技术桥梁

Fusionality的核心产品是基于AI的核聚变控制系统，能够实时优化反应堆的运行参数。这套系统借鉴了DeepMind在强化学习和复杂系统控制方面的技术积累，特别是团队在托卡马克装置等离子体控制中积累的实战经验。

这里需要特别说明DeepMind在该领域的里程碑贡献。2022年，DeepMind与瑞士洛桑联邦理工学院（EPFL）合作，在TCV托卡马克装置上成功部署了基于深度强化学习的等离子体控制系统，成果发表于《Nature》杂志。传统的托卡马克等离子体控制依赖一套复杂的、手动调参的PID控制器矩阵，每个线圈的电流需要独立计算和协调。PID（比例-积分-微分）控制器是工业自动化中最经典的反馈控制算法，通过计算当前误差（P）、误差累积（I）和误差变化率（D）的加权组合来输出控制信号。在托卡马克中，通常需要数十个独立的PID回路分别控制等离子体位置、形状、密度和电流分布等参数，每个回路的增益系数需要工程师根据经验手动调节。这种分散式控制架构的根本问题在于：各控制回路之间存在强耦合但缺乏协调机制，且PID本质上是线性控制器，难以处理等离子体演化中的强非线性动力学。

DeepMind的方法则训练一个单一的神经网络策略，直接从等离子体状态映射到所有磁场线圈的控制指令，实现了对等离子体形状、位置和电流分布的同步精确控制。具体而言，DeepMind在TCV实验中使用的是最大后验策略优化（MPO，Maximum a Posteriori Policy Optimization），这是一种基于actor-critic架构的策略优化方法。与更常见的PPO或SAC算法相比，MPO通过引入KL散度约束来控制策略更新幅度，在高维连续控制任务中表现出更好的稳定性和样本效率。训练过程中，策略网络以等离子体的磁场测量信号、等离子体电流和位置估计等作为输入状态，输出19个磁场线圈的电压设定值。奖励函数的设计是整个系统的关键，需要精确编码对等离子体形状、位置和稳定性的多目标要求，并在这些目标之间进行合理的权重分配。这种用单一神经网络替代整个控制器矩阵的做法，天然具备处理多变量耦合和非线性映射的能力，代表了从经典控制论到智能控制的范式跃迁。该系统甚至能够稳定维持多种此前难以实现的等离子体配置，如负三角形截面和"雪花"型偏滤器构型。这项工作首次证明了深度强化学习可以在真实物理反应堆中实现端到端控制，而非仅停留在模拟阶段。

值得深入探讨的是，这项从模拟训练到真实部署的成功涉及强化学习领域的核心难题——Sim-to-Real迁移（仿真到现实的迁移）。模拟器无论多精确，都无法完美复现真实物理系统的所有细节，这种差异被称为"现实差距"（reality gap）。DeepMind在TCV实验中采用了域随机化（domain randomization）和系统辨识等技术来弥合这一差距：在训练时故意向模拟器注入噪声和参数扰动，使策略网络学会对模型不确定性的鲁棒应对。此外，还使用了基于真实实验数据校准的高保真模拟器LIUQE和FGE。这种方法论正是Fusionality高保真数字孪生技术的理论基础——模拟环境越逼真、越能覆盖现实中的变异性，训练出的AI控制策略在实际部署时的表现就越可靠。

强化学习（Reinforcement Learning, RL）之所以特别适合核聚变控制，是因为其核心思想——让智能体通过与环境的反复交互，根据奖励信号学习最优决策策略——天然契合等离子体控制的需求。与监督学习不同，RL不需要标注好的训练数据，而是通过试错探索发现最优行为。Deep RL将深度神经网络作为策略函数的近似器，能够处理高维、连续的状态和动作空间，在微秒级时间尺度上做出最优控制决策。智能体可以在模拟环境中经历数百万次等离子体演化过程，积累远超人类工程师一生所能获得的调试经验。

