水银变黄金只是噱头，AI能帮科学家少做多少昂贵实验？

一家初创公司说，它把水银变成了黄金。这听起来像诈骗邮件的开头，或者一项迟到了几个世纪的发现。

总部位于旧金山的Marathon Fusion公司称，已利用聚变反应产生的中子，演示了水银到黄金的嬗变。2026年10月发布的报道提到，其宣称的产率是欧洲核子研究中心（CERN）基准的十倍。不过，公开报道的细节并未证实这已达到商业规模生产，也没有给出生产成本，更没有独立的第三方验证。

所以，这并不意味着该去做空黄金。对开发者来说，更有意思的问题在于：AI能在这类项目里扮演什么角色？

它不是那种凭空编造核反应的聊天机器人，也不是反应堆的魔法替代品。它更像一套系统，帮科学家在庞大的工程设计空间里搜索，并判断下一个昂贵实验该做哪一个。这才是这个故事比黄金本身大得多的地方。

先把三种不同的说法分开

这类新闻常把三个截然不同的里程碑压缩进一个标题：一条物理路径存在；一次实验证明了这条路径；一套具备商业可行性的系统能利用它。

Marathon Fusion早先的提案用中子学模拟，研究在聚变环境中从水银生产稳定黄金的路径。较新的公告则声称完成了实验演示。但这两者单独来看，都不足以证明这是一门有经济竞争力的黄金生产生意。

这个区分很关键。“我们能不能造出来”和“我们能不能盈利地造出来”，是两个不同的研究课题。AI或许能帮上第二个问题，但它无法让第一个问题的答案自动变成第二个的答案。

水银究竟是怎么变成黄金的

这是核嬗变，不是化学反应。所提出的路径从水银-198开始：中子诱发的反应生成水银-197，后者随后衰变为稳定的黄金-197。相关提案考察的是聚变产生的中子如何驱动这一过程。

本质区别很简单：改变化学键，改变的是材料的化学性质；改变原子核，才可能改变元素本身。如果按描述生产并分离出来，得到的黄金不是一种金色的替代品。难点在于实现有用的产量，同时管理工程、成本和放射性副产物——这些约束始终是评估该公司说法的核心。

现在把AI放进来。需要先划清一条边界：Marathon Fusion真的用了AI吗？我们不该把一个看似合理的应用，说成已报道的事实。公开提案描述的是中子学模拟，这本身并不构成机器学习的证据。所引用的报道也没有证实是AI发现了这条路径或驱动了新实验。因此，下面谈的是一种潜在的工程工作流，有相关研究支撑，而不是对Marathon Fusion内部技术栈的描述。

机会一：给昂贵模拟器造一个更快的近似

设想评估一个反应堆相关设计需要一次详细模拟，而现在有成千上万个候选设计。对每种可能都跑最高保真度的计算，会让探索变得非常昂贵。机器学习代理模型提供了另一条路：用模拟结果训练一个模型，再用它估算更多设计的行为。

研究者已经探索过用神经网络代理模型预测核系统特性，包括中子的空间行为。相关聚变研究也在追求更快的包层设计优化。对一个水银变黄金的项目，可能的工作流是：生成候选设计，跑选定的高保真模拟，训练代理模型，筛选更大的候选池，对看好的候选重新模拟，再对选中的设计做实验验证。代理模型是筛选工具，它的预测不是实验结果。

机会二：搜索权衡，而不是单一“最优”设计

“多产黄金”听起来目标明确，但工程系统很少只有一个目标。一个假想的优化器需要同时考虑产量，以及辐射防护、材料行为、反应堆其他功能等约束。相关聚变包层研究已经在用计算流水线和优化方法，探索相互耦合的工程需求。

这正是多目标优化有用武之地。系统不必宣布一个放之四海皆准的“最优”设计，而可以呈现权衡：预测产量更高，但工程复杂度更大；预测产量更低，但在其他约束上表现更好；估计值很诱人，但不确定性太大，不值得为此做实验。这些只是说明性的决策类别，不是Marathon Fusion报告的结果。有用的输出是一张选择地图，而不是一个自信生成的答案。

机会三：决定下一步测什么

能预测结果的模型有用，能帮助选出下一次最有信息量的评估的模型可能更有用。贝叶斯优化把预测模型和一条“下一个评估哪个候选”的规则结合起来。在聚变设计研究中，这类方法帮助在昂贵的设​​计评估中导航，而不是穷举每一种可能。

对一个假想的嬗变项目，下一次评估可能服务两个目的之一：利用，即研究当前看起来有希望的设计；探索，即研究一个理解不足、但可能改变模型结论的区域。这个平衡很重要。总是追逐当前的赢家，会把项目困在设计空间的狭窄角落；无纪律地探索，又会烧光全部预算。在这里，开发者的任务不只是预测，而是搭建一个决策闭环。

机会四：帮助解读实验产出了什么

样品离开辐照装置，实验并没有结束。研究者仍需表征所得材料。机器学习已被研究用于从伽马射线谱中识别放射性同位素。相关研究也强调，性能取决于训练和测试条件彼此有多接近。

这为AI创造了另一个可能的角色：辅助分析样品中的放射性成分。但一个同位素分类器不是万能的“黄金探测器”，一个高置信度的标签也不能替代经过验证的测量。这里尤其需要区分有用的自动化和科学证明。

开发者真正的机会在基础设施

人们容易想象，突破性组件一定是一个巨大的基础模型。上面这些工作流指向一个不那么光鲜、却可能更实际的机会：构建让模拟、优化、测量和验证协同工作的软件。

一个概念性架构可以是：候选生成器，约束检查，物理模拟器，带版本的结果数据库，代理模型加不确定性估计，实验选择策略，人工审核，新的模拟或物理实验，验证结果回到数据库。这是说明性架构，不是该公司披露的实现。

困难的软件问题对开发者来说很熟悉：这个模型用哪个数据集训练的？那些标签由哪个版本的模拟器生成？我们能否复现这条推荐？模型能否识别不熟悉的输入？什么证据会推翻它偏好的设计？在这种场景里，不确定性不是预测旁边一个装饰性数字，它参与决定是否花钱、是否收集更多证据、是否否决一条建议。

你不需要造反应堆，也不需要声称能生产黄金，就能探索这套软件模式。一个有边界的教育性项目可以这样做：选一个非敏感、公开的模拟基准；建立一个常规基线；在部分已评估案例上训练代理模型；加入不确定性估计；比较随机候选选择和贝叶斯优化；测量每种方法需要多少次昂贵评估；把失败案例和改进一起公布。问题很窄，也可检验：这套工作流能否用比基线更少的高保真评估，找到一个令人满意的设计？这比“我造了一个AI科学家”是更好的作品集主张，因为它给读者一个数据集、一个基线、一套可复现的方法，以及一个他们可以质疑的结果。

黄金是钩子，更好的实验才是故事。Marathon Fusion的公告值得审视：所报道的说法尚未回答产量、成本、可扩展性和独立确认这些核心问题。但更广泛的软件机会，并不依赖于接受标题里的每一部分。相关研究已经显示，机器学习正被研究用于核系统代理模型、聚变设计优化和放射性同位素识别。

令人兴奋的可能性，不是AI能把一种新元素“许愿”出来，而是更好的模型、更好的不确定性估计、更好的实验选择软件，能帮研究者少花时间测试弱想法，多花时间用现实检验有希望的想法。标题问的是我们能否把水银变成黄金。开发者的问题更可操作：我们能否构建系统，把昂贵的实验变成更好的决策？