图文｜韦恩

编辑｜韦恩

网络｜图片

以下内容基于原始访谈提炼，本文约3700字，完整阅读需要6分钟。如需观看原视频请跳转至文末。

一、高温超导磁体：如何将装置缩小40到50倍

长期以来，托卡马克装置的性能提升受限于常规超导体的磁场上限——大约12特斯拉。超过这个值，现有的超导材料就难以维持。

因此，像ITER这样的项目只能不断增大装置尺寸来换取更高的三重积（温度×密度×约束时间），结果就是真空室大到可以塞进一头大象，造价动辄数百亿美元。

CFS的出发点完全不同。Brandon Sorbom在访谈中反复强调一个基本物理关系：聚变功率密度与磁场强度的四次方成正比。

也就是说，磁场翻倍，功率密度变成16倍。利用高温超导（HTS）材料将磁场提高到20特斯拉以上，可以在维持同等性能的前提下，将装置体积缩小40到50倍。这正是SPARC和后续ARC设计的底层逻辑。

但高温超导并不是一个新发现。REBCO（稀土钡铜氧化物）材料早在1986年就被发现，并当年获得诺贝尔奖。然而，从毫米级的单晶到可以绕制成磁体的千米级带材，工程界花了将近30年。

Brandon回忆说，直到2010年左右，人们才开始制造出米级长度的带材。CFS的判断是：如果带材长度能从1米做到10米、100米、1000米，那么用它来造磁体就可行了。

在SPARC中，环向场（TF）磁体共有18个，每个磁体由16个被称为“pancake”的子模块构成，总计288个pancake。

第一个pancake花了近一个月才制造出来，而经过五六代工装迭代后，峰值产能已经达到每天1个pancake。

至于很多人担心的稀土资源问题，Brandon算了一笔账：整个ARC电厂所有超导带材中的稀土总用量大约只有100公斤。这在地球储量面前根本不构成瓶颈。

二、AI等离子体控制：从“大锤”到毫秒级快控

等离子体是一个包含10的20次方量级带电粒子的复杂系统，极易发生破裂。一旦等离子体偏离约束区域，接触到真空室壁面或者有空气进入，反应会瞬间熄灭。

传统的控制方式主要依赖高磁场本身，Brandon称之为“大锤”（big hammer），用强磁场粗暴地把等离子体压住。但这是一种静态、粗颗粒的控制，对于等离子体内部的微观不稳定性，响应速度远远不够。

为此，CFS与DeepMind合作开发了一套名为Torax的强化学习控制系统。其核心思路是：不要求AI完全理解等离子体物理的每一个细节，而是让它在不断观测中学习“当我看到某种信号时，调整某个磁场的旋钮会产生什么效果”。

这套系统可以在毫秒级时间内做出反馈，在破裂发生前主动调整局部磁场的形状，把等离子体“推”回安全区域。

最终，这些控制模型可以被蒸馏到轻量级的计算硬件上，不需要每台装置都配一台超级计算机。

值得一提的是，DeepMind的合作不仅限于托卡马克，还包括仿星器的控制方案，这为CFS未来的技术路线保留了更多可能性。

三、数字孪生与Nvidia：将模拟提速10到100倍

等离子体模拟是聚变研发中的另一个瓶颈。第一性原理的高保真模拟（比如用GENE或XGC代码）需要大规模超级计算机，单个工况往往要跑数天甚至数周。

如果需要在广阔的参数空间里搜索最优设计，时间成本是无法接受的。

CFS与Nvidia合作，引入了一种被称为“代理模型”（surrogate model）的AI技术。基本流程是：先用超算运行一批高保真模拟，然后用这些数据训练一个AI模型，让它学习输入（如磁场配置、燃料密度、加热功率）与输出（如等离子体温度、约束时间）之间的映射关系。

一旦训练完成，代理模型可以在毫秒到秒级给出预测，将参数搜索的效率提升一到两个数量级（即10到100倍）。

与此同时，CFS还与西门子合作，建立了从设计、制造到装配、运行的全链条数字孪生。

SPARC在2027年运行后产生的真实数据，会不断反馈回这个模型，用于直接指导ARC的设计优化。

Brandon把这个体系形容为“一个数字实验室”，在真正动手做实验之前，可以先在数字空间里模拟成千上万种工况，挑出最有可能成功的几个方案再去验证。

四、工程管理：1万个零件的交付与6毫米的公差

Brandon在访谈中多次提到，现在真正让他“夜不能寐”的早已不是物理问题，而是项目管理。

SPARC包含了大约1万个独特零件，而且几乎都是高性能非标件。这些零件来自全球各地的供应商，很多供应商原本是做航空、火箭、油气钻井的，对聚变一无所知。

CFS的供应链团队目前约100人（公司总人数约1200人），其中不少人拥有技术博士学位。他们的工作不是“下采购单”，而是长期驻厂，帮助供应商解决制造中的技术难题，加速交付。

