AI for ADANES：五层栈建立在四台机器的协同之上

2026年7月17日，AI for ADANES创新联盟在上海举行的2026世界人工智能大会上成立。舞台上的五层软件路线图还要接入形态复杂得多的实体系统。图片由科学网发布。[2]

2026年7月17日，一排研究人员与产业代表站在上海会场的蓝色屏幕下，共同宣布AI for ADANES创新联盟成立。屏幕把这个项目收在一个名称之下，底层实体系统却至少包含四个部分：强流质子加速器、散裂靶、次临界反应堆，以及乏燃料回收路线。

配套路线图把五层AI架构铺设在这条链上，包括统一数据基础设施、物理本征世界模型、物理系统控制、智能体协同和持续演进，并从设计、调试延伸到运行与维护。[1][2] 此次更新的实质，是中国的加速器驱动核能计划在既有实体架构之上，又提出一套让各个部分协同计算的软件架构。

理解这项提议，需要越过“一个巨型核能模型”的想象。每台机器使用不同的技术语言，产出不同种类的证据，故障发展的时间尺度也各不相同。关键问题在于，五层架构分别从哪里接入这些差异悬殊的实体系统，以及仍在建设的CiADS设施最早能够检验整个循环中的哪一段。[1]

一个缩写之下的四台机器

ADANES是Accelerator-Driven Advanced Nuclear Energy System，即加速器驱动先进核能系统。中国科学院（CAS）近代物理研究所2017年提出的原始概念，将它分为燃烧器系统和燃料回收系统。[3]

燃烧器从加速器开始。高能质子束撞击靶材，经散裂反应释放中子。这些外源中子维持次临界堆芯内的裂变。次临界一词至关重要：反应堆以外部中子源为设计基点，链式反应依靠外源中子维持，无法自行持续。完整概念随后加入高温干式处理流程，用于移除选定的裂变产物，再把剩余材料制成燃料。[3]

把它称为四台机器组成的栈，仍是一种简化——仅回收装置就包含多道工序——却能显出ADANES这个单一名称所遮蔽的协调负担。束流动力学、靶热工水力学、反应堆中子学与燃料化学产生的数据和输出，原本各有格式，无法直接放进同一套训练流程。

最新公布的工程数据让这些差异变得具体。在2026年8月10日的一份会议报告中，ADANES技术总师何源介绍了一台600 MeV、5 mA超导质子直线加速器，束流功率超过2.5 MW，束流损失目标值低于10⁻⁶；一套3 MW液态铅铋散裂靶已经完成热工水力验证；一座10 MWt池式次临界反应堆已经完成设计。[4] 这些是报告人公布的部件进展，整套耦合设施尚未因此进入运行状态。近代物理所在7月发布路线图时，仍将CiADS描述为在建项目。[1]

这条成熟度分界很有用。它把完成调试、通过验证、完成设计和仍待集成的部分逐一分开，发布现场也就不会被误读为整套系统取得同一阶段的成果。

统一数据层不能是一张扁平表

路线图的第一层是统一数据基础设施。“统一”所要求的是记录能够对齐与追溯，同时保留各自原有的数据形态。

加速器产生射频、磁铁、真空、定时与束流损失信号。散裂靶增加了流量、压力、温度、振动、化学状态和检查历史。反应堆带来中子测量、热状态、堆芯配置、控制位置和材料辐照数据。回收装置按批次工作，每批材料的身份取决于成分、工艺条件、分析检测、分离结果和制造结果。

这些记录的采样节奏与含义各不相同。一次束流瞬态可以在缓慢的材料变化显现前发生并结束。一项靶温度读数对应特定的传感器校准状态与流动状态。一项燃料测量对应某个实物批次，而该批次之后存在拆分、合并或制成燃料等多种去向。仅有共同时间戳，保留不了这些关系。

在这里，常规基础设施也成为AI产品的一部分：设备身份、配置历史、单位、不确定度、校准、材料谱系、仿真版本，以及计算状态与其所描述实物之间的关联。国际原子能机构2025年的AI部署报告面向整个行业提出了同类要求。报告把数据完整性、预处理、传感器老化或失效、数据流中断，以及开发数据与预定运行工况的匹配，视为贯穿生命周期的事项，其范围远远超出训练前的一次数据清理。[6]

对ADANES而言，数据层还要区分至少三类记录：仿真状态、部件试验测量，以及最终取得的集成设施观测。合并使用这些记录可以带来价值，混淆出处则会让模型看起来掌握了比实际更多的信息。

“物理本征”指向多个专业模型协作

第二层被称为物理本征世界模型，英文名称在这里采用复数形式。[1] 一种表示方法很难取代加速器光学、散裂过程、热流体、中子输运、材料退化和燃料处理领域现有的专业代码与实验。

更现实的做法，是把多个专业模型组合成一套协作体系。一个快速代理模型可以初筛加速器设置，同时以高保真束流模型作为参照；另一个模型可以在两次高成本仿真之间估算散裂靶状态。反应堆模型可以把中子实测信号与动力学、热工约束结合。燃料循环模型则沿着工艺步骤和材料批次运行，时间尺度有别于以毫秒计的机器状态。

困难集中在输出跨越专业领域之处。质子束条件成为散裂计算的输入。中子产额与靶状态成为次临界堆芯的边界信息。堆芯运行历史改变进入回收路线的材料成分与状态。每次传递都会改变单位、分辨率、不确定度，有时还会改变数据归属。

