美国核电全面拥抱AI：94座反应堆如何用大模型管文档

核电站控制室一度被视为AI的禁区。核工业以谨慎和规避风险著称，反应堆运行的复杂程度足以让训练有素的经理们头疼，很难想象这样一个行业会主动拥抱一种强大却容易出错的新技术。

但现实给出了相反的答案。据IEEE Spectrum报道，美国94座核反应堆几乎全部获得了将AI整合进运营流程的机会，其中大多数已经采纳。这场渗透并非从控制室开始，而是从堆积如山的文书工作切入。

三方合力：谁在把AI送进核电站

加利福尼亚公司Atomic Canyon推出了NIVA（Nuclear Industry Virtual Assistant，核工业虚拟助手），该项目与核工业团体合作开发，在Constellation Energy运营的核电站完成试点后，现已面向全美反应堆舰队开放。Constellation拒绝对此置评。

AI-for-nuclear初创公司Nuclearn则声称，其产品已与美国超过65家合作伙伴展开合作，涵盖众多传统核电站，还包括与NuScale Power的整合，后者正推进先进小型核反应堆的研发。Microsoft和Nvidia也联手开展项目，将AI用于优化“核电站全生命周期，覆盖选址许可、设计、建造与持续运营”。

Nuclearn CFO兼联合创始人Jerrold Vincent认为，这种快速采用的背后有双重原因。其一，押注AI未来的科技公司同样热衷于核电复兴，以便为数据中心提供电力；其二，AI恰好适合应对核工业最紧迫的一些难题——繁复的监管条文、复杂的管理与维护系统，正是AI擅长的任务类型。

核电的真正瓶颈：人不够，文档堆成山

Vincent指出，先进反应堆开发商和新核电项目的需求正在激增，但现有劳动力已被摊得极薄。他转述客户的原话：“我有岗位空缺却招不到人，监管要求的活儿必须做，到底怎么完成？”

核电行业当前的主要产出，除了电力，就是纸面文件。核电站要生成海量文档以证明合规，并记录对任何潜在问题的响应——从人行道裂缝到反应堆故障都算。Vincent说，每一项工程决策都必须经过评估、独立验证和检查。Nuclearn的AI产品帮助核电站更高效地检索大型数据库，从而更快向联邦政府提交文件，或查明某个问题过去是如何解决的。他把这比作“核工业版ChatGPT”，并认为这是一个不错的起点。

另一个隐患是机构知识的流失。由于美国核电建设长期停滞，进入核科学家或技术员职业的人越来越少。Trey Lauderdale——Atomic Canyon CEO、曾在同样保守的医疗行业推动AI落地——指出，行业留下的是一支技能高超但快速萎缩的劳动力队伍，他们既要维持老旧反应堆运行，又可能要启动新反应堆以满足激增的电力需求。他的判断很直白：如果不能扩充这支知识型劳动力的能力，核电复兴无从谈起。

NIVA与Nuclearn如何解决数据孤岛

EPRI（电力研究院）NIVA项目负责人Rob Austin介绍，该项目始于一年前，当时Constellation董事长Joseph Dominguez向几家充当合规、维护与机械历史信息仓库的非营利行业组织发起挑战：想办法让行业知识像ChatGPT、Copilot或Gemini那样便捷可用，同时保持安全。

任务落到Atomic Canyon肩上。2025年赢得NIVA合同后，第一步是从核管理委员会下载5300万页公开数据，训练模型掌握核电特有的运营、术语和法规。随后公司与橡树岭国家实验室合作，构建首批核领域专用AI模型。Lauderdale解释，技术上是句子嵌入模型，通俗说就是教AI理解核语言——“核工业几乎有自己的方言”。

“目标是让数十年的运营经验、数十万份运营经验报告、数万份技术文档和大量信息可供人们查找。”——Rob Austin，电力研究院

Austin举了一个例子：核工程师可能遇到循环冷却水的巨型立式泵出问题。相关材料实在太多——EPRI的维护指南、核电运营协会存储的数万份事故报告。AI的任务是综合这些报告，生成该泵主要故障类型的指南，并且关键是要展示推理过程，让工程师能追溯到它引用的原始文档。

