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(chuàng)新欄目，這是本系列的第「51」篇文章。

可控核聚變被譽(yù)為 " 人造太陽 "，它模擬了太陽內(nèi)部的核聚變原理，旨在利用氫同位素在億度高溫下發(fā)生聚變，源源不斷地釋放清潔能源。

如今，有人開始為這個(gè) " 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(tài)存在，從設(shè)計(jì)到裝置，新燭時(shí)代是全球第一家 AI for Fusion 的公司，CTO 汪躍給了一個(gè)比喻，聚變公司就像英特爾公司，關(guān)注與芯片硬件，而新燭時(shí)代就類似微軟，為他們提供操作系統(tǒng)。

過去幾年，可控核聚變領(lǐng)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(huán)聚能完成 10 億元的融資，國內(nèi)民營聚變企業(yè)單筆融資紀(jì)錄，資本加速了這個(gè)行業(yè)的發(fā)展。最簡單的邏輯是，有了資本，就有了裝置，有了更多真機(jī)數(shù)據(jù)，為 AI 積累了條件。

2025 年 9 月，新燭時(shí)代成立，今年 3 月，新燭時(shí)代完成了 6000 萬元天使輪融資，由中科創(chuàng)星、鼎峰科創(chuàng)聯(lián)合領(lǐng)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(gè)關(guān)鍵問題：為什么在這個(gè)時(shí)候，尚未商業(yè)化的可控核聚變領(lǐng)域，為什么值得單獨(dú)做一家 AI for Fusion 的商業(yè)化公司？

這與這個(gè)行業(yè)的技術(shù)發(fā)展和相關(guān)，可控核聚變是一個(gè)不尋常的行業(yè)，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(fù)雜、更昂貴。這帶來了一個(gè)正在變得越來越緊迫的問題：試錯(cuò)的成本。

每一代裝置中，都放著一個(gè) " 人造太陽 "， 這個(gè) " 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(tuán)混沌的帶電粒子云，就叫等離子體。它是一種特殊的流體，會(huì)流動(dòng)、會(huì)震蕩、會(huì)形成湍流，同時(shí)因?yàn)閹щ姡€會(huì)和磁場發(fā)生互動(dòng)。

可控核聚變要做的，就是把這團(tuán)東西約束在一個(gè)真空腔里，讓它發(fā)生聚變反應(yīng)、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(qiáng)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(gè)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(gè)肥皂泡一直在顫抖、變形、想往邊上跑。你得控制十幾個(gè)線圈的電流電壓，每隔 1 毫秒甚至 0.1 毫秒就要調(diào)整一次，才能把它摁在中間。這個(gè)速度相當(dāng)于，一眨眼的功夫可能要控制 1000 次。

過去，這件事更多靠經(jīng)驗(yàn)，但隨著裝置越來越貴、參數(shù)越來越多，靠人的經(jīng)驗(yàn)很難達(dá)到想要的水平。為什么是 AI 來做？一個(gè)很簡單的裝置就有十幾個(gè)線圈，有上百個(gè)傳感器，人不僅要觀測，還要在十幾個(gè)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(lián)合開發(fā)同類產(chǎn)品 TORAX。2025 年 11 月 24 日，美國白宮啟動(dòng) " 創(chuàng)世紀(jì)使命 "，將聚變列為國家戰(zhàn)略優(yōu)先領(lǐng)域，并計(jì)劃構(gòu)建 AI 驅(qū)動(dòng)的科學(xué)安全平臺，整合聯(lián)邦數(shù)據(jù)與算力資源，通過構(gòu)建基礎(chǔ)模型、實(shí)現(xiàn)實(shí)驗(yàn)自動(dòng)化和優(yōu)化設(shè)計(jì)，加速聚變技術(shù)突破進(jìn)程。2025 年 9 月，由國家發(fā)展改革委和國家能源局聯(lián)合發(fā)布《關(guān)于推進(jìn) " 人工智能 +" 能源高質(zhì)量發(fā)展的實(shí)施意見》將 " 可控核聚變智能控制 " 列為 " 人工智能 + 核電 " 典型應(yīng)用場景之一。

