Google Deepmind 宣布与 CFS 合作开发核聚变
2025 年 10 月 16 日，Google DeepMind 和 Commonwealth Fusion Systems (CFS) 共同宣布建立研究合作伙伴关系，将 AI 全面引入下一代聚变能源的设计和运行中。Commonwealth Fusion Systems (CFS) 是从麻省理工学院（MIT）剥离出来的商业聚变公司，正在建造名为 SPARC 的紧凑型托卡马克装置，目标直指在 2027 年实现净能量增益（Q>1），即产生的聚变能量超过维持反应所消耗的能量。这将是人类历史上首次在磁约束聚变装置中实现这一里程碑式的成就。
当 CFS 的硬件雄心与 DeepMind 的软件智慧相遇，一场旨在彻底改写聚变能源时间表的革命悄然拉开序幕。他们的合作并非简单的技术叠加，而是一次深刻的范式转移：将 AI，特别是强化学习和可微分模拟，深度融入聚变研究的 DNA，从设计、模拟到实时控制，构建一个“AI-First”的聚变研发与运行新范式。本文将深入剖析这一划时代合作的技术内核，详解其三大支柱——TORAX 模拟器、AI 驱动的实验设计与 AI 实时控制系统，并展望这场硅基大脑与恒星之火的联姻将如何照亮人类通往清洁能源的未来之路。
1. 基石：开放、高速的 TORAX 模拟器
任何复杂的工程系统都离不开精确的模拟。对于聚变而言，模拟等离子体的行为是理解、预测和优化托卡马克性能的基石。然而，传统的聚变模拟软件面临着严峻的挑战。它们往往是数十年间由不同团队用不同编程语言（如 Fortran, C++）开发的“软件补丁”，彼此之间接口复杂、耦合困难。这种“软件考古学”式的开发生态，严重拖慢了研究迭代的速度。更关键的是，这些模拟器大多是“黑箱”或“灰箱”，缺乏可微分性（Differentiability），这意味着无法高效地利用现代 AI 优化算法（如基于梯度的优化）来反向传播误差、自动调整参数或探索最优控制策略。
正是在这样的背景下，Google DeepMind 于 2024 年推出了 TORAX——一款为 AI 时代量身定制的开源托卡马克核心输运模拟器。TORAX 的诞生，标志着聚变模拟领域的一次范式跃迁。
1.1 TORAX 的核心技术：JAX 与可微分物理
TORAX 最革命性的创新在于其技术栈的选择。它完全使用 Python 编写，并深度集成了 Google 开发的 JAX 框架。JAX 是一个用于高性能数值计算的库，它结合了 NumPy 的简洁性、对 GPU/TPU 的原生支持以及最核心的特性——自动微分（Automatic Differentiation） 。
在传统模拟中，如果你想回答“如果我稍微改变一下加热功率，等离子体的温度分布会如何变化？”这个问题，你可能需要手动推导复杂的偏微分方程，或者进行两次独立的模拟来估算差值，效率极低且精度有限。而在 TORAX 中，得益于 JAX 的自动微分能力，这个问题的答案可以瞬间通过计算梯度得到。这种可微分性为 AI 模型，特别是基于梯度的优化器和强化学习智能体，打开了一扇大门。AI 不再需要在完全未知的环境中盲目试错，而是可以利用模拟器提供的精确梯度信息，高效、稳定地导航到最优解。
正如 CFS 高级物理运营经理 Devon Battaglia 所言：“TORAX 是一款专业的开源等离子体模拟器，为我们节省了无数小时来设置和运行 SPARC 的模拟环境。” 这种效率的提升是指数级的。TORAX 能够将复杂的等离子体物理计算提炼成“闪电般快速的计算”，使得研究人员可以在 SPARC 甚至启动之前，就运行数百万次虚拟实验，测试和优化各种运行方案。
1.2 TORAX 的功能定位：从模拟到优化的桥梁
