Z-Pinch：永恒之火

第七卷：火焰的微缩——控制芯片的演化

2221年·月球·静海采矿站·火种一号控制室

从机柜到芯片：第一代AI模型

陈霄站在火种一号的控制室里，面前是一整面墙的机柜——二十四个机柜，每个两米高，里面密密麻麻地运行着超过两千颗最先进的2纳米制程AI芯片。这些芯片组成了一个分布式神经网络推理集群，负责实时处理来自等离子体的一千多个传感器数据，运行一个包含数亿参数的深度神经网络模型。这个模型是在北山超算中心用十万次Z箍缩实验数据训练出来的，能够预测等离子体在未来几微秒内的不稳定性发展，并生成控制信号。

但问题在于：推理延迟仍然有50微秒，而Z箍缩的不稳定性在10微秒内就能发展到失控。等到AI模型算出结果，等离子体已经散了。

“陈总工，”控制专家赵明远说，“AI模型本身没问题，精度很高，但数据搬运太慢。传感器数据要从模拟前端传到ADC，再到内存，再到AI芯片，再传回控制电路。每一步都有延迟，加起来就是50微秒。我们需要把整个AI模型硬化到硅片上——不是软件跑模型，是把模型的权重直接变成芯片上的物理连接。没有指令周期，没有数据搬运，只有物理延迟。”

陈霄看着那些机柜，想起北山超算中心训练模型时用的那些GPU集群——几十万颗芯片跑了好几天才收敛出一个可用的模型。现在要把这个模型塞进一粒米里，还要跑得比原来快一千倍。

“赵工，我们现在的模型有多大？”

“大约2亿参数。如果硬化到硅片上，需要大约0.5平方厘米的面积，采用3纳米工艺。推理延迟可以降到1微秒。但还有一个问题：模型是固定的，不能在线学习。每次等离子体参数漂移，都需要重新训练、重新流片。”

“那就做可重构的硬件。用FPGA+硬化核的混合架构。大部分权重硬化，小部分可在线调整。流片一次，可以用很久。”

2223年·月球·静海采矿站·芯片设计中心

第一代AI加速芯片：硬化神经网络

陈曦坐在设计台前，面前全息屏上是专用AI芯片的架构图。这颗芯片集成了三个主要模块：前端信号处理（ADC+数字滤波）、神经网络推理引擎（全硬化权重）、强化学习单元（可在线更新的小型模型）。推理引擎采用3纳米工艺，集成了2亿个“突触”单元——每个突触单元就是一个乘法累加器，权重由金属互连层的电阻值固定。

“这颗芯片的推理延迟只有800纳秒，比FPGA方案快60倍，”赵明远说，“但它不能改变基本模型。强化学习单元可以在线调整一些参数，但主要依赖离线训练。”

“训练数据从哪来？”陈曦问。

“从每一次实验来。火种一号每次点火都会记录所有传感器数据和最终结果。这些数据传回北山超算中心，用来训练下一代模型。模型更新后，我们再流片新芯片。”

“这个迭代周期太长了吧？流片一次要三个月，训练一次要一个月，半年才能迭代一次。等离子体的参数漂移可能几天就发生。”

赵明远沉默了一会儿。“那就在芯片上集成一个在线学习模块。不重新训练整个模型，只微调最后几层的权重。用本地数据跑几次反向传播，权重更新直接在芯片内完成。虽然精度不如离线训练，但可以适应短期漂移。”

2224年·月球·静海采矿站·芯片流片

第一次流片：模型精度达标，但功耗失控

赵明远站在芯片测试台前，手里拿着一块指甲盖大小的硅片——FIRE-AI-V1。3纳米工艺，集成了2.5亿晶体管（2亿用于固定权重，0.5亿用于可在线学习的最后三层）。今天，是测试日。

“上电，”赵明远说。

芯片启动离线模型推理。输入模拟的等离子体数据，输出控制信号。延迟850纳秒，精度与北山超算中心一致。但当开启在线学习模式时，芯片开始剧烈发热。30秒后，温度上升到120°C，芯片自动降频。又过了10秒，芯片烧毁。

“原因？”陈曦问。

“在线学习模块需要频繁读写片上SRAM，动态功耗是静态推理的20倍。3纳米的漏电虽然小，但SRAM的读写电流很大，局部热密度超过了热管的散热能力。”

赵明远看着那块焦黑的芯片，沉默了很久。

“需要把学习模块分离出去。芯片只做推理，学习放在另一个芯片上，通过低功耗接口通信。学习芯片不用一直在线，每隔几分钟启动一次，用积累的数据做一次微调更新即可。”

