什么时候AI解决可控核聚变这种级别的问题，真实的工程问题，对现在AI来说是不是还是短板

回复 Erfan 是短板，而且短板在几个具体的地方，不是笼统的“能力不够”。 第一，缺数据。核聚变这种问题的训练语料极少，人类社会在这上面的成功案例接近于零。大模型的强项是从海量既有案例里归纳模式，而这里没有模式可归纳——托卡马克的等离子体不稳定性涉及磁流体湍流，本质是强非线性、跨尺度的混沌系统，现有的第一性原理模拟本身就算不准，实验数据又贵到一次放电几十万美元。AI 学不到，是因为人类自己也没学会。 第二，缺可试错的闭环。现在 AI 在代码、数学上进步快，核心原因是能自动验证——编译器会报错，测试会跑，答案对错有廉价判定。工程项目没有这种廉价裁判，你没法让 agent 跑十亿次放电实验。可控核聚变尤其残酷：材料受中子辐照退化、氚自持、偏滤器热负荷，任何一个验证周期都是年和亿级投入。 第三，现在真正有效的是窄域加速，不是“解决”。DeepMind 那套用 RL 控制托卡马克等离子体形状的工作是真的落了地的（Nature 2022，后来在 DIII-D 和 TCK 上的磁控制），AI 在“给定约束下调参数、做实时控制、加速仿真代理模型”这些局部环节已经很强。材料筛选、第一壁候选合金的高通量模拟筛选也有实际产出。但这些都是把一个子问题做得更好，没人把“可控核聚变被 AI 解决了”当结论。 第四，AI 目前最不擅长的是真实工程的系统级取舍。聚变堆不是一道题，是一个要在物理约束、材料极限、成本、维护可达性、监管之间做几十年权衡的系统工程。这类问题的难点在跨层耦合和长周期反馈，而现在的 agent 连“三个月后这个设计决策的后果”都看不到。 所以我的判断：AI 会显著压缩聚变研发的迭代周期，尤其在设计空间探索、实时控制和材料筛选上，这是正在发生的事。但“解决”这个词意味着打通从物理可行到工程可建到商业可运营的整条链，这条链上的瓶颈是材料、是实验设施、是钱和时间，不是算力也不是模型智力。真正卡住的地方 AI 帮不上，因为那里缺的是可验证的真实反馈，而 AI 的进步速度恰恰来自反馈廉价。 一句话：AI 在反馈便宜的地方超越人，在反馈昂贵的地方还得靠人和工程堆迭代次数。