近年来，人工智能技术经历了从传统机器学习、深度学习到大语言模型（LLM）的跨越式演进，以大语言模型为代表的人工智能技术在理解、推理和跨任务泛化能力方面取得显著进展，正在改变经济、生活、治理方方面面。核能产业在高质量发展进程中，面临研发创新周期长、工程造价高、安全风险管控难等结构性挑战，人工智能技术有望在这些环节发挥积极的作用。核能企业利用人工智能技术，在知识管理与智能问答、人才培训、文档管理等非安全相关领域开展了探索应用，整体上仍处于初级阶段。着眼未来，人工智能技术将逐步成为支撑核能行业安全提升、模式创新与高质量发展的关键驱动力量。因此，有必要系统性讨论研究人工智能关键技术特征、核能+AI典型应用场景，以及基础数据建设、安全可信等基础治理保障，以期人工智能技术能够切实给核能行业的科研生产带来长期价值。

一 、核能+AI概述

（一） 我国核能产业发展现状与挑战

在我国经济社会发展全面绿色转型背景下，核电作为清洁低碳的优质能源，已成为实现“双碳”目标、保障能源安全的重要战略选择。截至2025年12月底，我国大陆地区在运核电机组60台、在建及核准待建机组52台，总数达112台。

核能产业在快速发展中也面临结构性挑战：一是新型反应堆型号、核燃料材料等关键技术研发速度放缓、周期拉长、成本高企，试验验证往往依赖大型设施、复杂试验和反复迭代，研发风险与资金投入压力较大；二是工程建设跨专业协同难度高，不同参与方在模型接口、数据格式、管理流程上的差异，导致信息同步不及时、项目进度偏离、返工增加等，核电项目成本居高不下；三是随着运行机组数量增加，安全运行压力持续上升，重大设备健康管理成为关键议题。

面对这些挑战，人工智能技术可以作为新的工具，使许多以往“难以系统化处理”的问题具备了新的解决思路。

（二）国内外核能+AI研究与实践启示

近年来，国内外均开始探索在核能领域引入人工智能技术，以缓解研发成本高、项目管控难、安全要求高等共性难题。不同国家的政策重点和实践方向有所差异：

1.我国：核能+AI政策指明方向

我国政府高度重视AI技术在能源领域的战略价值，将其作为推动能源转型和产业升级的关键抓手。2025年9月，国家发展改革委、国家能源局联合印发《关于推进“人工智能+”能源高质量发展的实施意见》（国能发科技〔2025〕73号），系统部署了AI在能源全产业链的应用方向。明确提出，围绕核电安全发展，构建核电安全预警、电站运行事件智能溯源分析、应急响应的智能辅助支持系统，开展核工业特种运维机器人技术攻关，持续推动核电系统的自动启停等技术升级演进，探索人工智能技术助力离子体预测控制、可控核聚变等技术路径，推动核电行业向数据驱动、模型牵引、智能管控的新模式稳步转型。

2025年11月，国家能源局综合司发布《关于组织开展“人工智能+”能源试点工作的通知》（国能综通科技〔2025〕168号），进一步推动政策落地。通知要求在核电等重点领域开展试点示范，重点围绕智能化设计与建造、运行智能化水平提升、监管与决策支持优化等方向展开探索，通过试点项目积累经验、形成标准，为AI技术在核电领域的规模化应用奠定基础。

2.国际原子能机构（IAEA）：推动全球AI与核能协同发展

国际原子能机构（IAEA）近年来加强了对人工智能技术的关注。2025年12月3—4日，国际原子能机构（IAEA）在维也纳总部举办首届“人工智能与核能国际研讨会”，这是IAEA首次针对AI与核能交叉领域举办的国际性会议。

研讨会聚焦两大议题：一是利用核能为数据中心供电以支持AI扩展；二是利用AI推动核工业创新和效率提升。IAEA总干事格罗西提出“原子能服务人工智能算法”（Atoms for Algorithms）理念，指出核能是唯一能够同时满足低碳发电、全天候可靠性、高功率密度、电网稳定性和真正可扩展性综合需求的能源形式。根据国际能源署数据，2024年数据中心占全球电力需求的1.5%，预计2030年将翻倍，核电凭借可靠、低碳特性正成为重要解决方案。

3.美国：政府主导、体系化布局AI赋能核能全产业

美国能源部（DOE）将AI视为维持核能技术领先地位的战略工具。2022年，DOE人工智能与技术办公室发布《AI项目规划》，明确提出将DOE打造为“全球领先的AI企业”，在核能领域重点布局可信AI应用框架、AI投资组合战略评估体系、跨部门AI决策委员会、国际AI合作等方向。