智能体协同层因此有了一项具体任务。相比悬浮在设施之上、包揽各个专业的虚拟科学家，它更像专业模型、数据库与工具之间的交通调度系统。它必须知道哪一个物理模型适用于当前配置，在转换信息时保留不确定度，并保留充分的上下文，使下一个子系统能够复现自己收到的输入。

中国科学院2019年的材料综述说明，这类多模型协作还要纳入硬件状态，软件之间的组合只是其中一部分。散裂靶和次临界反应堆要承受强辐照、腐蚀、复杂的温度条件与应力，还要满足长期服役要求；综述由此把材料研发视为集成式加速器驱动系统的一项主要约束。[5] 散裂靶模型若忽略不断变化的材料状态，数值结果可以很整齐，物理描述却会逐渐过时。

CiADS在实验规模上检验燃烧器侧耦合

CiADS即China initiative Accelerator Driven System（中国加速器驱动嬗变研究装置）。它被定位为ADANES的工程验证平台，目前仍在建设。[1] 它的作用很具体：把加速器、散裂靶与次临界反应堆纳入同一座实验设施，让三者的模型交界处能够接触实际硬件。CiADS采用实验规模与特定配置，有别于未来工业级ADANES燃烧器的全尺寸和系统配置。[3]

因此，CiADS将率先检验AI路线图中的三项主张。共享数据基础设施能否对齐耦合装置中的各类信号？设施条件有别于仿真时，物理本征模型能否继续发挥作用？编排系统能否让每次计算始终关联正确的模型、配置和仪器状态？

CiADS单独覆盖的是ADANES完整循环的一部分。2017年的概念把独立的燃料回收系统列为整体架构不可缺少的另一半。[3] 一次成功的加速器—散裂靶—堆芯联合试验，可以验证CiADS规模与配置下的燃烧器侧耦合；这项结论不会自动延伸到全尺寸燃烧器、按批次开展的化学处理、材料回收、再生燃料制造，以及材料返回未来工业系统的过程。

这一区分也厘清了8月公布的各项进展。直线加速器可以在集成设施尚未完工时完成调试。散裂靶可以通过热工水力验证，却还没有积累耦合核系统的完整运行历史。反应堆设计可以在反应堆产出运行数据之前完成。AI栈必须让数据带上这些成熟度标签，否则模型在训练时会把设计、试验与运行记录混为一类。[1][4]

联盟也是供应链的一部分

发布报道显示，AI for ADANES联盟汇集了科研院所、核工业企业、AI企业和金融机构。[1][2] 它的范围超过一支模型开发团队，因为所需输入分散在不同参与者手中。

科研院所掌握加速器与反应堆物理、实验设施和专业代码。核工业企业带来工业质量体系、部件履历、运行程序、维护实践，以及未来部署时受到的各项约束。AI企业能够开发数据管道、模型基础设施、编排与可观测性工具。金融机构可以帮助研究计划迈向资本密集型示范，资金作用无法替代物理验证。

因此，接口契约比通用聊天界面更接近联盟最早能够产出的实用成果。加速器与散裂靶的交界处，需要对束流状态及其不确定度作出一致描述。散裂靶与堆芯的交界处，需要一份带版本的中子源与热状态说明。材料记录需要一套标识符，使材料经历检查、辐照、移出、分析和处理后仍可追踪。仿真需要机器可读的配置，以及可追溯的代码来源与版本沿革，以便硬件改变后重新运行同一项预测。

现有公开发布报道尚未列明由哪些联盟成员负责这些契约，也没有说明设施数据如何访问，以及跨机构模型与数据模式如何治理。[1][2] 这些问题处在架构中心。由多个行业共同使用的五层架构，同时也是一套权属安排。

哪些已经改变，哪些证据能验证这套栈

三个时间节点串起了清晰的进展。2017年的ADANES论文定义了燃烧器与回收装置，并把闭式燃料循环确立为系统目标。[3] 2019年的材料综述详述了加速器驱动设施难以建造和长期维持的实体约束。[5] 2026年的路线图加入统一数据、物理本征模型、智能体与全生命周期学习；同期工程报告则分别记录了直线加速器、散裂靶和反应堆设计的进展。[1][4]

这构成一次实质性的栈更新：AI由此进入一个涵盖加速器、重液态金属、反应堆物理和燃料处理的既有计划，指向每一套具体设备与工艺。

下一批有说服力的证据仍应逐个子系统给出。加速器任务要注明束流工况与束流损失界限。散裂靶模型要列出流体、几何形状、材料状态和热工水力验证。反应堆任务要指明堆芯配置及其依赖的中子数据。回收装置任务要保留批次谱系与分析检测结果。达到这些条件，端到端演示才能比几项表现良好的部件演示并排呈现提供更多信息。

CiADS可以让前三种实体系统语言在实验规模上相遇。规模更大的ADANES计划仍要接上第四种语言，并验证耦合燃烧器能否放大、如何放大。五层AI路线图的价值，取决于它能否让这套复杂拓扑变得更明确、可复现、可治理。单一模型声称理解整套机器，并不能证明这条路线成功。衡量成功的标志，是每个专业模型都清楚自己究竟代表哪一台机器，并在同一套系统中准确协作。

cronfeed.work