AI能控制核融合到什麼程度?六所超級電腦「雙星」與研究現況
AI為核融合能源研究帶來哪些改變?本文以六所超級電腦「雙星」、TCV形狀控制與DIII-D不穩定性迴避為線索,解釋物理計算與機器學習的差別、已驗證成果與尚待解決的問題。
閱讀日文原版
磁場約束的超高溫電漿,變化速度快到人類看完螢幕再操作已來不及。若將運轉交給AI,核融合能源是否就能迅速實現?
要回答這個問題,最好區分「計算物理」「從資料學習」與「操作實機」。沿著青森縣六所村超級電腦「雙星」及海外AI控制實驗,可以發現研究的精彩之處,不是全能人工智慧,而是連結這三件事的方法。
超級電腦與AI,不是同一件事
超級電腦是大量平行處理計算的設備。高效能運算(HPC)數值模擬,依據描述物理定律的方程式,計算溫度、密度與磁場等變化,用來研究「為什麼發生」以及「改變條件會如何」。
機器學習則是從資料或試驗結果學習預測、判斷規則的方法。例如強化學習會對接近目標的操作給予較高評價,透過嘗試學會操作策略。生成文字的AI與控制電漿的AI,用途並不相同。
兩者與其說競爭,不如說合作。物理模擬可作為AI練習場,學習後快速決定操作;反過來,也可用計算或實驗資料建立機器學習模型,近似耗費資源的處理。重要的是分別評估電腦速度、預測可靠度與控制成果。EPFL研究解說
本文Frontier照片是美國橡樹嶺國家實驗室的實際HPC設備,不是六所的「雙星」。Frontier官方介紹

六所的「雙星」計算什麼?
QST六所核融合能源研究所有一套由QST與NIFS共同運作的「電漿模擬器」。它於2025年7月1日開始運轉,同年12月獲得暱稱「雙星」,以兩顆星象徵兩家研究機構合作。運轉開始公告/命名公告
理論運算性能合計40.4千兆次浮點運算每秒,包含以CPU為主、結合CPU與GPU的APU,以及大容量記憶體三種不同系統。這是計算能力指標,不是AI正確率,也不是核融合發電輸出。現行系統規格
QST說明其用途包括ITER與JT-60SA實驗預測、運轉情境評估及原型爐設計等,是在裝置實驗前比較候選條件、再將實驗結果與計算比對的基礎。有GPU不代表所有計算都是AI,大規模物理模型計算同樣是重要用途。NIFS聯合公告
AI真的控制過電漿嗎?
答案是肯定的,但必須明確說明控制對象與條件。
EPFL與DeepMind於2022年刊登在《自然》的研究,在瑞士TCV實驗裝置驗證深度強化學習磁控制。先在模擬中學習操作策略,再轉移至實機,控制細長形狀及特殊配置等多種電漿形狀。同儕審查論文
有趣的是,AI並非從零發現核融合定律。包含物理研究累積的模擬器成為練習場,AI朝研究者設定的目標學習操作。不是「AI或物理」二選一,而是將既有知識用於學習。
開頭與本文照片分別展示TCV電漿與真空容器內部。能控制形狀很重要,但不表示研究已達成電廠自主運轉或向電網送電。

「能預測危險」與「能避免危險」不同
2024年刊登於《自然》的美國DIII-D研究,展示下一階段進展。對象是擾亂約束的撕裂不穩定性。研究以過去實驗資料建立預測模型作為學習環境,透過強化學習制定調整加熱束功率與電漿形狀的控制策略。PPPL研究解說
目標不是一有危險就持續降低功率,而是在保持高電漿性能的同時,避開導向不穩定的路徑。論文展示實機迴避成果,也明確定位為概念驗證,仍需更多實驗與調整。
而且論文也有未能避免的案例。即使預測危險並嘗試降低加熱,卻已達另外設定的功率下限,無法繼續調整。若預測不能配合設備可採取的操作範圍,仍無法解決問題。這也適用於工廠設備或機器人導入AI。論文實驗結果與限制
從六所控制千公里外的電漿
六所也推進不只將計算用於實驗後分析的研究。2025年12月NIFS、QST等聯合公告,報告透過學術資訊網路SINET6,連接岐阜縣土岐市大型螺旋裝置LHD與約1,000公里外電漿模擬器的遠端控制。
採用的方法是利用觀測更新模型的「資料同化」與預測計算。占用2萬個CPU核心,接收LHD量測值並回傳加熱、粒子供應指令。聯合公告表示,已驗證以溫度與密度為對象的多變量即時預測控制。QST聯合公告
不能將此案例與前述強化學習當作同一技術。數位分身是使用對應實物模型的機制,本身不是機器學習的同義詞。這裡的重點是讓觀測、計算、通訊與操作及時銜接,不是遠端超級電腦自主運轉整座商用電廠的實證。
AI越進步,驗證工作越重要
在某實驗裝置成功,不代表可直接在另一裝置運作,因為感測器、可用致動設備與電漿條件不同。DIII-D論文也指出,未來ITER與發電爐的量測和操作條件不同,需要相應控制策略。
此外,核融合設施控制不只有電漿操作。例如ITER設計將設備保護與安全系統,和一般運轉控制分開。本文照片是ITER臨時中央控制室紀錄,不是上述AI實驗現場。導入AI模型與建立全設施保護,是不同工作。ITER控制架構
以下是商業分析。AI企業需要回答的不只是「準確率很高」這類平均值,還包括在哪些條件驗證、遇到未知狀態如何反應,以及判斷延遲或量測缺失時改用什麼。量測與控制企業也能從時間同步資料、測試程序及既有設備介面找到切入點。
閱讀研究成果時,應確認三件事:預測或控制了什麼?在實機驗證到哪些條件?還沒有證明什麼?AI並未一次解決材料壽命、燃料循環與發電成本。但作為增加可測試候選方案、加快因應變化的技術,它已開始改變核融合能源研究的方法。

- NIFS:新超級電腦開始運作(2025年8月5日公告,7月1日啟用)
- QST:電漿模擬器命名為「雙星」(2025年12月17日)
- NIFS:電漿模擬器現行規格(2026年10月20日確認)
- NIFS:共同運作與用途(2025年12月17日)
- Degrave等,《自然》:深度強化學習控制TCV磁場(2022年2月16日)
- EPFL:與DeepMind的電漿控制研究(2022年2月16日)
- Seo等,《自然》:DIII-D撕裂不穩定性迴避(2024年2月21日)
- PPPL:AI預測與避免不穩定性(2024年2月21日)
- QST等:LHD與六所間遠端即時預測控制(2025年12月19日)
- ITER:控制系統架構(2026年10月20日確認)
- ORNL:Frontier官方介紹(2026年10月20日確認)
- ITER:臨時中央控制室運作(2023年2月20日)
資訊核實日期:2026-10-20
2026年10月20日比對2022與2024年同儕審查論文、2025年NIFS/QST官方公告及現行規格的解說。不是新發電成果新聞。區分高效能運算、機器學習與資料同化。