2023年，DOE发布《AI促进能源、科学与安全》专题报告，系统阐述了AI在核能领域的三大应用场景：一是加速核反应堆许可与监管流程，利用多模态大语言模型处理海量监管文档，缩短审批周期；二是加快核电站设计与部署，通过生成式AI辅助方案生成、数字孪生技术优化建造流程，降低工期延误率；三是支持无人值守运行与智能运维，利用边缘AI实现异常检测、故障预测与自主响应，降低运行人员需求。

2025年，美国核能+AI应用进入快速部署期。美国政府于5月发布《部署先进核反应堆技术》行政令，指令能源部30个月内在联邦场地部署先进核技术为AI基础设施供电，并将DOE场地AI数据中心指定为关键国防设施。11月启动的“Genesis Mission”提出在十年内将美国科学和工程生产力提高一倍，重点聚焦利用AI加速先进核能、聚变能研发等方向。

4.欧洲：聚焦安全监管、标准制定与核能算力中心建设

2024年9月，加拿大核安全委员会（CNSC）、英国核监管办公室（ONR）、美国核管会（NRC）联合发布《核应用中AI系统开发考量》指导文件，首次提出核领域AI应用的四象限分类模型，根据“AI失效影响程度”和“自主性水平”将应用划分为四类，对高影响、高自主性应用提出严格的验证确认（V&V）要求、冗余设计与人类监督机制。

2025年2月，法国在巴黎AI峰会上宣布投资AI基础设施建设。法国电力集团（EDF）通过“Project Giga”和多个百亿级合作项目，将法国核电优势转化为全球AI数据中心枢纽的核心竞争力。同时，在核电站故障诊断领域部署AI系统，预期每年减少非计划停机时间约10%，节约维护成本数千万欧元。

2025年9月，英国核监管办公室（ONR）获得政府拨款，用于支持AI在核设施中的部署，聚焦计算机视觉和数据分类中的AI应用。英国国家核实验室（NNL）开展AI辅助乏燃料后处理研究，利用计算机视觉与光谱分析技术自动识别裂变产物，提升后处理效率与安全性。

5.俄罗斯：构建AI赋能核能全产业应用战略意图

俄罗斯国家原子能集团（Rosatom）将AI与核能深度融合纳入国家战略。2025年12月，Rosatom在IAEA国际研讨会上表示，正在打造从能源生产到计算基础设施、算法开发和实际应用的完整技术周期，通过AI为经济带来显著增量贡献。

工程实践方面，俄原子能开展了基于机器学习与规则引擎的设备预测性维护、质量预测与生产工况智能分析工具等研发工作，以AI技术驱动提高设备可靠性与制造质量；同时，把人工智能技术用于核设施远程监测、工程方案自动化等环节，以期在工程周期压缩、运维成本降低等方面取得可量化收益。

6.亚洲：日本、韩国积极探索AI工程实际应用

日本在福岛事故后重视核安全AI技术研发。日本原子能研究开发机构（JAEA）开展AI辅助严重事故分析，构建深度学习模型预测堆芯熔融进程，为应急决策提供支持。将数字孪生与AI用于退役处置、场景仿真与设计验证，强调在不削弱安全审查可追溯性的前提下，逐步引入自动化分析工具以提升工程决策效率。

韩国水电核电公司（KHNP）在新古里3、4号机组建设中试点应用BIM（建筑信息模型）+AI技术，实现施工质量智能检测、进度自动跟踪，工程返工率降低。致力于通过长期数据积累、工程化模型与监管协同来确保AI系统的鲁棒性与可审计性。

从国际实践来看，各国在推动人工智能与核能结合方面采取的策略不一。美国强调以技术体系构建为核心，通过政策、科研投入和跨部门协同推动人工智能在核能全链条的渗透；欧洲则侧重于监管方法更新与风险评估工具完善，同时在核能支撑算力基础设施方面进行布局；俄罗斯强调自主可控的产业链整合，希望在设计与制造端形成人工智能技术深度融入；日韩更关注AI在工程现场落地的具体应用，形成从试点到推广的务实路径。

