作者 ｜ 黄小艺
邮箱 ｜ huangxiaoyi@pingwest.com

电，正在成为AI时代最稀缺的东西之一。

据国际能源署（IEA）预测，到2030年，全球数据中心的用电量将接近945太瓦时，较2024年几乎翻倍。从2024年到2030年，数据中心用电量每年增长约15%。

这个背景下，有一件事开始变得不那么像科幻小说了——可控核聚变。

核聚变的原理，是让氢的同位素在超高温下发生聚合反应，释放巨大能量，最终用来发电。原料是海水里就有的氘，几乎取之不尽；不产生碳排放，也没有核裂变那样的失控风险。如果跑通，它几乎是人类迄今想象过的最理想的能源方案。问题在于，它太难了，业界一直流传一句玩笑：可控核聚变永远还有五十年。

但最近，这句玩笑开始加速走向现实。

一方面是材料卡口打开了。2021年，MIT团队用高温超导材料制成的新型磁体，创下纪录——同等性能的聚变装置，体积缩小到原来的约2%，建造周期从30年压到数年，聚变企业开始密集创办。

另一方面是AI进场了，而且时机刚好。随着全球聚变装置陆续建成、运行实验数据积累起来，AI终于有了可以“喂”的东西——用数据建模、训练控制策略，让这件事从理论可能变成了工程探索。

AI能做什么？先说清楚难在哪里。

氢的同位素被加热到上亿度时，会变成一种特殊的物质状态——等离子体，核聚变反应就发生在这团流体里。但问题是，它极其不稳定，稍有扰动就会坍缩、破裂，反应中止。只有让它稳定地维持足够长的时间，聚变才能持续发生，发出电来。传统方法靠经验，慢且很难规模化。

而AI的介入，正在让毫秒级的预测和实时控制等离子体变得可能。

谷歌旗下的DeepMind，2022年就用深度强化学习实现了对核聚变等离子体的控制，论文登上《Nature》。2025年10月，DeepMind又宣布与聚变公司Commonwealth Fusion Systems合作，用AI寻找控制聚变反应的最优路径——这背后的逻辑也不难理解：谷歌自己的AI数据中心就面临巨大的能源压力，它比任何人都希望聚变能早点跑通。

而国内第一个冲进这条赛道的创业公司，是北京中关村学院与中关村人工智能研究院联合孵化的新烛时代，刚宣布完成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，也是目前国内唯一一家专门做AI for Fusion的创业团队。

我们和创始人之一、CTO汪跃聊了聊。他此前在微软研究院做了近十年关于强化学习和AI for Physics的研究。这一次，他的创业逻辑很清晰：窗口正在打开，国内聚变装置陆续建起来，数据开始有了，AI模型和工具也该出现了。

一、从研究员到创业者：AI For Fusion的窗口期到了

硅星人：先介绍一下你创业之前的经历吧。

汪跃：我之前是在微软亚洲研究院，2016年去实习，2020年博士毕业后转为正式研究员，一直到2025年1月。这期间，我主要做两个方向：一个是强化学习，另一个是AI for Physics，具体聚焦在流体动力学建模和控制等问题上。

硅星人：在微软做了那么久，为什么选择离开？

汪跃：我对微软研究院抱有无限的感激，在微软研究院的这么多年里面，我收获了太多的成长，但总感觉差一点什么，主要在于研究院非常大，个人没有办法做真正端到端打通的落地项目——可能是人力资源的限制，可能是战略方向的问题，总之很难从头到尾把一件具体的事做完。

离开的时候我有三个想法：一是想找一个更自由的环境做有影响力的研究；二是想接触更真实的社会世界——在微软被保护得很好，但那不是真实的；三是想做真正能落地的事情。

硅星人：从微软出来之后，是怎么一步步走到创业的？

汪跃：我去了刚成立不久中关村学院做研究员，算是一次创业预演。因为学院还在建设期，一个人需要参与很多事情——除了科研之外，也需要从学院建设的需求出发，做组织运营、对外合作以及资源链接等工作。在这个过程中，我和一些核聚变公司有了接触，也认识了现在的合伙人张伟，清华工程物理系毕业，核物理学科背景。我们聊了几个月之后，大家都意识到，AI for 核聚变是值得做的，而且如果想落地，就必须认真来做，光是横向合作写论文是不够的，于是就正式创办了新烛时代。