与传统控制方法相比，AI控制系统具备以下优势：

• 快速适应等离子体的非线性行为，应对瞬息万变的反应条件
• 实时预测并规避不稳定状态，提升装置运行安全性。值得特别指出的是，等离子体破裂（disruption）是托卡马克运行中最危险的事件之一，指等离子体在毫秒时间尺度内突然失去约束，将其储存的热能和磁能瞬间释放到反应堆壁面和结构上。在ITER级别的装置中，破裂可释放约350兆焦耳的热能和约1吉焦耳的磁能，产生的电磁力可达数千吨，足以严重损坏真空室内部组件。破裂还会产生高能逃逸电子束（能量可达数十MeV），对壁面造成严重的局部损伤。AI系统可以通过分析多维等离子体诊断数据的时间序列模式，在破裂发生前数百毫秒甚至数秒发出预警，为主动缓解措施（如注入大量杂质气体或冻结氘丸）争取宝贵时间
• 自动优化能量输出效率，逼近理论性能上限
• 大幅缩短实验调试周期，将数年的迭代压缩至更短时间

这对核聚变初创公司至关重要。目前全球有数十家企业在竞逐商业化核聚变，但大多面临研发周期长、实验成本高的困境。截至2024年，全球已有超过40家私营核聚变公司，累计吸引超过70亿美元的私人投资。其中代表性企业包括：Commonwealth Fusion Systems（CFS），由MIT分拆，采用高温超导磁体技术的紧凑型托卡马克路线，融资超过20亿美元。CFS所采用的高温超导（HTS）磁体技术是近年来推动聚变商业化前景急剧改善的关键技术突破。传统超导磁体使用低温超导材料（如铌钛和铌三锡），需要在液氦温度（约4K，-269°C）下运行，且磁场强度受限于约13特斯拉。而新一代稀土钡铜氧化物（REBCO）高温超导带材可在约20K下运行，并实现20特斯拉以上的强磁场。2021年9月，CFS成功测试了其20特斯拉的REBCO磁体，这是聚变领域的分水岭事件。根据等离子体物理的标度律，聚变功率密度与磁场强度的四次方成正比（P∝B⁴），这意味着磁场强度翻倍可使装置尺寸缩小约16倍。因此，HTS磁体使得建造体积远小于ITER的紧凑型聚变堆成为可能，大幅降低了建设成本和工程复杂度，这正是私营聚变公司能够以相对有限的资金挑战聚变工程的根本原因。

其他代表性企业还包括：TAE Technologies，采用场反转构型（FRC）；Helion Energy，已与微软签署全球首份商业聚变购电协议，承诺2028年交付电力。除这些知名企业外，多家公司正在探索更多元化的聚变约束方案。场反转构型（FRC）是一种紧凑环形等离子体结构，其中等离子体自身的电流完全提供约束磁场，不需要中心螺线管或大型环形磁体。Helion Energy则采用磁化靶聚变的变体，通过对撞两个FRC等离子体团来实现压缩加热。General Fusion采用磁化靶聚变路线，用机械活塞压缩液态金属壁来压缩等离子体。Zap Energy探索剪切流稳定Z箍缩方案，完全不使用磁体。这种百花齐放的技术路线图景，恰恰说明了AI通用控制系统的商业价值——无论哪条技术路线最终胜出，都需要先进的控制能力。中国的聚变产业同样在快速发展，中核集团和多家初创企业正加速布局。在这样激烈的竞争格局下，AI驱动的控制方案正在成为决定胜负的关键差异化能力。

数字孪生模拟环境：低成本加速核聚变创新

Fusionality的另一项关键技术是高保真数字孪生模拟环境。数字孪生（Digital Twin）不仅复制物理对象的几何结构，更关键的是再现其物理行为和动态特性。在核聚变领域，构建数字孪生面临特殊挑战：等离子体涉及磁流体力学（MHD）、粒子输运、辐射物理、等离子体-壁面相互作用等多种复杂物理过程的耦合。传统的第一性原理模拟虽然精确，但计算成本极高，单次全物理模拟可能需要数百万CPU小时。

Fusionality的创新在于使用AI代理模型（surrogate model），即用神经网络学习物理模拟器的输入-输出映射关系，将计算速度提升数个数量级，同时保持足够的精度。这些代理模型的构建涉及一个重要的技术方向——物理信息神经网络（Physics-Informed Neural Networks, PINNs）。传统的纯数据驱动神经网络可能产生违反基本物理定律的预测结果，而PINNs通过在损失函数中嵌入物理守恒方程（如质量守恒、动量守恒、能量守恒以及麦克斯韦方程组等），确保网络输出在物理上自洽。在核聚变数字孪生中，这意味着AI代理模型不仅需要拟合已有实验数据，还需要满足磁流体力学方程、Grad-Shafranov方程（描述等离子体平衡状态）等基本约束。