这些实践同时表明，政策导向、安全监管、自主可控要求、经济价值贡献等，都将对核能行业应用人工智能技术产生巨大影响。

二、 核能+AI应用分析框架与技术特征研究

（一）“技术-应用-治理-生态”四维分析框架

人工智能技术在核能行业应用，需要综合考量场景适用性、基础数据质量、安全可信等多要素，回答“适用性”“可行性”“安全性”等关键问题。

基于这一认识，本文尝试提出一个由技术、应用、治理、生态四个要素构成的分析框架，用于系统性探讨人工智能技术在核能行业的应用路径和方法。技术维度关注人工智能本身的能力特点，以及与核能行业应用需求的适配性分析；应用维度聚焦科研、建设、运维等不同阶段的典型场景，评估人工智能技术应用能够带来的预期价值；治理维度强调基础数据建设对人工智能技术应用所起的关键作用，以及模型安全可信可解释等关键问题；生态维度探讨行业协作与资源共享，致力于站位行业高度让人工智能在核能行业能够规模化、可持续应用。

（二） 人工智能技术核心特征与适配性分析

讨论人工智能技术，首先需要厘清的是其与传统信息技术之间的本质差异。传统信息化、数字化建设，普遍采用的数字化工具，如数据库系统、规则引擎或控制系统，依赖专家预设规则，能力边界在设计阶段已被确定并固化。

以深度学习和大语言模型为代表的人工智能技术，形成了不同于传统信息化系统的新范式。AI模型绕开了固定规则，依托大规模数据学习抽象规律，并具备在新情境中迁移、调整和泛化的能力。归纳总结出人工智能技术区别于传统信息技术的几个关键特征：

一是多源异构信息高效处理能力：能够并行处理大规模多源异构数据，快速建立语义关联，在输入信息不完整或模糊的情况下仍可给出稳定判断；

二是海量复杂数据分析抽象能力：能够从海量信息中自动提炼线性与非线性的因果逻辑关系，显著减轻人工分析负担，实现规律发现和知识抽取；

三是创新型内容定制化生成能力：面对缺乏明确求解路径的开放性问题，能够生成多样化解决方案和创新思路，为复杂决策提供智能参考。

此外，人工智能技术还具有速度与效率优势、持续学习与迭代进化能力。

人工智能技术的以上特点，与核能产业特征需求高度契合：

核电厂通常包含数百个系统、数万台设备，产生海量的设计文档、运行数据、检修记录等多源异构信息。人工智能技术基于复杂多源信息高效处理能力，能够跨越不同数据格式和信息模态，快速建立体系性知识结构关系，帮助用户大幅提高信息处理效率；

核电运行需要对异常工况、设备退化、潜在风险进行全面分析和准确判断。人工智能技术的分析抽象能力，能够从大量历史运行数据、故障案例、安全分析报告中，提炼出非显性关系和风险演化规律，辅助工程师提前识别隐蔽的安全隐患，提高风险防控能力；

核电建设面临安全、质量、进度、成本、环境等多目标约束下的优化决策，人工智能技术可以在复杂约束条件下探索多种可行方案，并开展方案比选与实时优化，为工程最优决策提供参考。

此外，应用人工智能技术速度与效率优势，有助于加快科研验证、大批量工程文件审查，缩短研发创新周期、项目建设周期；人工智能模型持续学习与迭代优化能力，使AI智能系统能够随着数据积累不断优化性能，形成经验复用机制和泛化能力，支撑核能产业智能化长期发展。

（三） 核能产业视角的人工智能技术演进

人工智能技术在核能行业的应用尚处于起步阶段，从核能产业视角来看，人工智能技术应用层面的演进，主要体现在以下几个方面：

任务复杂度提升。早期AI应用多集中在图像识别、视频监测、简单异常检测等感知层面，其特点是问题边界清晰、数据来源相对稳定。随着模型能力提升，AI技术将会逐渐用于事故趋势研判、设备退化分析、运行策略优化等复杂任务，涉及的变量更多，推理链条更长，对模型稳健性要求也更高。

数据机理融合。单纯依赖数据驱动的人工智能方法难以满足核能行业可解释性要求，因此愈来愈多研究开始探索人工智能模型与物理机理、规则之间的融合。典型做法包括在模型训练中显式加入物理约束、利用知识图谱强化AI模型对系统结构关系的理解等。

多模态AI技术应用。核能产业各环节信息组织形式多样，包括三维模型、巡检图像、运行参数、语音记录、规程文本等，属于不同模态，过去通常分系统处理。多模态AI大模型技术不断演进，能够跨模态整合信息，使系统在多模态输入复杂任务中表现出更强性能。