TORAX 并非旨在取代那些用于高保真度、第一性原理研究的大型代码（如 GYRO, JETTO）。它的定位非常明确：成为一个快速、准确、可微分的“工作托卡马克”模拟器，服务于优化和控制任务。其主要功能包括：
- 快速前向建模（Fast Forward Modelling） ：快速预测给定控制输入（如线圈电流、加热功率、燃料注入率）下的等离子体演化。
- 脉冲设计（Pulse Design） ：帮助工程师设计整个放电过程的时间序列，确保等离子体平稳地从启动、爬升到高功率运行，再安全地终止。
- 轨迹优化（Trajectory Optimization） ：在满足各种物理和工程约束（如热负荷、电流密度限制）的前提下，寻找能最大化聚变功率输出的最优等离子体演化路径。
- 控制器设计（Controller Design） ：为实时控制系统提供一个可靠的、可微分的仿真环境，用于训练和验证控制算法。
通过将这些功能集成在一个统一、现代的框架内，TORAX 成功地将过去割裂的软件项目和 AI 模型无缝连接起来，极大地加速了从物理洞察到工程实现的转化过程。
1.3 开源生态与社区共建
TORAX 从诞生之初就采取了开源策略。这一决策与 CFS 和 DeepMind 共同秉持的“开放创新”理念高度一致。通过开放源代码，他们不仅邀请全球聚变研究社区共同验证、改进和扩展 TORAX，还催生了如 Gym-TORAX 这样的衍生项目。Gym-TORAX 将 TORAX 模拟器包装成 OpenAI Gym 标准的强化学习环境，使得任何熟悉 RL 的研究者都能轻松上手，为聚变控制问题开发新的 AI 算法。这种开放生态的建立，有望汇聚全球智慧，共同加速聚变能源的研发进程。
2. 导航：AI 驱动的实验设计，寻找“最优路径”
如果说 TORAX 是飞机的数字孪生，那么 AI 驱动的实验设计就可以在飞行前找到最优的航路规划。SPARC 拥有众多“控制旋钮”：超导磁体的电流、射频波加热系统、中性束注入器、燃料加料系统等等。如何协调这些旋钮，在保证机器安全（不超出材料热负荷、电流密度等极限）的前提下，最大化聚变能量的产出，是一个维度极高、约束极多的优化难题。手动调参无异于大海捞针。
上图显示了SPARC 装置的截面。左侧：显示了等离子体的形状和位置，颜色为紫红色（fuchsia），代表高能粒子在磁场中形成的环状结构。中间：展示了使用 TORAX 模拟的一次等离子体脉冲，图中反映了等离子体压力随时间或空间的变化。右侧：说明通过调整控制命令（如磁场强度、加热功率等），可以改变等离子体的行为，从而产生不同的脉冲模式。
DeepMind 带来的解决方案，是将其在 AlphaGo 和 AlphaEvolve 等项目中锤炼出的强大 AI 搜索能力，应用于 SPARC 的运行参数优化。
2.1 从 AlphaGo 到 SPARC：强化学习的跨界应用
AlphaGo 之所以能击败人类顶尖围棋手，核心在于其结合了深度神经网络和蒙特卡洛树搜索（MCTS），能够在围棋这个巨大的状态空间中，高效地评估局面并规划出最优的落子策略。聚变运行参数优化在本质上与之类似：等离子体的状态（温度、密度、电流剖面等）构成了一个高维状态空间，而每一次对控制旋钮的调整就是一次“落子”，目标是引导系统走向一个高聚变增益的“胜利”状态。
DeepMind 团队采用的正是强化学习框架。他们将 SPARC 的运行过程建模为一个马尔可夫决策过程：
- 状态（State） ：由 TORAX 模拟器提供的等离子体实时状态。
- 动作（Action） ：对各种控制旋钮的调整指令。
- 奖励（Reward） ：一个精心设计的函数，旨在奖励高聚变功率、良好的等离子体稳定性，同时严厉惩罚接近或超出机器安全极限的行为。
