出品｜虎嗅科技组
作者｜陈伊凡、李一飞
编辑｜苗正卿
头图｜AI生成
“AI原生100”是虎嗅科技组推出针对AI原生创新栏目，这是本系列的第「51」篇文章。
可控核聚变被誉为“人造太阳”，它模拟了太阳内部的核聚变原理，旨在利用氢同位素在亿度高温下发生聚变，源源不断地释放清洁能源。
如今，有人开始为这个“人造太阳”装上“大脑”。
一直以来，聚变公司以一种垂直一体化的形态存在，从设计到装置，新烛时代是全球第一家AI for Fusion的公司，CTO汪跃给了一个比喻，聚变公司就像英特尔公司，关注与芯片硬件，而新烛时代就类似微软，为他们提供操作系统。
汪跃在演讲 图片由汪跃本人提供
过去几年，可控核聚变领域尽管不如大模型和具身智能在最亮的聚光灯下，但也吸引了不少热钱。今年年初，可控核聚变公司星环聚能完成10亿元的融资，国内民营聚变企业单笔融资纪录，资本加速了这个行业的发展。最简单的逻辑是，有了资本，就有了装置，有了更多真机数据，为AI积累了条件。
2025年9月，新烛时代成立，今年3月，新烛时代完成了6000万元天使轮融资，由中科创星、鼎峰科创联合领投，水木清华校友基金跟投。
在和汪跃的交流中，我们尝试回答这样一个关键问题：为什么在这个时候，尚未商业化的可控核聚变领域，为什么值得单独做一家AI for Fusion的商业化公司？
这与这个行业的技术发展和相关，可控核聚变是一个不寻常的行业，其每一代装置，都在探索前一代没有触碰过的物理边界，所以每一代都更大、更复杂、更昂贵。这带来了一个正在变得越来越紧迫的问题：试错的成本。
每一代装置中，都放着一个“人造太阳”， 这个“人造太阳”的组成部分叫做等离子体，把气体加热到几千万度乃至上亿度，电子就被“烤”飞了，从原子上脱离出来，自由乱窜。这团混沌的带电粒子云，就叫等离子体。它是一种特殊的流体，会流动、会震荡、会形成湍流，同时因为带电，还会和磁场发生互动。
可控核聚变要做的，就是把这团东西约束在一个真空腔里，让它发生聚变反应、释放能量。问题是，没有任何容器能承受上亿度的高温，所以唯一的办法是用强磁场把等离子体悬浮起来，不让它碰壁。这就像用气流让一个肥皂泡悬浮在空中，不能让它碰到任何东西，还得维持它的形状，但这个肥皂泡一直在颤抖、变形、想往边上跑。你得控制十几个线圈的电流电压，每隔1毫秒甚至0.1毫秒就要调整一次，才能把它摁在中间。这个速度相当于，一眨眼的功夫可能要控制1000次。
过去，这件事更多靠经验，但随着装置越来越贵、参数越来越多，靠人的经验很难达到想要的水平。为什么是AI来做？一个很简单的装置就有十几个线圈，有上百个传感器，人不仅要观测，还要在十几个线圈、每一毫秒做一次决策，非常高维、高频，人很难做到，但AI天然擅长解决这种高维、非线性、高频问题。
2025年10月，谷歌DeepMind与CFS宣布联合开发同类产品TORAX。2025年11月24日，美国白宫启动“创世纪使命”，将聚变列为国家战略优先领域，并计划构建AI驱动的科学安全平台，整合联邦数据与算力资源，通过构建基础模型、实现实验自动化和优化设计，加速聚变技术突破进程。2025年9月，由国家发展改革委和国家能源局联合发布《关于推进“人工智能+”能源高质量发展的实施意见》将“可控核聚变智能控制”列为“人工智能+核电”典型应用场景之一。
当这件事变得足够重要、并有一定的难度，分工自然形成。新烛时代，便是在这样的需求推高下诞生的公司。
过去，这件事情聚变公司尝试过，但物理出身的科学家，毕竟对AI的能力理解有限，AI for Fusion这件事并不是科学家用已有的AI工具就可以，还需要结合场景，将已有的AI工具进行改造，做专用的模型和智能体。纯粹模型公司也很难做，因为可控核聚变需要丰富的物理经验。
汪跃的办法是，做融合，做数据、经验和物理的三者融合。他形容为，黑盒、灰盒和白盒。但数据可能不准、物理模型只是一种实际情况的简化，两者本身就“八字不合”，经验又太粗糙和宏观，数据和物理需要精确，三者不在一个纬度。这也是为什么这件事需要新烛时代这样的AI和聚变融合的团队来做。