硅星人：在你们看来，为什么在现在到了一个落地窗口，而不是更早？

汪跃：我们观察到一个结构性的滞后：最前沿的 AI 工具和算法，对传统工业场景的渗透率非常低。

这里面有一个双方都缺乏想象力的问题。传统聚变专家对AI往往带着刻板印象。在他们眼里，AI顶多是一个“极其强大的函数拟合器”，应用范围也就局限在回归、分类或者传统的强化学习上。他们潜意识里认为AI只能处理有大量标注数据的“封闭问题”。

反过来，做 AI 的专家对聚变工业的认知也严重不足。发论文的惯性路径，是把所有工业问题强制“框架化”到 AI 擅长的任务里——觉得聚变无非就是一个状态空间大、响应要求快的非线性控制问题，严重低估了真实工业场景中物理规律的强约束、极端破裂事件的稀疏性，以及对绝对安全的苛刻要求。

双方的认知还没有彻底打通，但这恰恰就是我们最大的机会所在：聚变行业对 AI 的真实需求，早就远远超出了“函数拟合”的范畴。谁能率先跳出这个框架，发展出应对开放、复杂科学挑战的全新AI能力，谁就能真正吃下这波红利。

更重要的是，两方现在同时成熟了。一边是民营聚变公司，大概 2022 年前后密集融资成立，这两年装置陆续建起来，数据开始积累——没有数据，AI 就没有起点；另一边是 AI 本身，经过这几年的发展，架构和工具足够成熟，可以作为我们改造的起点。

这两个条件，缺一个做不了，再晚的话，窗口期又会过去。

二、把物理规律装进神经网络：AI控制等离子体，不能靠暴力 Scaling

硅星人：怎么定义你们，你们是一家什么公司？怎么定义 AI 在可控核聚变里的角色？

汪跃：我们定位是做驱动聚变装置运行的智慧大脑。

聚变里很多关键流程长期依赖专家经验、直觉和手工试错，这种模式对科研当然有价值，但不适合规模化、标准化地走向工程化。而我们是一家把前沿AI深度重构成“聚变可用形态”的公司，让AI 把那些分散的、模糊的、难以言传的判断，变成可复制、可量化、可部署的流程和模型。

为了做到上面说的，我们现在在和上游的聚变公司，比如星环聚能等深度合作，通过提供AI能力，帮助其加速核聚变实验的效果和速度。

硅星人：现在核聚变实验最核心的瓶颈是什么？

汪跃：核聚变的实验，本质就是在控制等离子体（一种磁流体）。氘和氚在托卡马克设备里被加热到几百万度乃至上亿度，形成等离子体，能把它稳定约束住、维持足够长的时间，聚变反应才会发生，释放大量热能。

目前，行业正处于由实验验证向稳定量产过渡的关键阶段，的突破核心就在于“等离子体约束与控制”。国内实现常态化运行的装置仍属少数，涵盖了国家科研机构与头部民营企业。其中，中科院等离子体物理研究所的 EAST装置在今年初实现了1066秒的高约束模等离子体运行，刷新了世界纪录，但距离工程化应用仍有路要走。

如果从工程落地的角度来看，我们拆分成了四个难点：诊断、预测、控制、设计。

诊断的难点在于，它是一个典型的“不完整观测”问题——上亿度的等离子体内部是物理上的观测禁区，我们没法探入其中，只能依赖外部边缘的有限变量去反推内部全貌；预测的难点在于。比如像“等离子体破裂”这类极端事件的时间尺度极短，且一旦发生，试错代价极高；再到控制的环节，难度在于这本质上是一个高维、非线性、强约束的超高频实时反馈系统；最后是设计的难点，在于聚变实验以及装置设置等设计问题面临的参数空间浩如烟海，且受到极其复杂的多物理场耦合约束。

硅星人：你们准备怎么用AI解决上面的困难呢？

汪跃：诊断上，现在的做法是在托卡马克外周放一圈传感器，磁场、光学、甚至高速相机，通过测量外部信号反推里面发生了什么。这个反推有物理依据：对于反推内部磁场结构这一问题来说，如果假定等离子体内部形成了平衡态，它就必然满足一个叫 GS 方程的关系式，描述的是电磁力（向内的磁约束力）与等离子体压强（向外的膨胀力）之间的平衡。

