給“人造太陽”裝上大腦，是一門什么樣的生意？

出品｜虎嗅科技組

作者｜陳伊凡、李一飛

編輯｜苗正卿

頭圖｜AI生成

“AI原生100”是虎嗅科技組推出針對AI原生創新欄目，這是本系列的第「51」篇文章。

可控核聚變被譽為“人造太陽”，它模擬了太陽內部的核聚變原理，旨在利用氫同位素在億度高溫下發生聚變，源源不斷地釋放清潔能源。

如今，有人開始為這個“人造太陽”裝上“大腦”。

一直以來，聚變公司以一種垂直一體化的形態存在，從設計到裝置，新燭時代是全球第一家AI for Fusion的公司，CTO汪躍給了一個比喻，聚變公司就像英特爾公司，關注與芯片硬件，而新燭時代就類似微軟，為他們提供操作系統。

汪躍在演講 圖片由汪躍本人提供

過去幾年，可控核聚變領域盡管不如大模型和具身智能在最亮的聚光燈下，但也吸引了不少熱錢。今年年初，可控核聚變公司星環聚能完成10億元的融資，國內民營聚變企業單筆融資紀錄，資本加速了這個行業的發展。最簡單的邏輯是，有了資本，就有了裝置，有了更多真機數據，為AI積累了條件。

2025年9月，新燭時代成立，今年3月，新燭時代完成了6000萬元天使輪融資，由中科創星、鼎峰科創聯合領投，水木清華校友基金跟投。

在和汪躍的交流中，我們嘗試回答這樣一個關鍵問題：為什么在這個時候，尚未商業化的可控核聚變領域，為什么值得單獨做一家AI for Fusion的商業化公司？

這與這個行業的技術發展和相關，可控核聚變是一個不尋常的行業，其每一代裝置，都在探索前一代沒有觸碰過的物理邊界，所以每一代都更大、更復雜、更昂貴。這帶來了一個正在變得越來越緊迫的問題：試錯的成本。

每一代裝置中，都放著一個“人造太陽”， 這個“人造太陽”的組成部分叫做等離子體，把氣體加熱到幾千萬度乃至上億度，電子就被“烤”飛了，從原子上脫離出來，自由亂竄。這團混沌的帶電粒子云，就叫等離子體。它是一種特殊的流體，會流動、會震蕩、會形成湍流，同時因為帶電，還會和磁場發生互動。

可控核聚變要做的，就是把這團東西約束在一個真空腔里，讓它發生聚變反應、釋放能量。問題是，沒有任何容器能承受上億度的高溫，所以唯一的辦法是用強磁場把等離子體懸浮起來，不讓它碰壁。這就像用氣流讓一個肥皂泡懸浮在空中，不能讓它碰到任何東西，還得維持它的形狀，但這個肥皂泡一直在顫抖、變形、想往邊上跑。你得控制十幾個線圈的電流電壓，每隔1毫秒甚至0.1毫秒就要調整一次，才能把它摁在中間。這個速度相當于，一眨眼的功夫可能要控制1000次。

過去，這件事更多靠經驗，但隨著裝置越來越貴、參數越來越多，靠人的經驗很難達到想要的水平。為什么是AI來做？一個很簡單的裝置就有十幾個線圈，有上百個傳感器，人不僅要觀測，還要在十幾個線圈、每一毫秒做一次決策，非常高維、高頻，人很難做到，但AI天然擅長解決這種高維、非線性、高頻問題。

2025年10月，谷歌DeepMind與CFS宣布聯合開發同類產品TORAX。2025年11月24日，美國白宮啟動“創世紀使命”，將聚變列為國家戰略優先領域，并計劃構建AI驅動的科學安全平臺，整合聯邦數據與算力資源，通過構建基礎模型、實現實驗自動化和優化設計，加速聚變技術突破進程。2025年9月，由國家發展改革委和國家能源局聯合發布《關于推進“人工智能+”能源高質量發展的實施意見》將“可控核聚變智能控制”列為“人工智能+核電”典型應用場景之一。