这件事即便放在全球都是“第一个吃螃蟹”的事。在新烛之前，几乎没有单独的商业化公司专门做这样的工程化落地。
作为一家成立不到一年的公司，新烛时代需要回答的问题还很多，最关键的是究竟是否能真正解决工程化的天花板。汪跃说，如果说传统方案现在大概能到70到80分，AI刚刚起步，目前可能只有20到30分，但数据驱动方法的理论上会有更高的上限，他判断像在许多其他领域一样，AI有能力把分数一直往上推，推到90分，推到传统方法无法企及的地方。当然，一切要上机实验验证，否则仍有风险。
虎嗅：为什么你认为AI for Fusion这件事情，现在值得单拎出来做一家商业化的公司？
汪跃：我觉得一个核心的切分点是：第一，这件事是不是足够重要；第二，这件事是不是有一定的难度。社会分工形成上下游产业链，还是会在一家公司内部来做，核心就是这两个点。如果足够重要，它需要投入足够的时间精力；如果足够难，大家术业有专攻，不得不做一些分工配合。
如果这件事拿到芯片公司，是什么情况？芯片行业里的上中下游产业链是在一家公司做，还是有明确的分工？
所以从这两点来说，AI for fusion至今，第一它是足够重要了。足够重要体现在——很多事情可能没有AI，就很难再往下推进一步了。比如说之前大家更多关注在聚变装置的建造，但随着参数的逐步提高，你把它造出来、在上面做实验，这个实验的周期和试错的成本在逐渐增加。聚变装置一代一代往上做，成本越来越高。可能第一代装置还以一个亿为单位来造，后面可能以十个亿为单位，再后来可能五十亿为单位来造，就必须把效率的问题、能力的问题也提上来。如果没有一个很好的AI工具来帮忙降本增效，那么实验的周期跟成本就会越来越受不住。
虎嗅：可控核聚变的装置为什么越来越贵？如果从商业逻辑上，难道不是一代比一代便宜才对？
汪跃：因为它不是产品。聚变的产品是电，不是装置，但现在大家还没推进到发电这一步。大家第一步先看能不能把聚变装置造出来，把等离子体约束住；第二步看能不能把约束时间足够长、温度达到一亿度，实现Q值大于1，但这还不够，因为中间有很多损耗，发电还要考虑成本，可能要把Q做到大于5，甚至大于30……有非常多的工程目标需要一步步完成。
每一代都在探索不一样的可能性，越往后难度就越高，所以越来越贵。
虎嗅：除了足够重要并且有难度，与AI自身的发展是否也有关系？
汪跃：第一，需求端已经足够重视这件事。
第二是供给端，这又分两点。一是数据供给，到2025年、2026年，已有相当多的公司积累了好几年的数据，这让AI for fusion的可行性大幅提高。二是AI算法能力，2022年及以后这几年，随着大模型的发展，AI技术突飞猛进，算法层面也已经准备得比较充分。
再加上2025年有很多聚变相关公司融到资，两三年后会迎来需求爆发。所以从需求端、数据端和算法端来看，这两年是做这件事的好时机。
虎嗅：我们是做一个核聚变领域的大脑吗？
汪跃：我们有个比喻，虽然不那么贴切——聚变公司可能像英特尔这样做硬件的，我们可能像微软一样做操作系统，驱动这些硬件。所以现在先把大脑某个功能做出来，然后把它抽象成操作系统，再把操作系统施加到更大的硬件上去。
长远的目标，就像星际穿越里的TARS那样，一个智能系统干了几乎所有的事情，人类只需要做一些关键决策，整个聚变电厂在那种状态下运行，我们长远目标是在那种场景下扮演某种意义上的智慧大脑或者操作系统。
虎嗅：你是AI出身，为什么选择了AI for Fusion的赛道而不是这些听起来更热门和性感的大模型领域？
汪跃：博士5年里有4年是在微软实习，在这个过程中我一直做两件事：一是强化学习，二是AI for流体，也就是大气、水流这类。
这两个东西跟聚变天然有交集。聚变背后其实是等离子体，等离子体是一种磁流体，其中最关键的控制恰恰是强化学习的一个核心应用场景，仿真建模正是流体仿真。这两块其实是一个天然的耦合，我做到聚变这里，好像也没有转行，核聚变的流体控制，跟我之前做的很多流体的事情是有共性的。
举个例子，我们做天气预报，首先是一个巨大的混沌流体系统，要做持续预测，有湍流，要做时序预测。等离子体也是混沌状态的系统，而且你没有办法探测里面的东西，因为里面温度很高，几百万度上亿度，探测器只能探测边缘的一些磁场等等，摸一摸旁边的地方，然后通过“诊断”或者“平衡重建”去看里边的状态是什么。
