20毫秒，能做多少事？
够一个人眨一次眼。够一束光走6000公里。也够普林斯顿等离子体物理实验室（PPPL）最新的人工智能框架PACMAN完成一次完整的聚变等离子体预测与控制循环——读取实时测量数据、检测异常信号、调用多个AI模型分析当前状态和未来趋势、生成控制指令、发送给托卡马克的各个执行器。
这个数字之所以重要，是因为它第一次让AI控制系统的反应速度跨越了那道让聚变研究者困扰多年的阈值——比不稳定的等离子体更快。在此之前，人类一直在和一场根本赢不了的时间赛跑。
一个无法跨越的时差
核聚变的原理听起来并不复杂：像太阳那样，把氢的同位素加热到上亿度，让原子核碰撞并融合，释放出巨大能量。问题在于，在地球上建造一个太阳，意味着要把温度超过1.5亿摄氏度的等离子体关在一个磁场构成的笼子里。这个笼子叫托卡马克。而等离子体，恰恰是所有已知物质形态里最难被关住的。
当等离子体内部的微小扰动开始增长，它们可以在一到几毫秒内发展成大规模不稳定性——被称为撕裂模的等离子体撕裂能瞬间破坏磁场约束，让反应中止，甚至损坏装置。这就引出了聚变研究中最尴尬的一个时差：不稳定性以毫秒发展，而最专注的人类操作员的反应时间是以秒计算的。
“一个非常专注的操作员响应时间大概在秒级。”PACMAN共同第一作者、普林斯顿大学机械与航空航天工程系研究生Andy Rothstein说。“整个PACMAN框架通常只需20毫秒，而且它不是只跑一次——它一遍又一遍地跑。它能看到等离子体中正在发生的微小变化，并以人类永远无法做到的方式进行调整。”
两者之间差了整整两个数量级。
传统上解决这种反应不过来问题的方案是物理模型控制：基于等离子体物理的偏微分方程组来设计控制器。但精确模拟等离子体行为的计算程序——即使是在最先进的超级计算机上——需要数天甚至数月才能完成一次。这种方法天然不适合实时控制。
“物理模型对于准备明年的下一次实验很有用，但对于实时控制，我们需要能在当下做出决策的模型。”论文共同第一作者、普林斯顿等离子体物理项目研究生Hiro Farre Kaga说。“机器学习模型能很好地描述等离子体行为，更重要的是，它们是我们目前拥有的、能在毫秒级时间尺度上模拟等离子体的唯一方法。”
PACMAN：一条AI控制的装配线
PACMAN的全称是Prediction And Control using MAchiNe learning——一套用模块化思路设计的AI控制软件框架。它的架构像一条精心设计的装配线，包含四个串联的阶段。
第一步，收集托卡马克系统中所有实时测量数据——温度、密度、磁场信号。第二步，检查这些数值的异常和错误，打包成一个统一数据包。第三步，多个AI模型各自读取自己需要的测量数据，独立预测等离子体的当前状态和即将发生的变化。第四步，控制器根据预测计算出具体执行指令，比如调高某个加热束的功率。
在装配线的末端还有一个关键的安全关卡：当不同控制器的指令之间发生冲突，仲裁器进行裁决，强制执行硬件安全限制，然后才把最终指令发送给托卡马克。
这种模块化设计使研究人员可以像搭积木一样添加新模型，而不必改动系统的其他部分。每个模型和控制器独立工作，新模型装上去之后原有部分无需任何调整。
“我们开发这个框架就是为了让模型能相互通信，让它们的输出可以共享，这样我们就可以在一个集成系统中做有趣的物理。”Rothstein说。
令团队自己都感到惊讶的，是框架带来的迭代速度。搭建PACMAN并安装第一个模型花了几个月，但到了装第二个模型时，只花了两天。
“DIII-D首先是一台研究机器，有时候事情并不像预期的那样发展。”Rothstein说。“如果你能在一周内装上一个新模型，就可以在下周重新训练它再换上去。这种迭代速度在过去根本不可能。”
五个实验，五次从灭火到预防
PACMAN不是在计算机仿真中验证的——它在位于圣地亚哥的美国DIII-D国家聚变设施的真实托卡马克上完成了五项独立实验。每一个实验都针对一个已被识别但长期未能妥善解决的等离子体控制难题。
第一个实验是等离子体加热控制。PACMAN使用强化学习模型同时操控DIII-D的全部六个回旋管——这些系统通过强微波束加热等离子体。过去没有算法能找到六个回旋管镜面角度和输出功率的最优组合，而PACMAN做到了。
“当一次放电结束，我们查看数据时发现，它确实在按照我们希望的方式运作——同时移动全部六个回旋管以达到目标。”Farre Kaga说。