安全可信要求更高。人工智能技术在核能行业生产环节应用，必须满足严格的安全验证要求，包括模型不确定性表征、训练数据正确性审查、模型鲁棒性测试等，模型安全可控、可解释、可验证，将是持续关注的焦点。

三、核能+AI典型应用场景探索

人工智能技术在核能行业的应用，应坚持以安全可信为前提、以价值效益为导向，长远规划、分段实施、小步验证、持续优化。提出若干具有代表性的场景如下：

（一）研发设计领域：面向先进反应堆研发的智能设计支持

新型反应堆研发涉及堆芯中子物理、热工水力、材料性能、结构力学等多物理场耦合问题。以堆芯设计为例，需要在燃料富集度、组件排列方式、冷却剂流量分配、控制棒位置等数十个参数中寻找最优组合，传统方法需要通过数百次高保真仿真计算、比选、迭代、决策、优化，研发周期长达数月甚至数年。

AI加速参数空间探索。 利用已有仿真数据，训练构建基于深度神经网络的代理模型，用于堆芯关键性能参数（如功率峰因子、燃耗深度、温度分布）的计算推演。设计人员可快速完成数百种参数组合评估，将满足约束条件的候选方案大幅缩减，再针对性地进行高保真验证，使参数优化效率大幅提升。

AI加速多物理场耦合计算。 在反应堆安全分析中，需要模拟失水事故、反应性引入等瞬态工况下的系统响应，传统CFD与中子学耦合计算因网格规模大而计算速度慢、成本高。采用物理信息神经网络（PINN），将守恒方程、边界条件嵌入神经网络训练过程，可在保证物理一致性的前提下，将复杂工况下的流场-温度场-中子通量分布计算速度大幅提高，瞬态分析效率大幅提升。

AI驱动创新设计方案生成。 利用生成式AI技术，输入设计约束条件（如功率水平、尺寸限制、安全裕度要求），模型自动生成多种堆芯燃料组件布置方案、冷却剂流道构型、反射层材料组合等创新设计。部分方案的功率分布均匀性和燃料利用率，有可能超出传统经验设计水平。

（二）工程建造领域：面向核电工程绩效创优的项目管控协同

核电工程建设涉及数万个设备、数十万个管道焊口、数千份施工图纸，建设周期5-6年，参建单位超过百家，现场人员数万。传统管理模式下，信息传递滞后、专业接口冲突、资源配置失衡等问题频发，导致返工率高、工期延误、成本超支等风险，正在成为制约核电项目经济性的关键瓶颈。

AI驱动三维模型智能协同管控。反应堆厂房、汽轮机厂房等全厂构筑物三维模型包含数百万个构件，不同专业模型的数据格式、坐标系统、命名规则各异。传统人工检查难以全面发现碰撞、遗漏、冲突等问题。采用基于深度学习的智能碰撞检测算法，自动识别管道与结构、设备与电缆桥架、风管与支吊架之间的空间干涉问题。

AI优化施工计划与资源配置。基于强化学习的施工排程优化算法，综合考虑工序逻辑、人力配置、设备供应、场地占用、天气影响等多重约束，自动生成最优施工方案。当现场出现设备延迟到货、恶劣天气、设计变更等突发情况时，AI系统可快速重新计算全局最优方案，自动调整后续任务时间和资源分配，生成影响分析报告，并标注关键路径变化和进度风险点。

AI辅助焊缝质量智能检测。核电建设过程中，焊缝底片或波形图数据量大，人工判读耗时且对经验要求极高。采用卷积神经网络训练智能缺陷识别模型，快速完成单张焊缝底片的分析，识别气孔、夹渣、裂纹、未熔合等缺陷，再由专业技术人员确认，大幅提高焊缝检测效率和质量。

（三）运维安全领域：面向机组零非停目标的重要设备可靠性管理

核电机组进入长期运行阶段后，设备健康状况的评估与预测性维护成为运维工作的核心任务之一。关键设备如主泵、蒸发器、发电机、变压器等，在运行环境下缓慢退化，其状态变化往往早于告警阈值显现。传统依靠定期检修和人工巡检的方法难以及时捕捉早期征兆，也难以在短时间内整合来自不同监测系统的数据。

多源特征融合的设备健康状态评估。 以反应堆主泵为例，相比于传统的仅依赖单一变量振动幅值报警的健康状态评估方法，可利用人工智能模型算法，将主轴轴位移、机械密封水流量、电机定子温度、电流频谱等多维参数映射至高维特征空间，滤除正常变负荷产生的波动，重新计算设备健康指数。当指数发生趋势性偏离时，即便各单项参数均在设计阈值内，AI模型也能提前识别出轴承支承刚度退化或密封件微量泄漏等早期特征。