當(dāng)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(shí)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(xué)家，畢竟對 AI 的能力理解有限，AI for Fusion 這件事并不是科學(xué)家用已有的 AI 工具就可以，還需要結(jié)合場景，將已有的 AI 工具進(jìn)行改造，做專用的模型和智能體。純粹模型公司也很難做，因?yàn)榭煽睾司圩冃枰S富的物理經(jīng)驗(yàn)。

汪躍的辦法是，做融合，做數(shù)據(jù)、經(jīng)驗(yàn)和物理的三者融合。他形容為，黑盒、灰盒和白盒。但數(shù)據(jù)可能不準(zhǔn)、物理模型只是一種實(shí)際情況的簡化，兩者本身就 " 八字不合 "，經(jīng)驗(yàn)又太粗糙和宏觀，數(shù)據(jù)和物理需要精確，三者不在一個(gè)緯度。這也是為什么這件事需要新燭時(shí)代這樣的 AI 和聚變?nèi)诤系膱F(tuán)隊(duì)來做。

這件事即便放在全球都是 " 第一個(gè)吃螃蟹 " 的事。在新燭之前，幾乎沒有單獨(dú)的商業(yè)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(shí)代需要回答的問題還很多，最關(guān)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(tǒng)方案現(xiàn)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(shù)據(jù)驅(qū)動(dòng)方法的理論上會(huì)有更高的上限，他判斷像在許多其他領(lǐng)域一樣，AI 有能力把分?jǐn)?shù)一直往上推，推到 90 分，推到傳統(tǒng)方法無法企及的地方。當(dāng)然，一切要上機(jī)實(shí)驗(yàn)驗(yàn)證，否則仍有風(fēng)險(xiǎn)。

為什么要做 AI for Fusion 的商業(yè)化公司？為什么是現(xiàn)在？

虎嗅：為什么你認(rèn)為 AI for Fusion 這件事情，現(xiàn)在值得單拎出來做一家商業(yè)化的公司？

汪躍：我覺得一個(gè)核心的切分點(diǎn)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(huì)分工形成上下游產(chǎn)業(yè)鏈，還是會(huì)在一家公司內(nèi)部來做，核心就是這兩個(gè)點(diǎn)。如果足夠重要，它需要投入足夠的時(shí)間精力；如果足夠難，大家術(shù)業(yè)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(yè)里的上中下游產(chǎn)業(yè)鏈?zhǔn)窃谝患夜咀?，還是有明確的分工？

所以從這兩點(diǎn)來說，AI for fusion 至今，第一它是足夠重要了。足夠重要體現(xiàn)在——很多事情可能沒有 AI，就很難再往下推進(jìn)一步了。比如說之前大家更多關(guān)注在聚變裝置的建造，但隨著參數(shù)的逐步提高，你把它造出來、在上面做實(shí)驗(yàn)，這個(gè)實(shí)驗(yàn)的周期和試錯(cuò)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?？赡艿谝淮b置還以一個(gè)億為單位來造，后面可能以十個(gè)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(gè)很好的 AI 工具來幫忙降本增效，那么實(shí)驗(yàn)的周期跟成本就會(huì)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(yè)邏輯上，難道不是一代比一代便宜才對？

汪躍：因?yàn)樗皇钱a(chǎn)品。聚變的產(chǎn)品是電，不是裝置，但現(xiàn)在大家還沒推進(jìn)到發(fā)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??；第二步看能不能把約束時(shí)間足夠長、溫度達(dá)到一億度，實(shí)現(xiàn) Q 值大于 1，但這還不夠，因?yàn)橹虚g有很多損耗，發(fā)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(biāo)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(fā)展是否也有關(guān)系？

汪躍：第一，需求端已經(jīng)足夠重視這件事。

第二是供給端，這又分兩點(diǎn)。一是數(shù)據(jù)供給，到 2025 年、2026 年，已有相當(dāng)多的公司積累了好幾年的數(shù)據(jù)，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(fā)展，AI 技術(shù)突飛猛進(jìn)，算法層面也已經(jīng)準(zhǔn)備得比較充分。

再加上 2025 年有很多聚變相關(guān)公司融到資，兩三年后會(huì)迎來需求爆發(fā)。所以從需求端、數(shù)據(jù)端和算法端來看，這兩年是做這件事的好時(shí)機(jī)。