第二个实验预测等离子体边缘的能量爆发——边缘局域模（ELM），这是国际热核聚变实验堆（ITER）设计中面临的重大挑战之一。PACMAN能够提前识别这些爆发的信号并及时发出调整指令。
第三个实验检测并控制由快粒子引起的等离子体波动。高能中性束注入和聚变反应自身都会产生高能粒子，它们驱动的复杂物理过程一直是传统控制器的盲区。
第四个实验同时调控等离子体的密度和旋转速度——两个高度耦合的参数，传统方法很难独立控制。
第五个实验也是最引人注目的：预测撕裂模不稳定性。PACMAN中的机器学习模型在撕裂模预计发生的约200毫秒前发出预警，使控制系统能够提前改变等离子体条件来避免撕裂的发生——而不是在撕裂发生之后才尝试压制。
“传统控制器只能在撕裂开始后检测到它，然后试图压制——这往往伴随着巨大的性能损失。”Farre Kaga说。“在我们展示的一个实验中，机器学习模型提前约200毫秒预测了撕裂模，所以可以在第一时间改变等离子体条件来避免它。”
从事后灭火到事先预防，这是质的飞跃。
AI进聚变：从定制方案到通用框架
PACMAN不是AI第一次进入聚变领域，但它可能是目前体系最完整、最接近工业级部署的一次尝试。
同一研究团队（由Egemen Kolemen领导）此前已在Nature上发表过用深度强化学习避免撕裂模不稳定性的成果。但那些尝试基本都是定制开发——为一个特定问题训练一个特定模型，缺乏统一框架。PACMAN的模块化理念解决了这个碎片化问题，让不同功能的AI模型共存于同一个控制系统中，彼此共享数据、协同工作。
PPPL在2026年初启动了名为STELLAR-AI的新计算平台项目，旨在将高保真AI模拟、实时控制和先进诊断相结合，建立专门面向聚变能源任务的AI驱动研究环境。英国原子能管理局（UKAEA）的SUNRISE超级计算机也与STELLAR-AI建立了跨大西洋联邦连接，共享来自MAST Upgrade和NSTX-U两个实验设施的数据来训练AI模型。
PPPL主任Steven Cowley对此的评价是：“我们的任务是为聚变能源的未来铺路——AI是这个使命的核心。”
这些进展指向一个更大的趋势：AI不再是聚变研究中的锦上添花，它正在成为解决聚变核心难题的必需品。而推动这一趋势的，还有来自产业端的巨大拉力。
2025年8月，Commonwealth Fusion Systems完成了8.63亿美元的Series B2轮融资，英伟达和谷歌双双入局。2026年6月，Helion Energy完成4.65亿美元的G轮融资，估值飙升至155亿美元。英伟达等AI算力巨头同时在两端押注——既是未来聚变电站的潜在技术提供者，也是聚变电力的未来消费者。AI和聚变之间的共生关系，正在从科学假设变成商业现实。
还差什么？
尽管PACMAN让人兴奋，但必须厘清一个界限：这是一个控制系统的突破，不等于聚变发电就在眼前。
PACMAN在DIII-D上完成验证——但DIII-D是研究型托卡马克，其尺寸和等离子体条件与未来的商用聚变堆有本质差异。在一个装置上200毫秒的提前预测，迁移到另一个更大更热的装置中是否同样有效，是另一道工程难题。
另一个现实问题是可靠性。AI模型的天性是“概率正确”——99.9%的准确率已经极高，但对于聚变反应堆控制来说还不够。未来的商用聚变堆的控制系统可能以分层嵌套的方式运行：AI作为最内层的核心控制器，外层包裹基于物理模型的校对层，最外层则是完全不依赖电子元件的核安全系统。PACMAN的设计已经在朝这个方向靠近——它的仲裁层强制执行硬件安全限制，不管AI模型建议什么。
PACMAN的作者们很清楚这个框架的边界。PACMAN并不把人从控制回路中移除——物理学家在每次实验后审查数据并调整下一轮的控制器参数。“无论控制器多智能，最终是人为下一轮实验设定参数。”Farre Kaga强调。
但PACMAN的模块化设计确实为未来铺了一条扎实的路。研究者相信，这套框架可以适配不同设计和尺寸的托卡马克——包括那些还没设计出来的装置。
聚变能源的终极承诺——几乎无限的清洁电力——始终吸引着人类投入不计成本的热情。过去七十年的经验告诉我们，每一次里程碑都需要用“还差几十年”来冷却。PACMAN不会让聚变在明天点亮一盏灯。
但它可能真的解决了那个困住几代人、比聚变本身更基础的问题：当人类来不及按下按钮的时候，谁来按？
答案已经清晰了。AI在20毫秒内就做完了。
快报