最极端的工程挑战是什么？Brandon说，所有零件最终需要在巨大的结构上以6毫米的间隙合拢。

这种精度要求，在航空发动机或火箭上很常见，但对于一个直径数米的聚变装置来说，做到这一点极其困难。

在制造端，CFS已经经历了五六代工装迭代。工厂里大量使用机器人和AI视觉检测系统：图像识别模型自动扫描非破坏检测图像，标记出微观缺陷，然后由机器人完成修复。

Brandon说，第一个pancake花了近一个月，而高峰时每天能产出一个。这种从“手工作坊”到“流水线”的转变，是聚变从科学走向工程的最生动注脚。

五、安全性：聚变“默认关闭”，监管更像粒子加速器

很多人一听到“核”字就联想到裂变堆的链式反应和切尔诺贝利事故。但聚变的物理本质完全不同。

Brandon用一个形象的对比来解释：裂变是“默认开启”——一旦有足够多的易裂变材料聚集在一起，链式反应就会自动发生，你需要用控制棒去“压制”它。

而聚变是“默认关闭”，你必须用强磁场、超高真空、极高的温度同时满足，才能维持反应，只要任何一项条件不满足，等离子体会在毫秒内熄灭。

具体来说，聚变等离子体的密度只有空气的百万分之一，即使温度高达上亿度，一旦接触到真空室壁面，会被瞬间冷却并熄灭。

或者，如果误开一个阀门放进一点空气，等离子体也会立刻终止。这种特性使得聚变具有本质的被动安全。

正因为如此，CFS在美国的监管归属是粒子加速器而非传统核电站，合规成本大幅降低。

Brandon还举了一个巧妙的类比：MRI最早叫做“核磁共振”（NMR），但为了让公众愿意接受检查，医疗界把“核”字去掉了，改为“磁共振成像”。

CFS也在主动弱化“核”字，避免与裂变产生不必要的联想。

六、燃料逻辑：一个电厂只用100个特斯拉电池的锂量

聚变的燃料是氘和氚。氘可以从海水中提取，几乎无限；但氚在地球上几乎不存在天然储量，需要在反应堆内通过中子与锂反应“增殖”出来。

因此，商业聚变电站必须自带氚自持能力，否则无法长期运行。

CFS的ARC方案中，围绕等离子体设置了一层液态锂盐包层。这个包层有三个功能：

• 吸收中子的能量并加热工质发电；

• 锂捕获中子后增殖出氚；

• 将氚实时提取并循环回燃料系统。

Brandon算了一笔账：一座ARC电厂在整个寿命期内消耗的锂，大约只相当于100个特斯拉电动汽车电池的锂含量。也就是说，燃料成本在商业模型中几乎可以忽略不计。

七、能源终局：AI与聚变的双向闭环

到2030年，全球AI数据中心的电力需求将翻倍。Brandon明确表示，CFS已经与Google签署了直接购电协议，Google将购买ARC首座电站400兆瓦容量中的200兆瓦，同时增持CFS股份。

这是一个极具象征意义的商业闭环：AI算力正在消耗巨量能源，而这些数据中心恰好需要零碳、可调度的基载电力，聚变是最理想的解决方案。

但更精彩的是另一面：AI本身也在帮助CFS建造聚变电站。强化学习控制等离子体、代理模型加速模拟、图像识别检测微观缺陷……

Brandon原话是：“我们正在利用AI工具建造装置，而它最终可能会为数据中心供电。”

这就是“AI建造能源，能源反哺AI”的正向循环。

结语

CFS的时间表很清晰：SPARC在2027年实现首次等离子体运行，验证Q>1的工程可行性；随后启动ARC商业电站建设，目标2030年代初并网发电。

聚变的突破已经从单纯的物理发现，转向了磁体工程、AI控制、先进制造与供应链管理的系统集成。希望这篇梳理能为国内从业者提供一些参考。

视频：

CFS联合创始人Brandon Sorbom在《Neuron AI Podcast》的完整访谈（2026年3月）。视频时长约1小时。