还有一点，我们关心天气预报的极端天气——出现次数很少，但又很剧烈。等离子体破裂这个事件不会经常发生，但一发生就很剧烈，所以做起来很相似。
差不多是去年四五月份，跟聚变公司有一些交流之后，发现这件事比想象中可行性高得多。因为有数据有模拟器，甚至有装置，可以在上面做真机实验，行业中也有需求，而且发现需求端供给端都比较成熟，还没什么人做，一片蓝海。
虎嗅：我能不能这样理解：磁约束聚变装置中，等离子体会像大气一样不稳定地缠绕、旋转，最核心的工作，就是防止等离子体突然爆发、破裂，所以需要通过控制来避免这类情况发生？
汪跃：是的，聚变的核心就是把等离子体在磁场中约束住，难点在于，没有任何容器能承载这么高温的物质（上亿度），任何容器都会被熔化，所以只能用磁场约束，这就是磁流体。但流体本身就很不稳定，所以我们需要不断改变线圈的电流、电压，调整磁场，把等离子体约束在中间。
虎嗅：聚变公司的需求到底有多痛和迫切？
汪跃：具体降本增效痛在两个维度：
首先是降本，一次实验就是一次试错，以前100次才能完成一件事，AI哪怕只需要50次，就算是成功——节省了时间成本、人力成本，也减少了装置的损耗。
增效在于很多复杂的东西，人工可能调半天也调不出来，因为决策空间太大。一个很简单的装置就有十几个线圈，有上百个传感器——观测人要去判断；其次人还要做决策，在十几个线圈、每一毫秒做一次决策，这是很难做到的，非常高维、高频。AI天然擅长解决这种高维、非线性、高频的问题。
公开的典型案例是DeepMind2022年发在Nature上那篇用强化学习做等离子体形状控制的论文，他们在模拟器上训练，然后在真实装置上做了实验。他们要把等离子体捏成雪花形这样比较复杂的形状，这是物理学家告诉他们“这个形状会比较稳定”，然后用这个作为目标去训练，成功了。如果靠人来做这个控制，可能要很久，而且传统方案可能很难控制的这么精密。
学术圈内测证明了质的飞跃的可能，但还没有完全到工业生产中最后一公里的落地，要有人俯下身来做这件事情。
虎嗅：AI for Fusion，聚变公司自己内部不能做吗？
汪跃：如果这件事情这样就能成功，我们这家公司是没必要存在的，因为AI的工具很开放，算法模型都开源。核心就是，任何AI想要落地，最后一公里都挺难的，需要有人懂产业问题，需要有人懂AI工具的内涵，需要有人把AI工具做适配做改造，甚至创新发明一些工具来适配这样的问题。
虎嗅：那为什么聚变公司没有去选择一家大模型公司来做？
汪跃：因为这件事本质上跟大模型不是一回事。
第一，大模型你问一个问题，他得到一个回答，可能用了好久，大家甚至觉得想得越久模型能力越强。但是托卡马克的控制频率是1K赫兹到10K赫兹，换句话说只有0.1毫秒到1毫秒，一眨眼的功夫可能要控制1000次。
第二，聚变的数据有磁场的、光谱的、高速相机拍的传感器、经过处理得到十几个线圈的电流电压的数据——这不是大模型擅长做的。大模型最擅长的是自然语言和自然图像。另外大模型需要大量数据训练，聚变不可能有足够大的数据，所以聚变要考虑的是数据不够，怎么办？不能等着数据够了再做。
第三，这个东西本质上是AI for fusion，背后有很多经验知识。自然界的事情太复杂，这里面有很多物理知识可以嵌入进去。在AI中嵌入物理经验和知识，这是我们要做的事情。
虎嗅：如果这件事是一个趋势，需求也到了这个时间点，在可控核聚变走得更快的美国，为什么没有出来这样一家公司？为什么新烛时代成为了第一家AI for Fusion的公司？
汪跃：第一，DeepMind本身就在做这个事，从2022年就发了一篇Nature正刊，今年又跟CFS官宣合作了，所以美国那边学术层面是在做的。第二，谷歌、英伟达、微软都各自在跟各自支持的聚变公司做深度合作——他们不是像国内大厂可能更多做外包，他们直接成立科研团队或工程团队，官宣合作直接开干，所以这可能是美国的模式。