通过这个方程，从外部传感器数据反推出等离子体的形状、磁通量、密度、温度——这也是我们做的第一步，通过AI去处理这些多模态信号的融合，判断等离子体的状态。

第二步是预测，本质是一个next frame prediction问题：你现在有磁通量、压强、密度、温度这些参数，下一时刻等离子体会往哪个方向运动？形状会怎么变化？更关键的是——如果我调整了外部线圈的电压，它内部会被扭曲成什么样？这有点像天气预报：风速、温度、气压、湿度，预测一小时后是不是下雨。

再到控制这一步，目的是把预测转化成实时决策。托卡马克有多个线圈分布在不同位置，控制频率大概是 10K 赫兹，也就是每 0.1 毫秒就要做一次决策。这个速度和维度，人是根本做不到的。

所以从诊断、预测到控制，这条链路是 AI 必须介入的核心场景。再往宏观一层还有设计——这次实验该怎么设计才能达到目标？现在完全靠专家经验，未来也是 AI 可以介入的地方。

硅星人：你们的模型也是Transformer架构吗，和通用类模型的不同点有哪些？

汪跃：是的，骨架是，因为本质是next frame prediction。不同的地方，第一，我们处理的不是离散的文字 token，我们的frame是连续的高维物理场。

第二，是数据和方法。大语言模型的路子是数据足够大就scaling up，暴力涌现，在聚变这里完全走不通，数据没有那么多, 也没法等到数据积攒到足够了再开始工作。

我们的核心思路是把物理方程作为先验知识显式嵌入神经网络，形成物理信息神经网络（Physics-Informed Neural Network）。物理系统是白盒的——GS 方程、MHD 方程我们都知道，把这些约束放进网络里，相当于在数据不足的时候给模型提供了额外的监督信号。

第三，是一个硬约束，控制模型必须极小、足够快，这样才能做到离子层面的控制。

我们的解法是不对称架构。预测模型可以非常大——它只用于训练阶段，不需要实时部署，大了反而能更充分地学习等离子体的物理规律；控制模型则必须极小，通过蒸馏从大的预测模型里提炼出来，再配合底层推理加速，确保能在 1 毫秒内输出信号。

就像游戏AI训练好了之后，上场只需要一个轻量级控制器，不需要带着整个预测模型一起跑。

硅星人：现在模型进行到哪一步了？

汪跃：整体还在起步阶段，有了数据后，在用数据训练，接下来会快速推进闭环实验——不在计算机里反复模拟，而是尽快拿到真实装置上去做验证，拿真实反馈，跟做机器人是一样的思路。目前，我们也和合作方共同研发，大家做到什么程度，我们怎么帮他们赋能，把成果适配过去。

三、中游服务商的生存逻辑，与一个能源大时代的押注

硅星人：所以你们的客户主要是核聚变公司，现在产业的上下游各是什么状态？

汪跃：如果把核聚变看作一个即将爆发的超级产业，产业链的逻辑其实非常清晰。我们的定位，是上游核心的“ AI 大脑”提供商。这个比喻我觉得比较好理解：如果全球聚变公司在造的是越来越强的“CPU”裸机，那我们在做的，就是跑在这些装置之上的“操作系统”——我们不造的托卡马克物理装置，我们专注提供不可或缺的 AI 诊断、预测、控制和设计能力，在这个产业链里做赋能者。

沿着我们往下看，整个产业链是这样分布的：

中游是“整机厂”（装置研发与制造）。 也就是我们常说的国家队和各大民营聚变公司。目前全球拿了融资、正在冲刺的民营公司大概有数十家。国内的情况是，真正有装置在常态化运行的企业还屈指可数；很多 2025 年前后入局的团队，还需要两三年时间才能把物理设备彻底搭起来。我们的 AI 链路，直接服务的客户就是这些中游的“造星者”。

下游则是最终的商业化应用（发电与并网）。 聚变要真正走向商业发电，装置的能量增益（Q值）至少要大于 30——也就是说，输出的能量要是输入能量的 30 倍以上，才能覆盖掉整个系统运行的巨大工程损耗。这当然需要中游企业一步步去迭代，但令人兴奋的是，下游的商业需求已经提前引爆了。

