英国政府近期公布了《2026年核聚变战略》,其中包括投资1.25亿英镑在牛津郡卡勒姆开发人工智能增长区,并为全新的核聚变专用超级计算机"Sunrise"投入4500万英镑。
加速仿真和系统设计
Sunrise将主要用于加速仿真、替代模型开发和设计优化。人工智能能够简化复杂仿真或学习等离子体等复杂系统的行为模式,将原本需要数周或数月完成的仿真计算时间大幅缩短。
该超级计算机还将用于数据管理,使英国原子能管理局的核聚变研究和实验数据保持一致性、可访问性和电子可读性。此外,Sunrise可增强实验操作和实时诊断控制能力,人工智能可接受训练以识别异常并标记问题。
强大的计算性能架构
这台算力达6.76百万亿次浮点运算的Sunrise AI超级计算机由AMD、能源安全和零排放部、科学创新与技术部、戴尔科技、英特尔、英国原子能管理局、剑桥大学和数据平台提供商Weka共同合作开发。
英国原子能管理局计算项目主管罗布·阿克斯表示:"定义Sunrise这样的硬件设备有多强大是一个很大的挑战,因为这取决于你衡量成功的标准。"
Sunrise支持从8位到64位的全精度浮点运算,每种精度都针对问题的不同部分。阿克斯指出:"对我们来说重要的是,我们不能放弃64位精度,因为这将为我们使用Sunrise作为工程工具时应用的人工智能算法提供数据支持。"
人工智能使得将需要极高位精度的高保真模型压缩成"替代"模型成为可能。这些替代模型可以在工作站或笔记本电脑上运行,仅用大型超级计算机运行大型求解器所需时间的一小部分。
大语言模型在核聚变研究中的应用
8位精度计算因大语言模型的兴起而变得极其重要。英国原子能管理局计划在该领域开展工作,构建定制化大语言模型,处理几十年来收集的文本文档档案,将其转化为有用的信息和知识。
这些信息将与卡勒姆运行的大型球形托卡马克装置实验数据相结合。阿克斯表示,实现这一目标需要全精度范围的支持。
虽然8位精度是大语言模型的领域,需要尽可能快地处理Token以理解大量文本信息,但64位精度是高保真仿真的领域,需要实现高度准确性。由于模型按时间向前运行的方式,不能让它们出现偏差,必须保持某些物理量以确保仿真的意义。
数字孪生技术解决复杂耦合问题
阿克斯认为,浮点精度虽然被视为与其他AI机器比较的指标,但不一定是测量AI科学机器整体性能的最佳指标。真正需要的是"仿真高保真、强耦合模型的能力"。
这是由于模拟太阳发电方式的机器极其复杂。在核聚变发电厂中,有许多不同的物理机制将设备耦合在一起,从重力引起的结构力到电磁力,再到整个系统的热流和辐射流,一切都耦合在一起。
历史上,英国原子能管理局无法大规模仿真这种环境。阿克斯担心的是由于这种耦合而产生的黑天鹅事件或涌现行为。
运行在Sunrise上的数字孪生技术将能够建模这些极其复杂的系统,然后与实验结果进行比较。这使研究人员能够调整向前推进时间或超越以往经验的能力,甚至创造从未见过的新机械装置,在将已知未知数纳入仿真的情况下充满信心地实现巨大飞跃。
基于测试的设计既昂贵又缓慢。目标是使用Sunrise减少英国原子能管理局必须进行的基于测试的设计工作量。这将使他们能够更经济高效地承担登月级别的问题,降低风险并加速实现商业化核聚变的时间。
Q&A
Q1:Sunrise超级计算机的主要功能是什么?
A:Sunrise是英国投资4500万英镑建设的核聚变专用超级计算机,主要用于加速核聚变仿真计算、数据管理和实时诊断控制。它能将原本需要数周或数月的仿真时间大幅缩短,并通过AI技术识别实验中的异常情况。
Q2:为什么Sunrise需要支持从8位到64位的全精度计算?
A:不同精度针对不同问题。8位精度主要用于大语言模型处理文本档案,而64位精度用于高保真仿真以确保准确性。由于核聚变模型需要保持物理量不偏差,64位精度对AI算法的工程应用至关重要。
Q3:数字孪生技术如何帮助核聚变研究?
A:数字孪生技术能够建模核聚变发电厂中重力、电磁、热流等复杂耦合系统,与实验结果对比分析。这可以减少昂贵缓慢的实体测试,让研究人员更经济高效地解决技术难题,加速商业化核聚变的实现。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。