當這件事變得足夠重要、并有一定的難度，分工自然形成。新燭時代，便是在這樣的需求推高下誕生的公司。

過去，這件事情聚變公司嘗試過，但物理出身的科學家，畢竟對AI的能力理解有限，AI for Fusion這件事并不是科學家用已有的AI工具就可以，還需要結合場景，將已有的AI工具進行改造，做專用的模型和智能體。純粹模型公司也很難做，因為可控核聚變需要豐富的物理經驗。

汪躍的辦法是，做融合，做數據、經驗和物理的三者融合。他形容為，黑盒、灰盒和白盒。但數據可能不準、物理模型只是一種實際情況的簡化，兩者本身就“八字不合”，經驗又太粗糙和宏觀，數據和物理需要精確，三者不在一個緯度。這也是為什么這件事需要新燭時代這樣的AI和聚變融合的團隊來做。

這件事即便放在全球都是“第一個吃螃蟹”的事。在新燭之前，幾乎沒有單獨的商業化公司專門做這樣的工程化落地。

作為一家成立不到一年的公司，新燭時代需要回答的問題還很多，最關鍵的是究竟是否能真正解決工程化的天花板。汪躍說，如果說傳統方案現在大概能到70到80分，AI剛剛起步，目前可能只有20到30分，但數據驅動方法的理論上會有更高的上限，他判斷像在許多其他領域一樣，AI有能力把分數一直往上推，推到90分，推到傳統方法無法企及的地方。當然，一切要上機實驗驗證，否則仍有風險。

為什么要做AI for Fusion的商業化公司？為什么是現在？

虎嗅：為什么你認為AI for Fusion這件事情，現在值得單拎出來做一家商業化的公司？

汪躍：我覺得一個核心的切分點是：第一，這件事是不是足夠重要；第二，這件事是不是有一定的難度。社會分工形成上下游產業鏈，還是會在一家公司內部來做，核心就是這兩個點。如果足夠重要，它需要投入足夠的時間精力；如果足夠難，大家術業有專攻，不得不做一些分工配合。

如果這件事拿到芯片公司，是什么情況？芯片行業里的上中下游產業鏈是在一家公司做，還是有明確的分工？

所以從這兩點來說，AI for fusion至今，第一它是足夠重要了。足夠重要體現在——很多事情可能沒有AI，就很難再往下推進一步了。比如說之前大家更多關注在聚變裝置的建造，但隨著參數的逐步提高，你把它造出來、在上面做實驗，這個實驗的周期和試錯的成本在逐漸增加。聚變裝置一代一代往上做，成本越來越高。可能第一代裝置還以一個億為單位來造，后面可能以十個億為單位，再后來可能五十億為單位來造，就必須把效率的問題、能力的問題也提上來。如果沒有一個很好的AI工具來幫忙降本增效，那么實驗的周期跟成本就會越來越受不住。

虎嗅：可控核聚變的裝置為什么越來越貴？如果從商業邏輯上，難道不是一代比一代便宜才對？

汪躍：因為它不是產品。聚變的產品是電，不是裝置，但現在大家還沒推進到發電這一步。大家第一步先看能不能把聚變裝置造出來，把等離子體約束住；第二步看能不能把約束時間足夠長、溫度達到一億度，實現Q值大于1，但這還不夠，因為中間有很多損耗，發電還要考慮成本，可能要把Q做到大于5，甚至大于30……有非常多的工程目標需要一步步完成。

每一代都在探索不一樣的可能性，越往后難度就越高，所以越來越貴。

虎嗅：除了足夠重要并且有難度，與AI自身的發展是否也有關系？

汪躍：第一，需求端已經足夠重視這件事。

第二是供給端，這又分兩點。一是數據供給，到2025年、2026年，已有相當多的公司積累了好幾年的數據，這讓AI for fusion的可行性大幅提高。二是AI算法能力，2022年及以后這幾年，隨著大模型的發展，AI技術突飛猛進，算法層面也已經準備得比較充分。

