对话新烛时代汪跃：把物理知识装进AI，做可控核聚变的AI操作系统

电，正在成为AI时代最稀缺的东西之一

国际能源署（IEA）的预测数据，描绘了一幅清晰的图景：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。这意味着，从2024年到2030年，数据中心用电量每年将以约15%的速度增长。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

在这个背景下，有一件事开始加速从科幻走向现实——可控核聚变。

核聚变的原理并不复杂：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。它的原料是海水里就有的氘，几乎取之不尽；过程不产生碳排放，也没有核裂变那样的失控风险。可以说，如果技术跑通，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，以至于业界一直流传着一句无奈的玩笑：可控核聚变永远还有五十年。

但最近，这句玩笑的兑现时间，似乎开始被按下了快进键。

转折点来自两个方面。首先是材料卡口的突破。2024年，MIT团队利用高温超导材料制成的新型磁体，创下了一项纪录——同等性能的聚变装置，体积可以缩小到原来的约2%，建造周期则从30年压缩到数年。这一突破直接催生了一波聚变创业公司的创办潮。

另一方面，则是AI的适时进场。随着全球聚变装置陆续建成并运行，实验数据开始积累起来，AI终于有了可以“消化”的养料。利用这些数据建模、训练控制策略，让可控核聚变从理论上的可能，变成了工程上的探索。

那么，AI具体能做什么？这得先从核聚变到底难在哪里说起。

当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炽热的磁流体里。但麻烦在于，它极其不稳定，稍有扰动就会坍缩、破裂，导致反应中止。只有让它稳定地维持足够长的时间，聚变才能持续发生，进而发出电来。传统方法严重依赖专家经验，过程缓慢且很难规模化。

而AI的介入，正在让毫秒级的预测和实时控制等离子体成为可能。

谷歌旗下的DeepMind在2024年就用深度强化学习实现了对核聚变等离子体的控制，相关论文登上了《Nature》。2025年10月，DeepMind又宣布与聚变公司Commonwealth Fusion Systems合作，利用AI寻找控制聚变反应的最优路径。这背后的商业逻辑也很清晰：谷歌自身的AI数据中心正面临巨大的能源压力，它比任何人都更希望聚变能早点实现。

视线转回国内，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”。该公司刚宣布完成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。这也是目前国内已知唯一一家专门聚焦“AI for Fusion”的创业团队。

我们与创始人之一、CTO汪跃进行了一次深入交流。他此前在微软研究院从事了近十年关于强化学习和AI for Physics的研究。这一次，他的创业逻辑非常明确：窗口期正在打开，国内聚变装置陆续建成，数据开始产生，专业的AI模型和工具也该出现了。

作者 ｜ 黄小艺
邮箱 ｜ huangxiaoyi@pingwest.com

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：我此前在微软亚洲研究院，从2016年实习开始，到2020年博士毕业后转为正式研究员，一直工作到2025年1月。这段时间，我的研究方向主要围绕两个领域：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与控制等问题上。

硅星人：在微软做了那么久，为什么选择离开？

汪跃：必须说，我对微软研究院抱有无限的感激，在那里我获得了巨大的成长。但时间久了，总感觉差一点什么，主要在于研究院体量庞大，个人很难从头到尾、端到端地完成一个具体的落地项目——这可能是人力资源的限制，也可能是战略方向的考量。总之，完整地做完一件事变得很有挑战。

离开时，我主要基于三点考虑：一是渴望一个更自由的环境，去做真正有影响力的研究；二是想接触更真实的社会与世界——在微软被保护得很好，但那并非全貌；三是想做能真正落地、产生实际价值的事情。

硅星人：从微软出来之后，是怎么一步步走到创业的？

汪跃：我后来去了刚成立不久的中关村学院做研究员，这算是一次创业预演。因为学院处于建设期，一个人需要参与很多事情——除了科研，还需要从学院建设的实际需求出发，参与组织运营、对外合作以及资源链接等工作。在这个过程中，我接触了一些核聚变公司，也认识了现在的合伙人张伟，他是清华工程物理系毕业，拥有核物理学科背景。我们深入交流了几个月后，双方都意识到，“AI for 核聚变”这件事值得全力投入，而且如果想真正落地，光靠横向合作写论文是远远不够的，必须成立公司认真来做，于是便正式创办了新烛时代。

硅星人：在你们看来，为什么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现象：最前沿的AI工具和算法，对传统工业场景的渗透率实际上非常低。