另一种相关的关键技术是神经算子（Neural Operator），如DeepONet和Fourier Neural Operator（FNO）。FNO由Caltech的Zongyi Li等人于2020年提出，是解决偏微分方程（PDE）的一种革命性方法。传统数值方法（如有限元、有限差分）需要对计算域进行网格离散化，计算复杂度与网格分辨率密切相关。FNO的核心创新是在傅里叶空间中学习算子映射：将输入函数通过快速傅里叶变换（FFT）转换到频域，在频域中通过可学习的线性变换处理不同频率分量，再通过逆FFT变换回物理空间。这种架构天然具有分辨率无关性——在低分辨率数据上训练的模型可以直接在高分辨率网格上推理，且计算复杂度仅为O(N log N)。在核聚变数字孪生中，FNO可用于快速求解等离子体平衡方程和输运方程，将传统求解器需要数小时的计算缩短到毫秒级，同时泛化能力远优于简单的插值模型。

这些模拟器基于物理定律和大量实验数据训练，能够准确预测反应堆在不同条件下的行为表现。研发团队可以在数字孪生体上完成以下工作：

• 测试新型耐高温材料的性能表现
• 验证不同磁场配置的约束效果
• 模拟新燃料循环方案的可行性
• 在虚拟空间中测试数千种参数组合，避免昂贵的物理实验

这种模拟驱动的开发模式在航空航天、芯片设计等领域已经成熟，但在核聚变领域尚属前沿。DeepMind校友团队的独特优势在于，他们既精通AI算法设计，又深度理解复杂物理系统的建模需求，能够有效打通两个领域之间的壁垒。借助AI代理模型，研发人员可以在数小时内完成原本需要数月的参数扫描和优化工作，极大加速了设计迭代循环。

核聚变商业化前景与现实挑战

核聚变产业正处于从科学实验向工程应用转型的关键阶段。ITER（国际热核聚变实验反应堆）预计2035年实现全功率运行，已证明聚变反应的物理可行性，但要实现经济可行的发电，还需解决材料、工程和控制等多维挑战。ITER是人类历史上最大的科学合作项目之一，由中国、欧盟、印度、日本、韩国、俄罗斯和美国七方共建，总预算已超过220亿欧元。其目标是实现Q≥10的聚变增益——即输出聚变功率至少为输入加热功率的10倍，计划产生500兆瓦聚变功率而仅需50兆瓦加热输入。其主体是一个等离子体大半径6.2米、小半径2.0米的超导托卡马克，使用铌三锡超导磁体产生约11.8特斯拉的最大磁场。然而ITER的设计始于上世纪90年代，采用的是低温超导技术，这也凸显了新一代高温超导技术为何能如此显著地改变商业聚变的经济前景。

Fusionality的技术路线具有三大显著优势：

• 通用性强：可适配托卡马克、仿星器等不同类型的聚变装置。托卡马克利用环形磁场和等离子体自身电流共同约束高温等离子体，结构相对简单但倾向于脉冲运行，且容易发生等离子体破裂（disruption）等危险事件。仿星器则完全依靠外部线圈产生的复杂三维螺旋磁场约束等离子体，理论上更适合稳态运行且无破裂风险，但线圈几何形状极其复杂，制造难度和成本远高于托卡马克。德国的Wendelstein 7-X是目前最先进的仿星器装置。AI控制技术的通用性使其能够为这些差异巨大的技术路线同时提供价值。
• 降低技术门槛：让资源有限的小型初创企业也能使用世界级的AI控制技术
• 加速研发迭代：将原本需要数年的研发周期大幅压缩

