新智元報道

編輯：元宇

Google DeepMind宣布與全球聚變能源領軍企業CFS展開合作，共同利用AI加速「人造太陽」SPARC裝置的研發。這標志著AI正式進入核聚變科研核心階段，推動人類邁向清潔、可持續的未來能源時代。

剛剛，Google DeepMind官宣與全球商業聚變能源公司巨頭CFS合作，共同利用AI加速核聚變能源的開發。

諾獎得主、Google DeepMind聯合創始人兼CEO Demis Hassabis在X平臺激動表示，與CFS的合作將加速核聚變發展，推動人類邁向可持續的未來，擁有無限清潔能源。

Google DeepMind的AI與CFS的尖端硬件相結合，將帶來核聚變研發領域的加速發展。

CFS正在研發其旗艦項目SPARC裝置，這是一個旨在產生凈能量的核聚變機器

強強聯手

跨越聚變的「能量收支平衡點」

聚變反應（Fusion）是太陽的能量來源，它能夠提供清潔、充足的能源，而不會產生長期存在的放射性廢料。

CFS是全球聚變能源領域的領軍企業，正通過其強大的托卡馬克（Tokamak）裝置SPARC（聚變實驗裝置），利用高溫超導磁體（High-Temperature Superconducting Magnets）實現受控核聚變。

這一過程也被稱為「人造太陽」，因為它模仿了太陽內部的能量產生機制。

CFS的目標是成為歷史上首個實現凈聚變能量輸出（net fusion energy）的磁約束聚變裝置——即聚變產生的能量超過維持聚變所需的能量。

這標志著向可行聚變能源邁出里程碑式的一步。

挑戰在于為了優化托卡馬克裝置的性能，需要模擬熱量、電流和物質在等離子體核心中的流動，以及它們與周圍系統的相互作用，同時還要控制在聚變裝置的安全范圍內。

這是一道既要又要還要的極其復雜的物理難題，這時就需要借助TORAX的力量了。

TORAX是由Google DeepMind開發并開源的等離子體模擬器，通過強化學習技術，它可以幫助CFS運行數百萬次虛擬實驗，以測試其托卡馬克裝置SPARC的各類方案。

雙方還將共同研究把AI智能體訓練成專業「駕駛員」，探索實時控制等離子體的新方法，使其在安全運行范圍內承受極端高溫并實現能量產出最大化。

此次與CFS的合作，正是建立在Google DeepMind此前利用AI成功控制等離子體的突破性研究基礎之上。

Google DeepMind與瑞士洛桑聯邦理工學院（EPFL）旗下的瑞士等離子體中心（Swiss Plasma Center）曾有過一項合作，證明了深度強化學習可以控制托卡馬克磁體，以穩定復雜的等離子體形態。

為了將這項研究成果推向更廣泛的物理情景，Google DeepMind開發了TORAX，這是一個使用JAX編寫的等離子體模擬器。

TORAX正是這次幫助CFS攻克「能量收支平衡點」的AI利器，目前雙方主要在三個關鍵方向展開合作：

構建快速、精準、可微分的聚變等離子體模擬系統；

尋找最大化聚變能量輸出的高效且穩健路徑；

運用強化學習探索創新的實時控制策略。

TORAX能夠在CPU與GPU上靈活運行，并可無縫集成AI驅動的模型（包括Google DeepMind的自研模型），以實現更高性能。

TORAX目前已成為CFS日常研究的重要工具，能夠幫助CFS團隊在SPARC啟動之前就能通過數百萬次虛擬實驗測試并優化運行方案，幫助他們深入理解等離子體在不同條件下的行為，從而節省寶貴的時間和資源。

CFS物理運行高級經理Devon Battaglia表示，TORAX幫助他們在搭建與運行SPARC模擬環境時節省了許多工時。

通過強化學習

識別輸出最高能量的最快路徑

托卡馬克的運行涉及多種參數調節，如磁線圈電流、燃料注入、加熱功率等。

傳統方式需要手動尋找在安全范圍內實現最大能量輸出的最佳組合，既復雜又低效。

通過將TORAX與強化學習或AlphaEvolve等優化方法結合，AI Agent可以在模擬環境中探索海量潛在的運行場景，快速識別出最高效、最穩健的能量生成方案。

由此，CFS團隊得以聚焦于最具潛力的策略，從項目初期就提高成功率，即使在SPARC尚未全面運行前也可以做到這一點。

目前，Google DeepMind已經搭建起用于研究不同SPARC場景的基礎設施，可以在不同約束條件下最大化聚變功率，或在了解裝置特性后進一步優化穩健性。

左圖為SPARC的橫截面，顯示洋紅色等離子體；中圖為TORAX模擬的等離子體壓力變化；右圖展示了不同控制參數對等離子體性能的影響，產生不同的脈沖形態。

上圖展示了一個標準SPARC等離子體脈沖在TORAX中的模擬，該系統可以評估大量不同的脈沖實驗，找到預期性能最優的設置。

Google DeepMind通過不斷擴展的聚變科研合作網絡，能夠基于歷史托卡馬克數據和高保真模擬驗證與校準TORAX，從而增強模擬的可信度，并在SPARC啟動后快速調整控制策略。

在早期研究中，Google DeepMind已經證明強化學習可以控制托卡馬克的磁場配置。

現在他們正在研究如何進一步提升復雜性，增加多目標優化——例如在最大化聚變功率的同時，管理SPARC的熱負載，使其在更高性能下安全運行。

當SPARC以滿功率運行時，巨大的熱量會集中在很小的區域，必須精確管理以保護靠近等離子體的固體材料。

一種可行策略是通過磁場將廢熱沿壁面周期性「掃動」，如下所示。

左圖：SPARC內部的等離子體接觸材料位置；右圖：三維動畫展示能量沉積率隨等離子體配置變化而改變的過程，非真實脈沖數據。

Google DeepMind表示，在合作的初始階段，雙方正在探索強化學習智能體如何學習動態調控等離子體，以高效分配熱負載。

未來，AI有望學會比工程師手動設計更復雜的自適應控制策略，特別是在需要平衡多重約束與目標的情況下。

此外，還可以利用強化學習為特定脈沖快速調優傳統控制算法。通過將脈沖優化與最優控制相結合，SPARC有望更快實現其歷史性目標。

除了科研上合作之外，Google還投資了CFS，以支持CFS在科學研究與工程應用上的突破，并推動聚變能源技術的商業化落地。

這場由Google DeepMind與CFS攜手展開的合作，不僅象征著人工智能首次深度介入人類最復雜的能源工程之一，也預示著科研范式的根本轉變。

當深度學習的計算能力與聚變科學相遇，科研與創新的速度將再次被重新定義。

參考資料：

https://deepmind.google/discover/blog/bringing-ai-to-the-next-generation-of-fusion-energy/

https://x.com/GoogleDeepMind/status/1978808994811588666