Hassabis官宣用AI点燃「人造太阳」！无限能源时代加速到来

【导读】Google DeepMind宣布与全球聚变能源领军企业CFS展开合作，共同利用AI加速「人造太阳」SPARC装置的研发。这标志着AI正式进入核聚变科研核心阶段，推动人类迈向清洁、可持续的未来能源时代。

刚刚，Google DeepMind官宣与全球商业聚变能源公司巨头CFS合作，共同利用AI加速核聚变能源的开发。

诺奖得主、Google DeepMind联合创始人兼CEO Demis Hassabis在X平台激动表示，与CFS的合作将加速核聚变发展，推动人类迈向可持续的未来，拥有无限清洁能源。

Google DeepMind的AI与CFS的尖端硬件相结合，将带来核聚变研发领域的加速发展。

CFS正在研发其旗舰项目SPARC装置，这是一个旨在产生净能量的核聚变机器

强强联手

跨越聚变的「能量收支平衡点」

聚变反应（Fusion）是太阳的能量来源，它能够提供清洁、充足的能源，而不会产生长期存在的放射性废料。

CFS是全球聚变能源领域的领军企业，正通过其强大的托卡马克（Tokamak）装置SPARC（聚变实验装置），利用高温超导磁体（High-Temperature Superconducting Magnets）实现受控核聚变。

这一过程也被称为「人造太阳」，因为它模仿了太阳内部的能量产生机制。

CFS的目标是成为历史上首个实现净聚变能量输出（net fusion energy）的磁约束聚变装置——即聚变产生的能量超过维持聚变所需的能量。

这标志着向可行聚变能源迈出里程碑式的一步。

挑战在于为了优化托卡马克装置的性能，需要模拟热量、电流和物质在等离子体核心中的流动，以及它们与周围系统的相互作用，同时还要控制在聚变装置的安全范围内。

这是一道既要又要还要的极其复杂的物理难题，这时就需要借助TORAX的力量了。

TORAX是由Google DeepMind开发并开源的等离子体模拟器，通过强化学习技术，它可以帮助CFS运行数百万次虚拟实验，以测试其托卡马克装置SPARC的各类方案。

双方还将共同研究把AI智能体训练成专业「驾驶员」，探索实时控制等离子体的新方法，使其在安全运行范围内承受极端高温并实现能量产出最大化。

此次与CFS的合作，正是建立在Google DeepMind此前利用AI成功控制等离子体的突破性研究基础之上。

Google DeepMind与瑞士洛桑联邦理工学院（EPFL）旗下的瑞士等离子体中心（Swiss Plasma Center）曾有过一项合作，证明了深度强化学习可以控制托卡马克磁体，以稳定复杂的等离子体形态。

为了将这项研究成果推向更广泛的物理情景，Google DeepMind开发了TORAX，这是一个使用JAX编写的等离子体模拟器。

TORAX正是这次帮助CFS攻克「能量收支平衡点」的AI利器，目前双方主要在三个关键方向展开合作：

• 构建快速、精准、可微分的聚变等离子体模拟系统；

• 寻找最大化聚变能量输出的高效且稳健路径；

• 运用强化学习探索创新的实时控制策略。

TORAX能够在CPU与GPU上灵活运行，并可无缝集成AI驱动的模型（包括Google DeepMind的自研模型），以实现更高性能。

TORAX目前已成为CFS日常研究的重要工具，能够帮助CFS团队在SPARC启动之前就能通过数百万次虚拟实验测试并优化运行方案，帮助他们深入理解等离子体在不同条件下的行为，从而节省宝贵的时间和资源。

CFS物理运行高级经理Devon Battaglia表示，TORAX帮助他们在搭建与运行SPARC模拟环境时节省了许多工时。

通过强化学习

识别输出最高能量的最快路径

托卡马克的运行涉及多种参数调节，如磁线圈电流、燃料注入、加热功率等。

传统方式需要手动寻找在安全范围内实现最大能量输出的最佳组合，既复杂又低效。

通过将TORAX与强化学习或AlphaEvolve等优化方法结合，AI Agent可以在模拟环境中探索海量潜在的运行场景，快速识别出最高效、最稳健的能量生成方案。

由此，CFS团队得以聚焦于最具潜力的策略，从项目初期就提高成功率，即使在SPARC尚未全面运行前也可以做到这一点。

目前，Google DeepMind已经搭建起用于研究不同SPARC场景的基础设施，可以在不同约束条件下最大化聚变功率，或在了解装置特性后进一步优化稳健性。

左图为SPARC的横截面，显示洋红色等离子体；中图为TORAX模拟的等离子体压力变化；右图展示了不同控制参数对等离子体性能的影响，产生不同的脉冲形态。

上图展示了一个标准SPARC等离子体脉冲在TORAX中的模拟，该系统可以评估大量不同的脉冲实验，找到预期性能最优的设置。

Google DeepMind通过不断扩展的聚变科研合作网络，能够基于历史托卡马克数据和高保真模拟验证与校准TORAX，从而增强模拟的可信度，并在SPARC启动后快速调整控制策略。

在早期研究中，Google DeepMind已经证明强化学习可以控制托卡马克的磁场配置。

现在他们正在研究如何进一步提升复杂性，增加多目标优化——例如在最大化聚变功率的同时，管理SPARC的热负载，使其在更高性能下安全运行。

当SPARC以满功率运行时，巨大的热量会集中在很小的区域，必须精确管理以保护靠近等离子体的固体材料。

一种可行策略是通过磁场将废热沿壁面周期性「扫动」，如下所示。

左图：SPARC内部的等离子体接触材料位置；右图：三维动画展示能量沉积率随等离子体配置变化而改变的过程，非真实脉冲数据。

Google DeepMind表示，在合作的初始阶段，双方正在探索强化学习智能体如何学习动态调控等离子体，以高效分配热负载。

未来，AI有望学会比工程师手动设计更复杂的自适应控制策略，特别是在需要平衡多重约束与目标的情况下。

此外，还可以利用强化学习为特定脉冲快速调优传统控制算法。通过将脉冲优化与最优控制相结合，SPARC有望更快实现其历史性目标。

除了科研上合作之外，Google还投资了CFS，以支持CFS在科学研究与工程应用上的突破，并推动聚变能源技术的商业化落地。

这场由Google DeepMind与CFS携手展开的合作，不仅象征着人工智能首次深度介入人类最复杂的能源工程之一，也预示着科研范式的根本转变。

当深度学习的计算能力与聚变科学相遇，科研与创新的速度将再次被重新定义。

参考资料：

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

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