虎嗅：我們是做一個(gè)核聚變領(lǐng)域的大腦嗎？

汪躍：我們有個(gè)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(tǒng)，驅(qū)動(dòng)這些硬件。所以現(xiàn)在先把大腦某個(gè)功能做出來，然后把它抽象成操作系統(tǒng)，再把操作系統(tǒng)施加到更大的硬件上去。

長遠(yuǎn)的目標(biāo)，就像星際穿越里的 TARS 那樣，一個(gè)智能系統(tǒng)干了幾乎所有的事情，人類只需要做一些關(guān)鍵決策，整個(gè)聚變電廠在那種狀態(tài)下運(yùn)行，我們長遠(yuǎn)目標(biāo)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(tǒng)。

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(lǐng)域？

汪躍：博士 5 年里有 4 年是在微軟實(shí)習(xí)，在這個(gè)過程中我一直做兩件事：一是強(qiáng)化學(xué)習(xí)，二是 AI for 流體，也就是大氣、水流這類。

這兩個(gè)東西跟聚變天然有交集。聚變背后其實(shí)是等離子體，等離子體是一種磁流體，其中最關(guān)鍵的控制恰恰是強(qiáng)化學(xué)習(xí)的一個(gè)核心應(yīng)用場景，仿真建模正是流體仿真。這兩塊其實(shí)是一個(gè)天然的耦合，我做到聚變這里，好像也沒有轉(zhuǎn)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(gè)例子，我們做天氣預(yù)報(bào)，首先是一個(gè)巨大的混沌流體系統(tǒng)，要做持續(xù)預(yù)測，有湍流，要做時(shí)序預(yù)測。等離子體也是混沌狀態(tài)的系統(tǒng)，而且你沒有辦法探測里面的東西，因?yàn)槔锩鏈囟群芨?，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(tài)是什么。

還有一點(diǎn)，我們關(guān)心天氣預(yù)報(bào)的極端天氣——出現(xiàn)次數(shù)很少，但又很劇烈。等離子體破裂這個(gè)事件不會(huì)經(jīng)常發(fā)生，但一發(fā)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(fā)現(xiàn)這件事比想象中可行性高得多。因?yàn)橛袛?shù)據(jù)有模擬器，甚至有裝置，可以在上面做真機(jī)實(shí)驗(yàn)，行業(yè)中也有需求，而且發(fā)現(xiàn)需求端供給端都比較成熟，還沒什么人做，一片藍(lán)海。

虎嗅：我能不能這樣理解：磁約束聚變裝置中，等離子體會(huì)像大氣一樣不穩(wěn)定地纏繞、旋轉(zhuǎn)，最核心的工作，就是防止等離子體突然爆發(fā)、破裂，所以需要通過控制來避免這類情況發(fā)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(diǎn)在于，沒有任何容器能承載這么高溫的物質(zhì)（上億度），任何容器都會(huì)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(wěn)定，所以我們需要不斷改變線圈的電流、電壓，調(diào)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(gè)維度：

首先是降本，一次實(shí)驗(yàn)就是一次試錯(cuò)，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(jié)省了時(shí)間成本、人力成本，也減少了裝置的損耗。

增效在于很多復(fù)雜的東西，人工可能調(diào)半天也調(diào)不出來，因?yàn)闆Q策空間太大。一個(gè)很簡單的裝置就有十幾個(gè)線圈，有上百個(gè)傳感器——觀測人要去判斷；其次人還要做決策，在十幾個(gè)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(fā)在 Nature 上那篇用強(qiáng)化學(xué)習(xí)做等離子體形狀控制的論文，他們在模擬器上訓(xùn)練，然后在真實(shí)裝置上做了實(shí)驗(yàn)。他們要把等離子體捏成雪花形這樣比較復(fù)雜的形狀，這是物理學(xué)家告訴他們 " 這個(gè)形狀會(huì)比較穩(wěn)定 "，然后用這個(gè)作為目標(biāo)去訓(xùn)練，成功了。如果靠人來做這個(gè)控制，可能要很久，而且傳統(tǒng)方案可能很難控制的這么精密。