这背后存在一个“双向认知差”的问题。传统的聚变专家对AI往往带着某种刻板印象。在他们看来，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只能处理那些拥有大量标注数据的“封闭问题”。

反过来，AI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行“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。

双方的认知尚未彻底打通，但这恰恰构成了最大的机会所在：聚变行业对AI的真实需求，早已远远超出了“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，谁就能真正抓住这波红利。

更重要的是，供需两侧现在同时成熟了。一边是民营聚变公司，大约在2024年前后密集融资成立，这两年装置陆续搭建起来，数据开始积累——没有数据，AI就失去了起点；另一边是AI技术本身，经过这几年的发展，其架构和工具链已足够成熟，可以作为我们改造和应用的起点。

这两个条件，缺少任何一个都做不成。而如果再晚一些，这个窗口期可能又会错过。

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：我们的定位是成为驱动聚变装置运行的“智慧大脑”。

聚变中的许多关键流程，长期依赖专家经验、直觉和手工试错。这种模式对前沿科研有价值，但并不适合规模化、标准化地走向工程化。而我们做的，是把前沿AI深度重构成“聚变可用形态”，让AI把那些分散的、模糊的、难以言传的判断与决策，转化为可复制、可量化、可部署的流程和模型。

为了实现这个目标，我们正在与上游的聚变公司，例如星环聚能等，进行深度合作。通过提供AI能力，帮助其加速核聚变实验的进程与效果。

硅星人：现在核聚变实验最核心的瓶颈是什么？

汪跃：核聚变实验的核心，本质在于控制等离子体（一种磁流体）。氘和氚在托卡马克装置中被加热到上亿度，形成等离子体，只有将它稳定地约束住、维持足够长的时间，聚变反应才会持续发生，释放出巨大热能。

目前，行业正处在从实验验证向稳定量产过渡的关键阶段。突破的核心就在于“等离子体约束与控制”。国内能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，但距离真正的工程化应用仍有距离。

如果从工程落地角度拆解，可以归纳为四个难点：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，无法直接探测，只能依赖外部边缘的有限传感器数据去反推内部全貌。预测的难点则在于，像“等离子体破裂”这类极端事件，其发生的时间尺度极短，且一旦发生，试错代价极高。控制环节的难度在于，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。最后是设计难点，聚变实验以及装置本身的参数设计空间浩如烟海，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：在诊断上，当前的做法是在托卡马克外周布置一圈传感器，测量磁场、光学乃至高速影像等信号，通过外部信号反推内部状态。这个反推是有物理依据的：对于反推内部磁场结构这一问题，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做GS方程的关系式，描述的是向内的磁约束力与向外的等离子体压强之间的平衡。

利用这个方程，可以从外部传感器数据反推出等离子体的形状、磁通量、密度、温度等关键参数。这也是我们做的第一步：通过AI处理这些多模态信号的融合，精准判断等离子体的实时状态。

第二步是预测，这本质上是一个“下一帧预测”问题：根据当前的磁通量、压强、密度、温度等参数，预测下一时刻等离子体会如何运动？形状会怎样变化？更关键的是——如果我调整了外部线圈的电压，它内部会被扰动成什么样？这有点像天气预报：根据风速、温度、气压、湿度，预测一小时后是否会下雨。

再到控制这一步，目的是把预测模型转化成实时决策。托卡马克有多个线圈分布在不同位置，控制频率高达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，人力根本无法企及。

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，还有实验设计——如何设计本次实验才能达到目标？目前这完全依赖专家经验，未来同样是AI可以大显身手的领域。

硅星人：你们的模型也是Transformer架构吗？和通用大模型有哪些不同？

汪跃：是的，模型骨架是Transformer，因为本质是序列预测（next frame prediction）。但不同点非常显著。

第一，我们处理的不是离散的文字token，我们的“帧”是连续的高维物理场。

第二，是数据和方法论的根本不同。大语言模型的路径是数据足够多就不断放大模型规模（Scaling Up），依靠暴力计算涌现能力。这条路在聚变领域完全走不通，因为数据没有那么多，也不可能等到数据积攒够了再开始工作。

我们的核心思路，是把已知的物理方程作为先验知识，显式地嵌入神经网络，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，把这些强约束放进网络里，相当于在数据不足的时候，给模型提供了额外的、可靠的监督信号。

第三，是一个硬性约束：最终部署的控制模型必须极小、足够快，才能实现毫秒级的实时控制。

我们的解法是采用不对称架构。预测模型可以做得非常大——它只用于训练阶段，不需要实时部署，模型大反而能更充分地学习等离子体的物理规律；控制模型则必须极其轻量，通过知识蒸馏技术从大的预测模型中提炼出来，再配合底层推理加速，确保能在1毫秒内输出控制信号。