为了填补AI算力带来的巨大能源缺口，像微软这样的科技巨头，已经开始直接和聚变初创公司Helion Energy签订长期的购电协议，谷歌也与联邦聚变系统公司（Commonwealth Fusion Systems，简称CFS）达成电力采购协议，承诺未来购买他们发出来的电。下游巨头们用真金白银在投票，这也让整个行业确信：聚变发电不再是遥不可及的科幻，而是未来必然落地的确定性事件。

硅星人：你们现在是以什么方式跟核聚变公司合作的？

汪跃：目前本质是数据换服务、共同研发。我们需要他们的数据和装置做模型，他们需要我们的AI能力来提效。在全球范围，我们算是做的最早的聚焦AI 赋能可控核聚变的商业公司，但这一定是接下来的趋势，大家也都在积极推进共研。

我们的判断是，一旦把模型在某台装置上跑通，能展示出可以减少无效实验——比如原本需要100次尝试才能完成的实验目标，以后可能50甚至1次就够了——对客户来说这个黏性非常强，谁先建立这个深度绑定，壁垒就在谁那里。这也是我们现在把服务好现有的合作伙伴、尽快打通从算法到装置的壁垒放在第一位，从而展现我们的工程落地能力、扩大合作覆盖面的原因。

硅星人：你怎么看能源这件事本身的长期价值？

汪跃：电会越来越不够。你想，现在大家用 AI 已经不是去网上搜东西了，豆包、 ChatGPT，这背后的算力消耗是搜索引擎的几个量级倍数。现在用量还比较低，因为普及率还没上来。但如果再往后走，不光是文字问答，还有视频生成、实时监控分析、各种物理世界的感知——这个增长是指数级的，没有人能预料五年十年以后会到什么规模。

硅星人：特别是美国那边，关于能源的焦虑会更大。

汪跃：是的，美国那边已经很明显了，火电厂新建阻力极大，风光发电本来就不稳定。国内现在相对还好，但中国的能源需求也在持续增长，“够用”是个动态概念，不能只看今天。

可控核聚变一旦商业化落地，它的优势是目前任何能源路线都无法比拟的。之前中国工程院院士李建刚也说过，“一杯海水就能提供相当于 300 升汽油的能量。”它具备燃料无限、零碳排放和固有安全性三大绝对优势。

更重要的是，大家已经开始相信它可能真的能成——以前大家说聚变"永远五十年"，但这两年材料技术进步了，AI 进来了，EAST 做出了 1066 秒的记录，NIF 在惯性约束也有突破，节奏明显在加快，国内十五五规划里也明确把聚变列为前沿重大方向。

李院士预测的是，最迟在 2030 年，我们就会见证“核聚变点亮的第一盏灯”。

硅星人：从微软研究院的研究员，到北京中关村学院的研究员，再到现在新烛时代的CTO，这一路走下来有什么感受？

汪跃：心态上发生了很多转变，挺有意思的。过去在研究院做研究，最大的挑战是拿严谨的逻辑去说服审稿人；但现在自己出来创业，是要实打实地取信于行业同行和客户。对我自己而言，核心目标从追求纯粹的“前沿学术创新”，变成了磕技术到工程落地的“最后一公里”。

搞科研是单点突破，把自己的Paper和课题做好、对自己负责就行；作为创业者，你必须具备全局观——背后站着跟你一起打拼的团队，有信任你的合作伙伴和投资人，还有等待交付的客户。

另一个感受是每天都面临新的挑战。创业之后，每天做的事都是之前没做过的，作为CTO既要推进技术路线，又要做合作对接，很多事情都要亲自盯。我本质上是一个对生命体验有着极致“新奇感”追求的人，这种从0到1的感觉对我来说是很大的驱动力。

当然，更重要的是，这件事本身有着极大的时代价值。一方面，可控核聚变是足以重塑人类文明的终极能源，能亲自投身进这个历史进程，是件很自豪的事儿。另一方面，在强化学习和 AI for Physics 这条路上，我也深耕了近十年。如果现在不创立新烛时代，不抓住这个产业爆发的奇点，将学术经验推向工程落地，这个历史窗口可能就永远对我关闭了。我不想在未来回望的时候留下这种遗憾。

点个“爱心”，再走 吧