再加上2025年有很多聚變相關公司融到資，兩三年后會迎來需求爆發。所以從需求端、數據端和算法端來看，這兩年是做這件事的好時機。

虎嗅：我們是做一個核聚變領域的大腦嗎？

汪躍：我們有個比喻，雖然不那么貼切——聚變公司可能像英特爾這樣做硬件的，我們可能像微軟一樣做操作系統，驅動這些硬件。所以現在先把大腦某個功能做出來，然后把它抽象成操作系統，再把操作系統施加到更大的硬件上去。

長遠的目標，就像星際穿越里的TARS那樣，一個智能系統干了幾乎所有的事情，人類只需要做一些關鍵決策，整個聚變電廠在那種狀態下運行，我們長遠目標是在那種場景下扮演某種意義上的智慧大腦或者操作系統。

虎嗅：你是AI出身，為什么選擇了AI for Fusion的賽道而不是這些聽起來更熱門和性感的大模型領域？

汪躍：博士5年里有4年是在微軟實習，在這個過程中我一直做兩件事：一是強化學習，二是AI for流體，也就是大氣、水流這類。

這兩個東西跟聚變天然有交集。聚變背后其實是等離子體，等離子體是一種磁流體，其中最關鍵的控制恰恰是強化學習的一個核心應用場景，仿真建模正是流體仿真。這兩塊其實是一個天然的耦合，我做到聚變這里，好像也沒有轉行，核聚變的流體控制，跟我之前做的很多流體的事情是有共性的。

舉個例子，我們做天氣預報，首先是一個巨大的混沌流體系統，要做持續預測，有湍流，要做時序預測。等離子體也是混沌狀態的系統，而且你沒有辦法探測里面的東西，因為里面溫度很高，幾百萬度上億度，探測器只能探測邊緣的一些磁場等等，摸一摸旁邊的地方，然后通過“診斷”或者“平衡重建”去看里邊的狀態是什么。

還有一點，我們關心天氣預報的極端天氣——出現次數很少，但又很劇烈。等離子體破裂這個事件不會經常發生，但一發生就很劇烈，所以做起來很相似。

差不多是去年四五月份，跟聚變公司有一些交流之后，發現這件事比想象中可行性高得多。因為有數據有模擬器，甚至有裝置，可以在上面做真機實驗，行業中也有需求，而且發現需求端供給端都比較成熟，還沒什么人做，一片藍海。

虎嗅：我能不能這樣理解：磁約束聚變裝置中，等離子體會像大氣一樣不穩定地纏繞、旋轉，最核心的工作，就是防止等離子體突然爆發、破裂，所以需要通過控制來避免這類情況發生？

汪躍：是的，聚變的核心就是把等離子體在磁場中約束住，難點在于，沒有任何容器能承載這么高溫的物質（上億度），任何容器都會被熔化，所以只能用磁場約束，這就是磁流體。但流體本身就很不穩定，所以我們需要不斷改變線圈的電流、電壓，調整磁場，把等離子體約束在中間。

虎嗅：聚變公司的需求到底有多痛和迫切？

汪躍：具體降本增效痛在兩個維度：

首先是降本，一次實驗就是一次試錯，以前100次才能完成一件事，AI哪怕只需要50次，就算是成功——節省了時間成本、人力成本，也減少了裝置的損耗。

增效在于很多復雜的東西，人工可能調半天也調不出來，因為決策空間太大。一個很簡單的裝置就有十幾個線圈，有上百個傳感器——觀測人要去判斷；其次人還要做決策，在十幾個線圈、每一毫秒做一次決策，這是很難做到的，非常高維、高頻。AI天然擅長解決這種高維、非線性、高頻的問題。

公開的典型案例是DeepMind2022年發在Nature上那篇用強化學習做等離子體形狀控制的論文，他們在模擬器上訓練，然后在真實裝置上做了實驗。他們要把等離子體捏成雪花形這樣比較復雜的形狀，這是物理學家告訴他們“這個形狀會比較穩定”，然后用這個作為目標去訓練，成功了。如果靠人來做這個控制，可能要很久，而且傳統方案可能很難控制的這么精密。