AI 智能体（Agent）在 TORAX 构建的虚拟世界中进行无数次的“试飞”，通过不断尝试不同的动作序列，并根据获得的奖励信号来学习和改进其策略。最终，它能够发现人类专家可能从未设想过的、高效且鲁棒的运行模式。
2.2 AlphaEvolve：进化出更优的算法
除了强化学习，DeepMind 还引入了其另一项前沿技术——AlphaEvolve。AlphaEvolve 是一个能够自动创建和测试新算法的 AI 系统，它曾成功用于优化 Google 数据中心的冷却效率和加速计算机芯片的设计。在聚变领域，AlphaEvolve 可以被用来进化出更高效的优化算法本身。例如，它可以自动设计出更适合聚变脉冲优化问题的进化策略或贝叶斯优化的变体，从而更快地在 TORAX 模拟中找到全局最优解。
这种“AI 设计 AI”的元学习能力，为解决聚变中的复杂优化问题提供了前所未有的灵活性和潜力。
2.3 优化的价值：从“摸着石头过河”到“精准制导”
通过 AI 驱动的参数优化，CFS 团队可以在 SPARC 正式启动前，就拥有一套经过数百万次虚拟实验验证的、高概率成功的运行方案。这极大地降低了实验风险，提高了首次实验的成功率，并能帮助团队从第一天起就聚焦于最有希望的研究方向。这种从“摸着石头过河”到“精准制导”的转变，是 AI 为聚变研究带来的最直接、最显著的价值之一。
3. 驾驶：AI 实时控制系统 2.0
如果说运行规划是绘制航线，那么实时控制系统就是驾驶飞机。在 SPARC 以全功率运行时，等离子体的行为瞬息万变，任何微小的扰动都可能导致其失稳，甚至引发破坏性的“破裂”（Disruption）。传统的控制系统依赖于预设的反馈回路和 PID 控制器，它们在处理已知、线性的动态时表现良好，但在面对等离子体这种高度非线性、多变量耦合的复杂系统时，往往显得力不从心。
DeepMind 的目标是开发一个 AI 飞行员（AI Pilot），它能够实时感知等离子体状态，并动态调整控制旋钮，以应对各种突发状况，实现前所未有的控制精度和鲁棒性。
3.1 从 TCV 到 SPARC：强化学习控制的进阶之路
DeepMind 在 AI 实时控制领域的探索并非始于 CFS。早在 2022 年，他们就与瑞士洛桑联邦理工学院（EPFL）的瑞士等离子体中心合作，在 Tokamak à Configuration Variable (TCV) 装置上取得了突破性成果。他们首次证明， 深度强化学习（Deep RL）可以直接学习如何控制托卡马克的磁线圈，以稳定和塑造复杂的等离子体位形，其性能甚至超越了传统控制器。
与 CFS 的合作，是将这一成功经验应用到下一代、更强大、物理条件更极端的 SPARC 装置上，并将控制目标从单纯的“形状稳定”提升到“多目标协同优化”。
3.2 核心挑战：热负荷管理
SPARC 面临的一个关键实时控制挑战是热负荷管理。聚变反应产生的巨大能量，最终会以高能粒子和辐射的形式从等离子体边缘排出，集中轰击装置内壁一个名为“偏滤器”（Divertor）的小区域。如果不加以控制，这种集中的热流会迅速熔化或侵蚀偏滤器材料，导致装置停机。
一种有效的策略是“磁扫掠”（Magnetic Sweeping）：通过动态调整磁场位形，让热流在偏滤器表面快速移动，从而将热量分散到更大的面积上，避免局部过热。然而，如何精确、快速地执行这种扫掠，同时还要兼顾维持高聚变性能，是一个极其复杂的多目标优化问题。
AI 实时控制系统正是为解决此类问题而生。通过在 TORAX 或更高保真度的模拟器中进行训练，RL 智能体可以学会如何动态地调整磁场，以最优的方式分配热负荷。更重要的是，AI 可以学习到比人类工程师手工设计的规则更复杂、更自适应的策略，尤其是在需要同时平衡多个相互冲突的目标（如最大化功率 vs. 最小化热负荷）时。