學(xué)術(shù)圈內(nèi)測證明了質(zhì)的飛躍的可能，但還沒有完全到工業(yè)生產(chǎn)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(nèi)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?yàn)?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(chǎn)業(yè)問題，需要有人懂 AI 工具的內(nèi)涵，需要有人把 AI 工具做適配做改造，甚至創(chuàng)新發(fā)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?yàn)檫@件事本質(zhì)上跟大模型不是一回事。

第一，大模型你問一個(gè)問題，他得到一個(gè)回答，可能用了好久，大家甚至覺得想得越久模型能力越強(qiáng)。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(shù)據(jù)有磁場的、光譜的、高速相機(jī)拍的傳感器、經(jīng)過處理得到十幾個(gè)線圈的電流電壓的數(shù)據(jù)——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(shù)據(jù)訓(xùn)練，聚變不可能有足夠大的數(shù)據(jù)，所以聚變要考慮的是數(shù)據(jù)不夠，怎么辦？不能等著數(shù)據(jù)夠了再做。

第三，這個(gè)東西本質(zhì)上是 AI for fusion，背后有很多經(jīng)驗(yàn)知識。自然界的事情太復(fù)雜，這里面有很多物理知識可以嵌入進(jìn)去。在 AI 中嵌入物理經(jīng)驗(yàn)和知識，這是我們要做的事情。

虎嗅：如果這件事是一個(gè)趨勢，需求也到了這個(gè)時(shí)間點(diǎn)，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(shí)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(gè)事，從 2022 年就發(fā)了一篇 Nature 正刊，今年又跟 CFS 官宣合作了，所以美國那邊學(xué)術(shù)層面是在做的。第二，谷歌、英偉達(dá)、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(nèi)大廠可能更多做外包，他們直接成立科研團(tuán)隊(duì)或工程團(tuán)隊(duì)，官宣合作直接開干，所以這可能是美國的模式。

我們預(yù)期未來一兩年可能會(huì)有很多這樣的公司出來。為什么至今沒有——我們判斷的一個(gè)很直接的原因是，2022 年在民營資本和國家政策的共同推動(dòng)下，可控核聚變開始火起來，大模型、AI 浪潮爆發(fā)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(yè)的數(shù)據(jù)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(lǐng)域。

物理、經(jīng)驗(yàn)和數(shù)據(jù) " 八字不合 "，但融合才是方向

虎嗅：可控核聚變每一次點(diǎn)火開機(jī)都會(huì)很貴，如果真實(shí)數(shù)據(jù)不夠的話怎么辦？靠仿真嗎？

汪躍：這個(gè)事情比較難定義什么叫足夠多，現(xiàn)在的現(xiàn)狀是有相當(dāng)一部分真實(shí)數(shù)據(jù)的。

我們現(xiàn)在要服務(wù)這些聚變公司，我們只需要有他們當(dāng)前這個(gè)能力階段相關(guān)的數(shù)據(jù)。這個(gè)數(shù)據(jù)有多少？如果是 10K 赫茲，就意味著 0.1 毫秒就會(huì)有一次觀測加一次控制，一秒鐘就會(huì)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(huì)有 1 萬個(gè)數(shù)據(jù)點(diǎn)，如果有 1 萬條軌跡的話，就會(huì)有 1 億個(gè)數(shù)據(jù)點(diǎn)，所以數(shù)據(jù)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(shù)據(jù)就可以做了。從工程上穩(wěn)妥一點(diǎn)，我們手上能掌握的數(shù)據(jù)，用物理實(shí)驗(yàn)做垂類模型，應(yīng)該是足夠的。

現(xiàn)在計(jì)算機(jī)里面做的初步測試，效果不錯(cuò)，所以下一步我們要抓緊時(shí)間完善，然后打通整個(gè)鏈路上機(jī)。

第二步，仿真數(shù)據(jù)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(xiàn)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(gè)白加黑的混合系統(tǒng)，白盒是純物理驅(qū)動(dòng)的，就是傳統(tǒng)數(shù)值仿真；黑盒是數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)，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(jīng)驗(yàn)、數(shù)據(jù)和物理，這三者在未來理想狀況下的比例應(yīng)該是什么樣子？或者你覺得未來數(shù)據(jù)驅(qū)動(dòng)會(huì)完全代替前面兩種嗎？