保密是现代化改造的主要障碍。帮助文档和数据检索的AI系统不受最严格规则约束，但核电数据本身大多属于专有信息或受联邦法律保护。Nuclearn只提供单点部署方案，确保核电站数据永不离开现场。Austin说，NIVA只能检索那些本就需要厂级安全许可的数据库，使用AI助手翻查海量数据时同样遵循这些规则。技术无法消除人为壁垒，但确实提供了更开放共享数据的新激励。

Austin强调，目标是在保证数据安全和关键信息受控的前提下，让信息更易获取和使用，而NIVA正是这样做的。

**句子嵌入模型（Sentence Embedding Model）**是NIVA技术路线的核心。简单来说，它把一段文字（一个句子或一个段落）映射为一个高维数值向量，语义相近的文本在向量空间中距离也相近。这样一来，系统不需要逐字匹配关键词，而是按“意思”检索：工程师输入一段关于循环冷却水泵故障的描述，模型就能找到措辞完全不同、但讨论同一类故障的历史报告。这正好解决了核电行业术语繁杂、文档风格各异带来的检索难题。相比通用大模型，句子嵌入模型参数量小、可在本地部署、推理成本低，也更适合处理“核工业方言”这类领域语言，并通过微调让模型掌握行业专有表达。

**单点部署（on-premise deployment）**指软件全部安装在核电站自身的机房或内网环境中，数据不出厂区，模型推理也在本地完成，而不是把数据上传到云端。这是核电行业采用AI的前提条件之一：核电站的运营数据、维护记录、合规文件大多属于专有信息，部分还受美国联邦法规保护，一旦外传可能触及法律与安全红线。通过单点部署，AI助手在厂内检索这些数据，既满足了安全审查要求，又让员工获得类似ChatGPT的便捷体验。与之相对的是公有云API调用模式，虽然部署快、维护省，但数据必须离开现场，对核电场景基本不可行。

从文档检索走向现场巡检？还早

目前Nuclearn和NIVA的大语言模型都只向人类汇报，不接触电站运营。但一个不可避免的问题浮现：如果它们能呢？

Vincent和Austin都表示这还很遥远，但能看到路径。Austin说，核电站里有大量焊缝，目前全部依靠人工检查质量和耐久性。EPRI一个试点项目正在测试让AI查看这些检查产生的海量数据，看它能否标记出值得关注的区域。该项目仍保留人在回路中审查AI的所有建议，没有任何核电站允许AI接管检查。但这标志着向AI直接参与电站运营迈出了一步。

Lauderdale的态度更为保守：无论短期还是长期，他都看不到AI围绕电站运营做决策的环境，这既出于监管性质，也出于风险性质。你不希望机器做出可能影响运营的决策，因此人类在回路中的状态会持续很久很久。

**人在回路（Human-in-the-Loop，HITL）**是一种AI系统设计原则：模型可以生成建议、标记异常或做出初步判断，但最终决定必须由具备资质的人类操作员或工程师审核确认。在核电站场景中，这意味着AI的输出只能是“辅助信息”，不能直接触发设备动作或改变运行参数。这种模式的价值在于，它既利用了AI在海量数据中快速发现规律的能力，又保留了人类对风险后果的责任承担。对于监管机构而言，HITL也是可接受的过渡方案，因为它不要求重新制定针对自主决策系统的安全标准，从而降低了AI落地的合规门槛。

行业观察：AI与核电的互相成就

这场结合的本质是双向依赖。科技公司需要核电为数据中心供电，核电需要AI来弥补人力缺口、消化监管文档、传承机构知识。Lauderdale所在的Diablo Canyon下游社区让他直观看到这种共生关系：核电复兴能为耗能的数据中心供电，但前提是AI能帮助这个行业重新繁荣。

值得留意的是，整个行业的AI应用严格限定在辅助层面——文档检索、合规支持、知识管理、巡检建议，都保留人类最终决策权。这种克制并非技术能力不足，而是核工业风险特征决定的必然选择。对于其他高风险行业而言，这或许提供了一个可参考的落地范式：先把AI用在信息密集但风险可控的环节，再逐步向核心运营靠近。