上图是SPARC 装置中的能量沉积可视化。左图：展示的是 SPARC 装置内部结构中“等离子体接触材料”（plasma-facing materials）的位置。这些材料位于装置内壁，是直接暴露在高温等离子体附近的固体部件，必须承受极高的热负荷。右图：是一个三维动画，模拟了随着等离子体形态变化，能量如何被沉积到这些接触材料上。
3.3 构建 AI 飞行员：脉冲优化与实时控制的闭环
DeepMind 的愿景是将脉冲优化与最优实时控制结合起来，形成一个完整的闭环。预先规划好的最优脉冲为 AI 飞行员提供了高层面的目标和参考轨迹，而 AI 飞行员则负责在实际运行中，克服各种模型误差和外部扰动，精确地跟踪这条轨迹，并在必要时进行智能的、自适应的调整。这种“规划 + 执行”的协同模式，有望将 SPARC 的性能推向其物理和工程极限，更快、更可靠地实现其历史性的净能量增益目标。
4. 背景与展望：AI 赋能聚变的全球浪潮
DeepMind 与 CFS 的合作并非孤例，而是全球范围内“AI for Science”浪潮在聚变能源领域的集中体现。欧洲的 EUROfusion 联盟已经启动了 15 个新研究项目，旨在动员全欧洲的数据科学专家，将 AI 和机器学习应用于聚变研究。普林斯顿等离子体物理实验室（PPPL）等顶尖研究机构也在积极探索 AI 在破裂预测、等离子体诊断和控制等方面的应用。
AI 在聚变领域的应用主要集中在以下几个方向：
- 事件预测：利用 AI 模型（如决策树、神经网络）提前预警等离子体破裂等危险事件，为安全停机争取宝贵时间。
- 诊断与状态重建：从海量、嘈杂的传感器数据中，利用 AI 反演出等离子体内部的完整状态。
- 代理模型：训练轻量级的 AI 模型来近似复杂的物理模拟，用于实时控制或快速优化。
- 材料发现：借鉴 AlphaFold 的思路，利用 AI 加速寻找能够承受极端聚变环境的新材料。
DeepMind 与 CFS 的合作之所以引人注目，是因为它系统性地整合了上述多个方向，并将其深度嵌入到一个具体的、具有里程碑意义的工程项目（SPARC）中。这不仅是科学研究，更是工程实践。
4.1 时间线与商业前景
CFS 的路线图雄心勃勃而清晰：SPARC 装置正在马萨诸塞州德文斯的总部紧锣密鼓地组装，目标是在 2027 年实现净能量增益。紧随其后，CFS 计划在 2030 年代初建成全球首个商业聚变示范电厂——ARC。Google 不仅是这项技术的合作伙伴，更是其坚定的支持者和未来的客户——它已承诺从首座 ARC 电厂购买 200 兆瓦的电力。
AI 的深度介入，正是 CFS 能够自信地设定如此激进时间表的关键因素之一。AI 极大地压缩了“设计-模拟-实验-学习-再设计”的研发周期，降低了技术风险，提高了成功概率。
4.2 未来的融合：AI 作为聚变电厂的“操作系统”
展望未来，DeepMind 与 CFS 的合作愿景远不止于优化 SPARC。他们的终极目标是构建一个智能、自适应的系统，成为未来商业聚变电厂的“操作系统”。在这个系统中，AI 将不再是辅助工具，而是电厂运行的核心大脑，负责从日常的功率调节、预防性维护，到应对极端工况的全过程管理。它将不断从运行数据中学习，持续优化电厂的效率、安全性和经济性。
Google 不仅是 CFS 的合作伙伴，更是其主要投资者之一（参与了 B 轮融资）。更重要的是，Google 已经与 CFS 签署了一份电力购买协议（PPA）。Google 承诺，将从 CFS 计划在本世纪 2030 年代初建造的第一座商业聚变发电厂 ARC，购买 200 兆瓦（200MW）的电力。
Google 正在用今天的 AI，去“孵化”明天的能源；再用明天的能源，去“驱动”后天的 AI。