汪躍：我是一個(gè)融合派，我不覺得要把現(xiàn)有的某些東西替代掉。

我們現(xiàn)在做基于大模型驅(qū)動(dòng)的智能體，會(huì)驅(qū)動(dòng)一個(gè)黑盒加白盒，把一些人類的經(jīng)驗(yàn)、試錯(cuò)的經(jīng)驗(yàn)沉淀下來，然后把這些宏觀的東西流轉(zhuǎn)到一些微觀的模型里，形成一個(gè)最準(zhǔn)確的預(yù)判。

虎嗅：融合這件事，能不能給我們一個(gè)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(shù)據(jù)很有可能是部分觀測的，或者數(shù)據(jù)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(diǎn)方程，物理還需要邊界條件、還需要物理參數(shù)，有的時(shí)候你數(shù)據(jù)里根本就沒有。數(shù)據(jù)有可能不準(zhǔn)，物理缺一項(xiàng)參數(shù)也沒法用。例如傳統(tǒng)的天氣預(yù)報(bào)，要么是純物理的，把各種條件假設(shè)好再計(jì)算；要么是純數(shù)據(jù)驅(qū)動(dòng)的，最近幾年做得比較多。而數(shù)據(jù)加物理的結(jié)合做得很少，核心原因就是數(shù)據(jù)可能不準(zhǔn)、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(huì)有非常好的效果，典型的例子就是清華大學(xué)團(tuán)隊(duì) 2023 年發(fā)表在 Nature 正刊上的極端氣象預(yù)報(bào)的工作，結(jié)合了物理和數(shù)據(jù)的信息，效果特別好。

第二，經(jīng)驗(yàn)跟前兩者的整合。經(jīng)驗(yàn)太模糊、太粗糙、太宏觀，但我們要做數(shù)據(jù)和物理都是非常細(xì)節(jié)、微觀和嚴(yán)謹(jǐn)?shù)氖拢麄兏静辉谝粋€(gè)尺度上，之前也沒法做。

虎嗅：在黑灰盒的問題上，有物理的、經(jīng)驗(yàn)的、數(shù)據(jù)驅(qū)動(dòng)的數(shù)據(jù)，在實(shí)際落地過程當(dāng)中，你會(huì)感覺到哪一塊在起主導(dǎo)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(shù)據(jù)驅(qū)動(dòng)，好處是它最貼近真實(shí)裝置，沒有太多 sim-to-real gap，但問題是它可能會(huì)有泛化的問題，數(shù)據(jù)量不夠，數(shù)據(jù)分布也不均勻。

另一條是物理驅(qū)動(dòng)，可以理解成無窮多的數(shù)據(jù)，但它跟真實(shí)裝置的配對可能沒有那么嚴(yán)格，有 sim-to-real gap。

我們期待通過這兩個(gè)結(jié)合，做到速度快，效果好的預(yù)測和控制。在模擬器層面先做好，再往下落到真實(shí)裝置層面，可能少量的真實(shí)數(shù)據(jù)就能解決這個(gè)問題了。

這也是我們切入進(jìn)來的一個(gè)邏輯，有一些非常精心的設(shè)計(jì)讓不同的信息來源處理不同的問題，可能效果會(huì)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(gè)比較零容錯(cuò)的極端物理環(huán)境，安全怎么去托底？試錯(cuò)成本也挺高的。

汪躍：我對這件事情的理解本質(zhì)還是一個(gè)性能的問題。當(dāng)一個(gè)工具 90% 靠譜的時(shí)候，大家會(huì)質(zhì)疑他的可解釋性質(zhì)疑他的幻覺，但是當(dāng)一個(gè)工具 99.999% 靠譜的時(shí)候，在很多場景的應(yīng)用就已經(jīng)變成非常自然的事情了。哪怕是人類專家也沒有 100% 的準(zhǔn)確率，核心還是性能是否夠好。

從技術(shù)層面，我們會(huì)做的一件事是給出不確定性估計(jì)，給出預(yù)測之后同時(shí)告訴你這個(gè)預(yù)測的可靠性有多高，讓大家也讓 AI 自己有個(gè)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(fù)驗(yàn)證。多次驗(yàn)證都能成功，慢慢信任就有了。

" 只有上機(jī)，飛輪才能轉(zhuǎn)起來 "