2225年·月球·静海采矿站·芯片测试

第二代AI芯片：推理与学习分离

陈曦站在测试台前，面前是一块双芯片模块——FIRE-AI-V2。主芯片（推理引擎）采用3纳米工艺，集成2亿固定权重，功耗15瓦，推理延迟750纳秒。辅助芯片（学习引擎）采用28纳米工艺（漏电小），集成少量SRAM和算术逻辑，每隔5分钟启动一次，读取近5分钟的历史数据，执行几万次反向传播计算，更新主芯片最后三层的权重。学习过程功耗30瓦，但只持续0.1秒，平均功耗只有0.1瓦。

“测试通过，”赵明远说，“推理延迟750纳秒，精度比离线模型仅低0.5%。在线学习每5分钟一次，可以补偿等离子体参数的短期漂移。长期漂移则靠北山超算中心每三个月更新一次离线模型。”

陈曦把那块双芯片模块拿在手里。它比一块口香糖还小，重量不到5克，却跑着一个2亿参数的AI模型。

“火种三号可以用它了吗？”

“可以。体积从二十四个机柜缩小到两个芯片，重量从十五吨缩小到5克。缩小了三百万倍。”

2228年·月球·静海采矿站·火种三号集成

AI控制首次实战

陈曦站在火种三号的控制台前，屏幕上显示着AI模型的实时置信度。每次点火前，推理引擎会给出未来20微秒的等离子体演化预测，并推荐控制参数。点火后，实际传感器数据与预测对比，学习引擎根据误差更新模型。

第一次点火，AI预测的不稳定性发生时间与实际偏差0.5微秒。第五十次点火，偏差缩小到0.05微秒。第一百次点火，偏差几乎为零。AI学会了这台特定火种三号等离子体的个性。

“它在自主学习，”赵明远惊叹，“每一台火种装置都会演化出自己的模型。因为每台装置的加工公差、材料纯度、磁场分布都略有不同。离线模型是通用的，在线学习让它个性化。”

2231年·月球·静海采矿站·火种五号

强化学习突破：AI学会预测未知模式

陈曦站在火种五号的控制室里，调试新一代AI芯片。这次，离线模型不再是监督学习（从实验数据中学习等离子体的行为），而是强化学习（让AI自己尝试控制策略，以获得更高的能量增益）。

“训练数据来自历史实验，但强化学习模型会自己探索，”陈曦解释，“它可能会尝试一些人类工程师从未想过的控制序列，比如非常规的三段电极时序，或者非对称的电流波形。”

“风险呢？”赵明远问。

“风险很大。在模拟环境中，强化学习模型有时会探索出等离子体彻底失控的策略。所以我们在芯片上加了一个安全模块——一个硬编码的规则系统，如果AI的决策超出安全边界，就自动切换回保守控制。”

第一次在真实火种五号上运行强化学习时，AI尝试了一种人类从未用过的预电离波形。等离子体稳定性短暂下降，但随后迅速回升到一个新的平衡态，约束时间从0.1秒延长到0.12秒。能量增益从1.03提升到1.08。

“它自己找到了一条新路，”陈曦轻声说。

2235年·月球·静海采矿站·火种九号

模型蒸馏：从大模型到小芯片

火种九号的体积已经缩小到拳头大，但FIRE-AI-V2芯片模块仍然占据了不少空间。为了进一步缩小体积，陈曦的团队采用了“模型蒸馏”技术——用北山超算的大型模型（10亿参数）作为“教师”，训练一个只有5000万参数的“学生”模型，精度损失不到2%，但推理延迟从750纳秒降到100纳秒，功耗从15瓦降到3瓦。

“学生模型学到了教师模型的核心特征，但丢弃了不重要的细节，”陈曦说，“而且学生模型可以直接硬化在更小的芯片上，不需要复杂的在线学习模块。因为拳头大小的微型堆，等离子体参数变化范围小，离线模型的足够用。”

“那在线学习呢？”

“保留一个极简的在线校准模块，只有几十万参数，用于补偿温度漂移和材料老化。推理+校准总功耗4瓦。”

2238年·火星·奥林匹斯山基地·医疗中心

植入级AI芯片：从毫瓦到微瓦

林烬站在火星医疗中心的手术室前，看着那台星火一号植入级微型堆。它的控制芯片——FIRE-AI-V4，采用“存内计算”架构，将神经网络权重直接储存在非易失性存储器（阻变存储器RRAM）中，计算时直接在存储单元内完成乘加运算，无需读取权重到计算单元。功耗从4瓦降至10毫瓦。推理延迟100纳秒。

“这个芯片上跑的是什么模型？”林烬问。

“一个专用的生理信号模型，”工程师回答，“它不仅要控制等离子体，还要读取患者的神经信号，实时调整微型堆的输出功率。模型是在地球上的超级计算机用数万小时的人体数据训练出来的，然后用蒸馏压缩到百万参数级别，最后硬化到RRAM单元中。”

“它能在线学习吗？”