这就好比游戏AI：训练时可以用庞大的模型学习复杂策略，但上场对战只需要一个轻量级控制器，无需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：整体仍处于起步阶段。拿到数据后，我们正在用数据训练模型。接下来会快速推进闭环实验——不再仅仅在计算机里模拟，而是尽快拿到真实装置上去做验证，获取真实世界的反馈。这个思路和训练机器人是一样的。目前，我们正与合作伙伴共同研发，根据他们的进展，将我们的AI能力适配并赋能过去。

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，其产业链逻辑其实非常清晰。我们的定位，是上游核心的“AI大脑”提供商。一个恰当的比喻是：如果全球聚变公司在建造的是越来越强大的“CPU”裸机，那我们在做的，就是运行在这些装置之上的“操作系统”。我们不建造托卡马克物理装置本身，而是专注提供不可或缺的AI诊断、预测、控制和设计能力，在这个产业链中扮演赋能者的角色。

沿着我们往下看，整个产业链分布如下：

中游是“整机厂”，即装置研发与制造方。也就是我们常说的国家队和各大民营聚变公司。目前全球获得融资、正在冲刺的民营公司约有数十家。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建起来。我们的AI能力链，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，即发电与并网。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实现，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，已经开始直接与聚变初创公司Helion Energy签订长期的购电协议；谷歌也与联邦聚变系统公司达成电力采购协议，承诺未来购买其发出的电力。下游巨头们正在用真金白银投票，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：你们现在以什么方式跟核聚变公司合作？

汪跃：目前的合作本质是“数据换服务、共同研发”。我们需要他们的数据和装置来训练、验证模型；他们需要我们的AI能力来提升实验效率。在全球范围内，我们算是较早聚焦于AI赋能可控核聚变的商业公司，但这一定是接下来的趋势，行业内的参与者也都在积极推进共同研发。

我们的判断是，一旦模型在某一台装置上跑通，并能展示出显著减少无效实验次数的能力——比如原本需要100次尝试才能完成的实验目标，以后可能50次甚至1次就够了——那么对客户来说，这种合作的黏性将非常强。谁先建立这种深度绑定，谁就构筑了壁垒。这也是为什么我们现在把服务好现有合作伙伴、尽快打通从算法到装置的工程壁垒放在首位，以此展现我们的落地能力，并扩大合作覆盖面。

硅星人：你怎么看能源这件事本身的长期价值？

汪跃：电力短缺将越来越成为现实。想想看，现在人们使用AI已不再是简单的网页搜索，豆包、ChatGPT背后的算力消耗，是传统搜索引擎的几个数量级。目前的用量看起来还行，只是因为普及率尚未达到顶峰。但如果展望未来，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与交互——这个增长是指数级的，没有人能准确预料五到十年后会达到什么规模。

硅星人：特别是美国那边，关于能源的焦虑似乎更大。

汪跃：是的，美国的情况已经非常明显。新建火电厂阻力极大，风光发电本身又不稳定。国内目前相对缓和，但中国的能源需求也在持续增长，“够用”是一个动态概念，不能只看今天。

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

更重要的是，市场信心正在建立。以前大家总说聚变“永远还有五十年”，但这两年，材料技术取得了突破，AI进场了，EAST做出了1066秒的纪录，NIF在惯性约束方面也有进展，整个节奏明显在加快。国内“十五五”规划里也明确将聚变列为前沿重大方向。

李建刚院士预测，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，这个过程挺有意思的。过去在研究院做研究，最大的挑战是用严谨的逻辑去说服审稿人；但现在创业，是要实打实地取信于行业同行和客户。对我个人而言，核心目标从追求纯粹的“前沿学术创新”，变成了攻克技术到工程落地的“最后一公里”。

搞科研更像是单点突破，把自己的论文和课题做好、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在面对全新的挑战。创业之后，每天处理的事情大多都是之前没做过的。作为CTO，既要推进技术路线，又要做合作对接，很多事情都需要亲自盯。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创造的感觉，对我来说是巨大的驱动力。

当然，更重要的是，这件事本身承载着极大的时代价值。一方面，可控核聚变是足以重塑人类文明的终极能源，能亲自投身到这个历史进程中，是件令人自豪的事。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关闭了。我不想在未来回望时留下这种遗憾。

点个“爱心”，再走吧