我们预期未来一两年可能会有很多这样的公司出来。为什么至今没有——我们判断的一个很直接的原因是，2022年在民营资本和国家政策的共同推动下，可控核聚变开始火起来，大模型、AI浪潮爆发也差不多是2022年前后。这带来了两件事，第一是前几年可能聚变行业的数据积累还不够多，第二是可能前几年几乎所有做AI的人的注意力，大部分都集中在大模型、智能体这些领域。
虎嗅：可控核聚变每一次点火开机都会很贵，如果真实数据不够的话怎么办？靠仿真吗？
汪跃：这个事情比较难定义什么叫足够多，现在的现状是有相当一部分真实数据的。
我们现在要服务这些聚变公司，我们只需要有他们当前这个能力阶段相关的数据。这个数据有多少？如果是10K赫兹，就意味着0.1毫秒就会有一次观测加一次控制，一秒钟就会有1万次这样的观测和控制。所以一秒钟一条轨迹下来，就会有1万个数据点，如果有1万条轨迹的话，就会有1亿个数据点，所以数据也没有想象那么少。
从科研论文的角度来说，大部分科研论文也就是一两千条轨迹体量的数据就可以做了。从工程上稳妥一点，我们手上能掌握的数据，用物理实验做垂类模型，应该是足够的。
现在计算机里面做的初步测试，效果不错，所以下一步我们要抓紧时间完善，然后打通整个链路上机。
第二步，仿真数据可以理解成无穷多，但第一步要先把仿真工具掌握好，然后再来算。所以我们现在在做的就是怎么样做托卡马克的仿真，特别是物理仿真，然后之后做一个白加黑的混合系统，白盒是纯物理驱动的，就是传统数值仿真；黑盒是数据驱动的神经网络，速度快但效果上限不确定，双方都有一些问题，也都有一些好处，我们要把它融合起来做到又快又好。
虎嗅：刚刚说的经验、数据和物理，这三者在未来理想状况下的比例应该是什么样子？或者你觉得未来数据驱动会完全代替前面两种吗？
汪跃：我是一个融合派，我不觉得要把现有的某些东西替代掉。
我们现在做基于大模型驱动的智能体，会驱动一个黑盒加白盒，把一些人类的经验、试错的经验沉淀下来，然后把这些宏观的东西流转到一些微观的模型里，形成一个最准确的预判。
虎嗅：融合这件事，能不能给我们一个比较具象的、物理和AI在思维上或者逻辑方法上冲突的案例？
汪跃：首先数据很有可能是部分观测的，或者数据的分辨率不够，这样物理直接就趴窝了，没法用了。
反过来，物理也不是只有那点方程，物理还需要边界条件、还需要物理参数，有的时候你数据里根本就没有。数据有可能不准，物理缺一项参数也没法用。例如传统的天气预报，要么是纯物理的，把各种条件假设好再计算；要么是纯数据驱动的，最近几年做得比较多。而数据加物理的结合做得很少，核心原因就是数据可能不准、物理模型缺条件，两者本身就“八字不合”。
但是如果能做得好融合，就会有非常好的效果，典型的例子就是清华大学团队2023年发表在Nature正刊上的极端气象预报的工作，结合了物理和数据的信息，效果特别好。
第二，经验跟前两者的整合。经验太模糊、太粗糙、太宏观，但我们要做数据和物理都是非常细节、微观和严谨的事，他们根本不在一个尺度上，之前也没法做。
虎嗅：在黑灰盒的问题上，有物理的、经验的、数据驱动的数据，在实际落地过程当中，你会感觉到哪一块在起主导作用？
汪跃：各有各的作用，我们是多条腿在并行，然后合到一起。
一条是纯数据驱动，好处是它最贴近真实装置，没有太多sim-to-real gap，但问题是它可能会有泛化的问题，数据量不够，数据分布也不均匀。
另一条是物理驱动，可以理解成无穷多的数据，但它跟真实装置的配对可能没有那么严格，有sim-to-real gap。
我们期待通过这两个结合，做到速度快，效果好的预测和控制。在模拟器层面先做好，再往下落到真实装置层面，可能少量的真实数据就能解决这个问题了。
这也是我们切入进来的一个逻辑，有一些非常精心的设计让不同的信息来源处理不同的问题，可能效果会比较好。
虎嗅：AI有幻觉或者无法解释的东西，核聚变又是一个比较零容错的极端物理环境，安全怎么去托底？试错成本也挺高的。
汪跃：我对这件事情的理解本质还是一个性能的问题。当一个工具90%靠谱的时候，大家会质疑他的可解释性质疑他的幻觉，但是当一个工具99.999%靠谱的时候，在很多场景的应用就已经变成非常自然的事情了。哪怕是人类专家也没有100%的准确率，核心还是性能是否够好。