學術圈內測證明了質的飛躍的可能，但還沒有完全到工業生產中最后一公里的落地，要有人俯下身來做這件事情。

虎嗅：AI for Fusion，聚變公司自己內部不能做嗎？

汪躍：如果這件事情這樣就能成功，我們這家公司是沒必要存在的，因為AI的工具很開放，算法模型都開源。核心就是，任何AI想要落地，最后一公里都挺難的，需要有人懂產業問題，需要有人懂AI工具的內涵，需要有人把AI工具做適配做改造，甚至創新發明一些工具來適配這樣的問題。

虎嗅：那為什么聚變公司沒有去選擇一家大模型公司來做？

汪躍：因為這件事本質上跟大模型不是一回事。

第一，大模型你問一個問題，他得到一個回答，可能用了好久，大家甚至覺得想得越久模型能力越強。但是托卡馬克的控制頻率是1K赫茲到10K赫茲，換句話說只有0.1毫秒到1毫秒，一眨眼的功夫可能要控制1000次。

第二，聚變的數據有磁場的、光譜的、高速相機拍的傳感器、經過處理得到十幾個線圈的電流電壓的數據——這不是大模型擅長做的。大模型最擅長的是自然語言和自然圖像。另外大模型需要大量數據訓練，聚變不可能有足夠大的數據，所以聚變要考慮的是數據不夠，怎么辦？不能等著數據夠了再做。

第三，這個東西本質上是AI for fusion，背后有很多經驗知識。自然界的事情太復雜，這里面有很多物理知識可以嵌入進去。在AI中嵌入物理經驗和知識，這是我們要做的事情。

虎嗅：如果這件事是一個趨勢，需求也到了這個時間點，在可控核聚變走得更快的美國，為什么沒有出來這樣一家公司？為什么新燭時代成為了第一家AI for Fusion的公司？

汪躍：第一，DeepMind本身就在做這個事，從2022年就發了一篇Nature正刊，今年又跟CFS官宣合作了，所以美國那邊學術層面是在做的。第二，谷歌、英偉達、微軟都各自在跟各自支持的聚變公司做深度合作——他們不是像國內大廠可能更多做外包，他們直接成立科研團隊或工程團隊，官宣合作直接開干，所以這可能是美國的模式。

我們預期未來一兩年可能會有很多這樣的公司出來。為什么至今沒有——我們判斷的一個很直接的原因是，2022年在民營資本和國家政策的共同推動下，可控核聚變開始火起來，大模型、AI浪潮爆發也差不多是2022年前后。這帶來了兩件事，第一是前幾年可能聚變行業的數據積累還不夠多，第二是可能前幾年幾乎所有做AI的人的注意力，大部分都集中在大模型、智能體這些領域。

物理、經驗和數據“八字不合”，但融合才是方向

虎嗅：可控核聚變每一次點火開機都會很貴，如果真實數據不夠的話怎么辦？靠仿真嗎？

汪躍：這個事情比較難定義什么叫足夠多，現在的現狀是有相當一部分真實數據的。

我們現在要服務這些聚變公司，我們只需要有他們當前這個能力階段相關的數據。這個數據有多少？如果是10K赫茲，就意味著0.1毫秒就會有一次觀測加一次控制，一秒鐘就會有1萬次這樣的觀測和控制。所以一秒鐘一條軌跡下來，就會有1萬個數據點，如果有1萬條軌跡的話，就會有1億個數據點，所以數據也沒有想象那么少。

