检测到您的浏览器版本过低，可能导致某些功能无法正常使用，建议升级您的浏览器，或使用推荐浏览器 Google Chrome 、Edge、Firefox 。 X
2026年4月28—29日，ITER组织召开“公共－私营聚变研讨会”，会上四位不同背景的专家ITER的Simon McIntosh、NTT Data Italy的Antonio Policicchio、英伟达（NVIDIA）的Tom Gibbs以及Gaia Lab的Thomas Kopinski共同描绘了一幅图景：核聚变不仅是人工智能（AI）的应用场景，更是推动AI技术发展演进的重要动力。
一、聚变AI的数据特性与挑战
现代人工智能系统的发展，依赖于互联网中丰富的数字资源，包括文本、图像、代码和视频等。然而，聚变能源领域面临着与之截然不同的状况。
Gibbs在讨论中指出，“大语言模型和智能体的数据很便宜，但训练成本极高，而物理AI（Physical AI，即从真实物理系统而非数字内容中学习的应用）恰恰相反，数据极其昂贵，但训练成本并不高。”
这种区分具有重要意义。在托卡马克装置上进行一次等离子体放电实验，其数据获取的难度和成本，远高于收集十亿条网页数据。聚变实验中，实验成本高昂，机器使用时间有限，每次放电可能只探索极窄的运行窗口。有价值的数据必须从体量有限、但含金量极高的数据集中仔细提取。
McIntosh指出，聚变组织还面临另一重挑战：数十年的历史数据被储存在从未为现代AI工作流设计的格式中。“说到底，我们必须做‘数据考古’，才能利用前人产出的成果。”他以运行超过40年的JET（欧洲联合环）为例，大量有价值的实验记录、软件工具和工程背景仍然存在，但并非总能以便于检索、比对或复用的形式存在。通过AI Agent，团队已开始追踪文件、识别模式，从过去和现役的托卡马克装置中重建那些本可能永远尘封的历史运行知识。
数据恢复只是任务之一。数据格式标准化和数据本身的可信度验证同样棘手。McIntosh透露，聚变界花了近20年开发通用数据格式，让为一个装置构建的软件能在其他装置上测试和复用。这套框架被称为IMAS（集成建模与分析框架），由ITER主导开发，确保线圈电流、诊断信号等关键信息能在不同设施间以一致方式存储。
但即便数据井然有序，“找到它”仍是挑战。McIntosh介绍了一个与ITER内部文档系统连接的AI助手，它能帮助工作人员在数秒内检索工程记录、技术文档和项目资料——这在以往需要漫长的手动搜索。
二、聚变“世界模型”的构建与应用
McIntosh描述的理念中，最具野心的是为ITER运行做准备而训练的聚变“世界模型”。McIntosh表示，“我们有一个GPU集群，计划用它来训练一个聚变世界模型”。
从本质上讲，这样的模型将从现有托卡马克装置收集的数据中学习，构建出装置行为的一个简化但有用的表征。它可以让团队在实际运行前模拟放电脉冲、测试流程、预判故障，并在ITER启动完整实验前提升准备度。
McIntosh将其类比为人类通过直觉建立的认知模型，即在实际接触之前，就能对事物的状态有一定的预判。对ITER而言，目标类似：在装置真实情况出现之前预测其下一时刻发生的状态。
这样的世界模型能将过去和现有托卡马克装置数十年的知识积累，以可迁移的方式输送到ITER，使ITER运行第一天的数据，立即可用于改进第二天的预测。“这种持续校准和再训练的循环，将确保我们数据驱动型机器学习模型的能力，能够与ITER不断拓展的前沿知识齐头并进，”McIntosh说。ITER已于今年3月安装了八块全新的GPU，以支撑这些AI需求。
三、AI替代模型的加速效应与发展方向
Gibbs在研讨会上介绍了另一条加速路径：用传统等离子体模拟数据训练的AI替代模型（Surrogate Models）。传统高保真模拟代码单次运行可能消耗数百乃至上千GPU小时，而替代模型一旦训练完成，可在毫秒级时间内输出近似结果，Gibbs估计提速可达10³至10⁶倍。
这一速度为数字孪生（Digital Twin）打开了可能性：持续接收传感器数据更新的虚拟聚变装置副本，帮助操作人员理解实时演变的等离子体状态。据Gibbs，多个实验装置已拥有数字孪生实例。但若AI模型将成为实时聚变控制的核心，仅有更快的模型可能还不够——底层硬件和连接实时数据与模型的软件或许也需要同步进化。
当GPU仍是当今AI江湖的主角时，Kopinski提出了不同的观点：聚变将需要替代性的计算架构。等离子体系统高度动态、非线性，某些控制问题的响应速度需求远超常规方法所能舒适交付的范围。
“他们在讨论毫秒级时，我们讨论的已是微秒级，”Kopinski说。他介绍Gaia Lab正基于Q.ANT的光子硬件开发聚变世界模型，用光速计算来预测和控制等离子体行为，“比实时更快”。Q.ANT原型已部署，光子芯片商用的世界模型有望在2030年前成为现实。
四、AI在聚变施工与维护中的即时应用
尽管远期愿景激动人心，专家们反复强调，AI的最大价值可能来得比预想的早。ITER目前正处于组装与调试阶段，施工支持是近在眼前的优先事项。
Policicchio展示了更具体的应用：基于激光雷达（LiDAR）的进度追踪，以及设备的预测性维护。“我相信这将成为减少大型工程进度延误的关键使能技术之一。”
五、核聚变对AI技术的挑战与推动
ITER的目的始终是实验科学。它计划检验的运行模式、脉冲持续时间和综合性能水平，在这一规模上前所未有。那些结果必须在现实中测量，而非仅从软件推断。AI无法替代一场从未有人尝试过的实验，但它能缩短通向这一发现的路径。
ITER并不只是采用现成的人工智能工具。它正在直面工业AI领域最难的问题：如何从稀缺数据中学习，如何统一碎片化的档案，如何预测复杂物理系统，以及如何在失误代价高昂的场景下实时行动。这使得核聚变成为人工智能技术极具挑战性的应用场景之一，同时，核聚变研究也在推动着人工智能技术的进一步发展。
参考文献：
[1] ITER. How fusion is teaching AI new tricks at ITER [EB/OL].[2026-06-08]. https://www.iter.org/node/20687/how-fusion-teaching-ai-new-tricks-iter.
[2] 可控核聚变. ITER遇上AI：核聚变如何成为人工智能进化的“最硬”试验场[EB/OL].[2026-06-08]. https://mp.weixin.qq.com/s/LQwa5KgGK1kcsPa-zqaHQw.