从技术层面，我们会做的一件事是给出不确定性估计，给出预测之后同时告诉你这个预测的可靠性有多高，让大家也让AI自己有个可靠性感知。
宏观上，信任的建立还是要靠性能的提升以及反复验证。多次验证都能成功，慢慢信任就有了。
虎嗅：你怎么思考技术的生命周期？有的时候你可能现在往这条技术路线上布局，好不容易过了几年做出来了，可能技术已经变了，这个时候再改造就很难。错过了一个技术路线，可能就错过了一个时代。
汪跃：在AI for fusion这里，我有几个大的判断。
第一，也是最重要的——要做融合。如果还抱着“AI干掉经验”或者“AI干掉物理”，我觉得是不对的。数据、物理、经验本身差异性比较大，谁能把经验、数据和物理融合的更好，谁就有优势。就这点菜，谁能把这锅菜炖得更好吃，谁本事就大。
第二，我们要拥抱智能体等最前沿的AI工具。最前沿的AI已经发展到了一个很有潜力的阶段，对于工业场景来说，它的能力某种意义上已经溢出，但又没有很好地落地，所以我们可以把这些溢出的能力结合到我们的场景里，实现落地。
比如我们正在做智能体系统，对内加速研发，我们自己内部也需要被颠覆，不能一直靠人写代码、反复调试，效率太低。对外，我们也希望智能体能成为和用户交互的接口。
我判断AI的发展还没有放缓，还在加速扩张能力，所以我们还有很多机会把这些前沿技术拿过来改造使用。
第三，我们会关心快速的应用、泛化、迁移——要快速。因为我们最终是要服务聚变电厂，但目前它还在研发阶段，研发意味着它会不断把装置能力提升，我们需要让我们的模型不断适配这些新的东西。他们现在做到60分，我们帮他快速涨到70分；等他涨到70分之后，我们要快速适配去帮他快速涨到80分。我们帮他抬得越高，我们自己的能力就长得越高，大家一起左脚踩右脚往上走。如果我们的模型很笨重，人家已经被我们赋能上了一个台阶，我们还跟不上，这也不对。
虎嗅：你们内部的benchmark是怎么去定的，以验证能力进步了多少？
汪跃：根上是要上机做实验。
内部会有数据驱动的一个benchmark，也会有一个物理模拟器驱动的benchmark。我们会先在数据驱动和物理驱动问题上去验证一下模型的预测能力、控制能力，我们觉得不错了，就会上去做实验，发现效果还很烂，说明benchmark本身还不太行，然后就回来改造算法和benchmark，这三方是一起进化的。
甚至这套benchmark本身，很有可能是我们在某种意义上的一个护城河，因为别人做这个事也要自己建benchmark，我们已经有了，而且在不断迭代。
虎嗅：护城河和壁垒这件事情我们现在是怎么建的？
汪跃：我始终觉得技术这个事情可以形成护城河或者壁垒，但是技术本身可能流动性比较强，因为人员是流动的，知识也是流动的。
所以我现在觉得几个护城河和壁垒：
一个是先发优势，这很重要。因为聚变公司是很重的资产，如果跟我们合作，建立了互信关系，我们也能满足他们的需求，帮他们做得很好，他们其实很难再有动力去合作另外一家做类似业务的公司。
第二，团队本身还是挺有壁垒的，团队里面有在工业界（例如微软等公司）真正做过AI for流体、AI for physics的同事。另外还依托中关村学院，国家三所AI学院之一，跟31所985共建，研发力量很强，有这么一个单位在后面做支撑，是一个很难复制的人才培养基地。
虎嗅：如果去畅想一下未来，人类可能拥有一个近乎无限的清洁能源，你最希望看到世界发生什么样的具体改变？
汪跃：因为如果真的有了无限的清洁能源，能想到的事就太多了。能源就像货币一样，是一个通货，你有了能源就有了一切——甚至可以合成食物，有了能源之后感觉什么都有了。
虎嗅：你觉得未来放在新烛面前最大的挑战，从你的角度来看会是什么？
汪跃：核心还是工业落地的问题。工业场景有太多可能突发情况，落地可能还是比较重要，意外情况比较多。真的要跨装置能泛化，要能在装置上减少无效实验，甚至要把上下游各种流程都打通，在这个长流程工业场景里各个流程都能做，这个挑战还是蛮多的。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4849472.html?f=wyxwapp