從科研論文的角度來說，大部分科研論文也就是一兩千條軌跡體量的數據就可以做了。從工程上穩妥一點，我們手上能掌握的數據，用物理實驗做垂類模型，應該是足夠的。

現在計算機里面做的初步測試，效果不錯，所以下一步我們要抓緊時間完善，然后打通整個鏈路上機。

第二步，仿真數據可以理解成無窮多，但第一步要先把仿真工具掌握好，然后再來算。所以我們現在在做的就是怎么樣做托卡馬克的仿真，特別是物理仿真，然后之后做一個白加黑的混合系統，白盒是純物理驅動的，就是傳統數值仿真；黑盒是數據驅動的神經網絡，速度快但效果上限不確定，雙方都有一些問題，也都有一些好處，我們要把它融合起來做到又快又好。

虎嗅：剛剛說的經驗、數據和物理，這三者在未來理想狀況下的比例應該是什么樣子？或者你覺得未來數據驅動會完全代替前面兩種嗎？

汪躍：我是一個融合派，我不覺得要把現有的某些東西替代掉。

我們現在做基于大模型驅動的智能體，會驅動一個黑盒加白盒，把一些人類的經驗、試錯的經驗沉淀下來，然后把這些宏觀的東西流轉到一些微觀的模型里，形成一個最準確的預判。

虎嗅：融合這件事，能不能給我們一個比較具象的、物理和AI在思維上或者邏輯方法上沖突的案例？

汪躍：首先數據很有可能是部分觀測的，或者數據的分辨率不夠，這樣物理直接就趴窩了，沒法用了。

反過來，物理也不是只有那點方程，物理還需要邊界條件、還需要物理參數，有的時候你數據里根本就沒有。數據有可能不準，物理缺一項參數也沒法用。例如傳統的天氣預報，要么是純物理的，把各種條件假設好再計算；要么是純數據驅動的，最近幾年做得比較多。而數據加物理的結合做得很少，核心原因就是數據可能不準、物理模型缺條件，兩者本身就“八字不合”。

但是如果能做得好融合，就會有非常好的效果，典型的例子就是清華大學團隊2023年發表在Nature正刊上的極端氣象預報的工作，結合了物理和數據的信息，效果特別好。

第二，經驗跟前兩者的整合。經驗太模糊、太粗糙、太宏觀，但我們要做數據和物理都是非常細節、微觀和嚴謹的事，他們根本不在一個尺度上，之前也沒法做。

虎嗅：在黑灰盒的問題上，有物理的、經驗的、數據驅動的數據，在實際落地過程當中，你會感覺到哪一塊在起主導作用？

汪躍：各有各的作用，我們是多條腿在并行，然后合到一起。

一條是純數據驅動，好處是它最貼近真實裝置，沒有太多sim-to-real gap，但問題是它可能會有泛化的問題，數據量不夠，數據分布也不均勻。

另一條是物理驅動，可以理解成無窮多的數據，但它跟真實裝置的配對可能沒有那么嚴格，有sim-to-real gap。

我們期待通過這兩個結合，做到速度快，效果好的預測和控制。在模擬器層面先做好，再往下落到真實裝置層面，可能少量的真實數據就能解決這個問題了。

這也是我們切入進來的一個邏輯，有一些非常精心的設計讓不同的信息來源處理不同的問題，可能效果會比較好。

虎嗅：AI有幻覺或者無法解釋的東西，核聚變又是一個比較零容錯的極端物理環境，安全怎么去托底？試錯成本也挺高的。

汪躍：我對這件事情的理解本質還是一個性能的問題。當一個工具90%靠譜的時候，大家會質疑他的可解釋性質疑他的幻覺，但是當一個工具99.999%靠譜的時候，在很多場景的應用就已經變成非常自然的事情了。哪怕是人類專家也沒有100%的準確率，核心還是性能是否夠好。

從技術層面，我們會做的一件事是給出不確定性估計，給出預測之后同時告訴你這個預測的可靠性有多高，讓大家也讓AI自己有個可靠性感知。

宏觀上，信任的建立還是要靠性能的提升以及反復驗證。多次驗證都能成功，慢慢信任就有了。

“只有上機，飛輪才能轉起來”

虎嗅：你怎么思考技術的生命周期？有的時候你可能現在往這條技術路線上布局，好不容易過了幾年做出來了，可能技術已經變了，這個時候再改造就很難。錯過了一個技術路線，可能就錯過了一個時代。