当然，核聚变商业化仍面临根本性挑战。材料问题是其中最关键的瓶颈之一。面向等离子体的第一壁材料需要同时承受极高温度（表面热流密度可达10-20 MW/m²，相当于航天飞机再入大气层时的数倍）、强烈的中子辐照（聚变中子能量高达14.1 MeV，远超裂变中子）以及等离子体粒子的溅射侵蚀。目前最有前景的候选材料包括钨（用于偏滤器部件）和低活化铁素体/马氏体钢（RAFM，用于结构材料），但高能中子辐照会在材料晶格中产生位移损伤和氦气泡，导致脆化、肿胀和蠕变，严重影响使用寿命。更棘手的是，目前人类尚无能够产生聚变中子能谱的材料测试设施（IFMIF/DONES正在建设中），材料的服役性能在很大程度上仍基于模拟推算而非实测验证。

即使拥有最先进的AI控制系统，这些材料科学瓶颈、工程制造难度和发电经济性等问题依然需要逐一攻克。AI在加速材料筛选和性能预测方面可以发挥重要辅助作用，但最终仍需实际验证。尽管如此，AI工具的深度介入无疑为这个领域注入了强劲的新动能，有望显著加速人类获取清洁、几乎无限能源的进程。

AI向传统工程领域渗透的技术外溢效应

DeepMind校友进入核聚变领域，折射出AI技术正加速向传统重工程领域渗透的大趋势。强化学习、神经网络控制、高维参数优化等技术，已经证明自己不仅能在围棋和游戏中取胜，更能解决真实世界中极其复杂的工程难题。

这种AI与硬科技的跨界融合，可能成为未来科技创新的重要模式——顶尖AI人才带着方法论进入能源、材料、生物等基础领域，用计算智能撬动传统研发范式的变革。从DeepMind的AlphaFold革新蛋白质结构预测，到如今Fusionality将强化学习引入核聚变控制，我们正在见证一个清晰的趋势。值得注意的是，AlphaFold与Fusionality之间存在深刻的方法论同构性。AlphaFold解决的蛋白质折叠问题本质上是一个高维构象空间中的全局优化问题——从氨基酸序列预测三维结构，涉及天文数字级别的可能构象。DeepMind的解法是利用多序列比对（MSA）提取进化信息，结合注意力机制（Attention）和等变神经网络直接预测原子间距离和角度。核聚变控制同样面临高维空间中的优化问题：等离子体状态空间维度极高（包括磁面上的温度、密度、电流密度等剖面分布），控制动作空间同样是连续高维的（数十个磁场线圈的独立电流设定值）。两者共享的核心方法论是：用深度学习直接学习复杂系统的高维映射关系，绕过传统的简化建模和分步求解，实现端到端的问题解决。这种方法论的成功迁移，印证了深度学习作为通用科学工具的强大潜力。

AI不再仅仅是数字世界的工具，而是正在成为推动物理世界基础科学和工程突破的核心驱动力。

核心要点

• DeepMind技术外溢：前DeepMind员工创立Fusionality，将深度强化学习和复杂系统控制经验直接应用于核聚变等离子体控制，延续了DeepMind 2022年在TCV托卡马克装置上首次实现端到端AI控制的里程碑成果
• AI控制优势：单一神经网络策略（基于MPO算法）替代传统数十个PID控制器回路，天然具备处理多变量耦合和非线性动力学的能力，可在微秒级时间尺度上实现最优控制决策，并可提前预警等离子体破裂等危险事件
• 数字孪生加速创新：基于物理信息神经网络（PINNs）和Fourier Neural Operator等神经算子的AI代理模型，将全物理模拟计算速度提升数个数量级，使数月的参数扫描工作压缩至数小时
• 聚变赛道白热化竞争：全球超40家私营聚变公司累计融资超70亿美元，涵盖托卡马克、仿星器、场反转构型、磁化靶聚变、Z箍缩等多元技术路线，高温超导磁体等关键技术突破使紧凑型商业堆成为可能，AI控制能力正成为决定性差异化优势
• ITER的标杆意义：作为七方共建、预算超220亿欧元的全球最大科学合作项目，ITER目标实现Q≥10的聚变增益，其采用的低温超导技术路线也凸显了新一代HTS技术变革商业聚变经济性的潜力
• 材料瓶颈依然严峻：第一壁材料需承受10-20 MW/m²热流和14.1 MeV中子辐照，目前缺乏聚变中子能谱测试设施（IFMIF/DONES在建中），材料服役性能仍依赖模拟推算
• 方法论跨域迁移：从AlphaFold到核聚变控制，深度学习作为通用科学工具的范式正在从数字世界延伸至物理世界的基础科学和工程突破