虎嗅：你怎么思考技術(shù)的生命周期？有的時(shí)候你可能現(xiàn)在往這條技術(shù)路線上布局，好不容易過了幾年做出來了，可能技術(shù)已經(jīng)變了，這個(gè)時(shí)候再改造就很難。錯(cuò)過了一個(gè)技術(shù)路線，可能就錯(cuò)過了一個(gè)時(shí)代。

汪躍：在 AI for fusion 這里，我有幾個(gè)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(jīng)驗(yàn) " 或者 "AI 干掉物理 "，我覺得是不對的。數(shù)據(jù)、物理、經(jīng)驗(yàn)本身差異性比較大，誰能把經(jīng)驗(yàn)、數(shù)據(jù)和物理融合的更好，誰就有優(yōu)勢。就這點(diǎn)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(jīng)發(fā)展到了一個(gè)很有潛力的階段，對于工業(yè)場景來說，它的能力某種意義上已經(jīng)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(jié)合到我們的場景里，實(shí)現(xiàn)落地。

比如我們正在做智能體系統(tǒng)，對內(nèi)加速研發(fā)，我們自己內(nèi)部也需要被顛覆，不能一直靠人寫代碼、反復(fù)調(diào)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(fā)展還沒有放緩，還在加速擴(kuò)張能力，所以我們還有很多機(jī)會(huì)把這些前沿技術(shù)拿過來改造使用。

第三，我們會(huì)關(guān)心快速的應(yīng)用、泛化、遷移——要快速。因?yàn)槲覀冏罱K是要服務(wù)聚變電廠，但目前它還在研發(fā)階段，研發(fā)意味著它會(huì)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(xiàn)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(jīng)被我們賦能上了一個(gè)臺階，我們還跟不上，這也不對。

虎嗅：你們內(nèi)部的 benchmark 是怎么去定的，以驗(yàn)證能力進(jìn)步了多少？

汪躍：根上是要上機(jī)做實(shí)驗(yàn)。

內(nèi)部會(huì)有數(shù)據(jù)驅(qū)動(dòng)的一個(gè) benchmark，也會(huì)有一個(gè)物理模擬器驅(qū)動(dòng)的 benchmark。我們會(huì)先在數(shù)據(jù)驅(qū)動(dòng)和物理驅(qū)動(dòng)問題上去驗(yàn)證一下模型的預(yù)測能力、控制能力，我們覺得不錯(cuò)了，就會(huì)上去做實(shí)驗(yàn)，發(fā)現(xiàn)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(jìn)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(gè)護(hù)城河，因?yàn)閯e人做這個(gè)事也要自己建 benchmark，我們已經(jīng)有了，而且在不斷迭代。

虎嗅：護(hù)城河和壁壘這件事情我們現(xiàn)在是怎么建的？

汪躍：我始終覺得技術(shù)這個(gè)事情可以形成護(hù)城河或者壁壘，但是技術(shù)本身可能流動(dòng)性比較強(qiáng)，因?yàn)槿藛T是流動(dòng)的，知識也是流動(dòng)的。

所以我現(xiàn)在覺得幾個(gè)護(hù)城河和壁壘：

一個(gè)是先發(fā)優(yōu)勢，這很重要。因?yàn)榫圩児臼呛苤氐馁Y產(chǎn)，如果跟我們合作，建立了互信關(guān)系，我們也能滿足他們的需求，幫他們做得很好，他們其實(shí)很難再有動(dòng)力去合作另外一家做類似業(yè)務(wù)的公司。

第二，團(tuán)隊(duì)本身還是挺有壁壘的，團(tuán)隊(duì)里面有在工業(yè)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(guān)村學(xué)院，國家三所 AI 學(xué)院之一，跟 31 所 985 共建，研發(fā)力量很強(qiáng)，有這么一個(gè)單位在后面做支撐，是一個(gè)很難復(fù)制的人才培養(yǎng)基地。

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

汪躍：因?yàn)槿绻娴挠辛藷o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(gè)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(zhàn)，從你的角度來看會(huì)是什么？

汪躍：核心還是工業(yè)落地的問題。工業(yè)場景有太多可能突發(fā)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(shí)驗(yàn)，甚至要把上下游各種流程都打通，在這個(gè)長流程工業(yè)場景里各個(gè)流程都能做，這個(gè)挑戰(zhàn)還是蠻多的。