汪躍：在AI for fusion這里，我有幾個大的判斷。

第一，也是最重要的——要做融合。如果還抱著“AI干掉經驗”或者“AI干掉物理”，我覺得是不對的。數據、物理、經驗本身差異性比較大，誰能把經驗、數據和物理融合的更好，誰就有優勢。就這點菜，誰能把這鍋菜燉得更好吃，誰本事就大。

第二，我們要擁抱智能體等最前沿的AI工具。最前沿的AI已經發展到了一個很有潛力的階段，對于工業場景來說，它的能力某種意義上已經溢出，但又沒有很好地落地，所以我們可以把這些溢出的能力結合到我們的場景里，實現落地。

比如我們正在做智能體系統，對內加速研發，我們自己內部也需要被顛覆，不能一直靠人寫代碼、反復調試，效率太低。對外，我們也希望智能體能成為和用戶交互的接口。

我判斷AI的發展還沒有放緩，還在加速擴張能力，所以我們還有很多機會把這些前沿技術拿過來改造使用。

第三，我們會關心快速的應用、泛化、遷移——要快速。因為我們最終是要服務聚變電廠，但目前它還在研發階段，研發意味著它會不斷把裝置能力提升，我們需要讓我們的模型不斷適配這些新的東西。他們現在做到60分，我們幫他快速漲到70分；等他漲到70分之后，我們要快速適配去幫他快速漲到80分。我們幫他抬得越高，我們自己的能力就長得越高，大家一起左腳踩右腳往上走。如果我們的模型很笨重，人家已經被我們賦能上了一個臺階，我們還跟不上，這也不對。

虎嗅：你們內部的benchmark是怎么去定的，以驗證能力進步了多少？

汪躍：根上是要上機做實驗。

內部會有數據驅動的一個benchmark，也會有一個物理模擬器驅動的benchmark。我們會先在數據驅動和物理驅動問題上去驗證一下模型的預測能力、控制能力，我們覺得不錯了，就會上去做實驗，發現效果還很爛，說明benchmark本身還不太行，然后就回來改造算法和benchmark，這三方是一起進化的。

甚至這套benchmark本身，很有可能是我們在某種意義上的一個護城河，因為別人做這個事也要自己建benchmark，我們已經有了，而且在不斷迭代。

虎嗅：護城河和壁壘這件事情我們現在是怎么建的？

汪躍：我始終覺得技術這個事情可以形成護城河或者壁壘，但是技術本身可能流動性比較強，因為人員是流動的，知識也是流動的。

所以我現在覺得幾個護城河和壁壘：

一個是先發優勢，這很重要。因為聚變公司是很重的資產，如果跟我們合作，建立了互信關系，我們也能滿足他們的需求，幫他們做得很好，他們其實很難再有動力去合作另外一家做類似業務的公司。

第二，團隊本身還是挺有壁壘的，團隊里面有在工業界（例如微軟等公司）真正做過AI for流體、AI for physics的同事。另外還依托中關村學院，國家三所AI學院之一，跟31所985共建，研發力量很強，有這么一個單位在后面做支撐，是一個很難復制的人才培養基地。

虎嗅：如果去暢想一下未來，人類可能擁有一個近乎無限的清潔能源，你最希望看到世界發生什么樣的具體改變？

汪躍：因為如果真的有了無限的清潔能源，能想到的事就太多了。能源就像貨幣一樣，是一個通貨，你有了能源就有了一切——甚至可以合成食物，有了能源之后感覺什么都有了。

虎嗅：你覺得未來放在新燭面前最大的挑戰，從你的角度來看會是什么？

汪躍：核心還是工業落地的問題。工業場景有太多可能突發情況，落地可能還是比較重要，意外情況比較多。真的要跨裝置能泛化，要能在裝置上減少無效實驗，甚至要把上下游各種流程都打通，在這個長流程工業場景里各個流程都能做，這個挑戰還是蠻多的。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4849472.html?f=wyxwapp