设备剩余寿命预测与检修策略优化。 AI系统模型可结合同类型设备历史失效案例库与实时性能退化曲线，对重要设备的关键部件进行剩余寿命动态预测，并给出量化维护建议。如“若维持当前工况，该轴承在下个换料大修周期前发生失效的概率为85%，建议在本次小修中提前更换”。这种从“按计划大修”向“按状态预知”的转变，可有效降低非计划停堆概率，确保核电站在长周期运行中的经济性与安全性平衡。

四、核能+AI治理体系与生态协同

数据质量是人工智能模型行为与性能的基础，安全可信是核能行业AI技术应用的首要前提，开放、规范、有序的生态体系，是人工智能技术在核能行业可持续应用的关键。以下简要阐述人工智能数据治理、安全可信、生态协同相关基本原则和框架。

（一）数据治理的基础性作用

核能产业数据具有极其复杂的多源异构特性。核电机组从设计研发、工程建设到运维检修，产生海量的图纸、模型、监测数据、检修记录、安全分析报告等不同类型“数据”，存放于各业务系统。各系统间的“数据孤岛”导致特征工程难以跨域关联，命名规范不统一、接口形式不统一，给人工智能模型创建带来了挑战。

围绕AI模型创建需求，数据治理需从工程化角度作以下考量：其一，建立语义对齐的数据组织体系，通过构建行业本体模型，将碎片化数据转化为具备逻辑关联的结构化特征库；其二，构建严格的数据溯源机制，确保模型推理的每一项输出均具备可审计的确定性，以满足核安全对AI模型“可解释”的要求；其三，平衡数据流动性与主权安全，在保障机密数据不出域的前提下，利用隐私计算等手段打破安全壁垒，实现行业数据的汇集共享。

（二）AI系统的安全可信要求

核能生产遵循“安全至上”原则，对任何可能影响监控、保护或运行操作的技术工具都必须进行严格的验证。在该框架下，人工智能系统的定位应当是“辅助性”，即其输出不直接参与控制决策，而是通过识别、分析、判断提供决策参考。

建议在核能生产人工智能系统设计中必须嵌入“人在回路”机制：一是模型在给出推理结果的同时，必须同步输出置信度分布或不确定性指标，为运行人员判断算法输出的可靠性提供量化依据；二是针对涉及热工水力或中子动力学计算的任务，应引入物理一致性校验机制，确保模型预测值严格限定在已知的物理安全边界内，从机理上杜绝算法“幻觉”；三是建立“异常回退”机制，当模型行为偏离正常范围时能够立即切换至安全或传统控制模式。

（三）产业协同与生态体系构建

打通数据共享链路。过去数十年核能企业的信息化、数字化建设，已沉淀了大量有价值的数据，但多数仍锁定在各单位内部，难以在行业范围内应用。构建行业级人工智能模型，必须解决“数据难共享、知识难汇聚”的问题。

产学研合作与创新。人工智能技术涉及算法、数据、算力、场景理解等多类资源，任何单一主体都难以具备完整能力链。因此，需要建立产学研联合机制，核电企业提出具体场景和需求，由高校和科研机构提供算法理论支持，技术企业负责实现工程化和产品化落地。通过明确的分工协作，加快研究成果从实验室向工程现场转化。

融入国际合作圈。积极参与 IAEA、WANO 等国际核能组织开展的人工智能相关技术交流与合作，有助于我国在未来核能+AI研究领域获得更多话语权。

五、结论与展望

人工智能技术快速演进发展，正在逐渐影响核能行业的科学研究范式、工程管理方法、生产运维体系，并且持续深化。在核能系统复杂性不断增加的背景下，人工智能技术为科研、生产和管理人员提供了新的感知分析工具与决策辅助手段。

本文基于核能行业现状特点与结构性需求挑战，从技术特性、应用场景、治理框架与生态体系等方面对核能行业人工智能技术应用进行了探讨分析。可以看到，人工智能技术在多源数据处理、规律发现和知识抽取、定制化内容生成等方面具有独特优势，在先进反应堆型号研发、工程多要素管控、重要设备可靠性管理等方向具有较明确的应用潜力。但这些潜力的释放需要以完善的治理架构为基础，包括数据治理、模型验证、安全约束等方面的建设。与此同时，行业层面还需通过数据共享、产学研合作，构建具备持续创新能力的生态。

展望未来，随着模型可解释性、可信性与工程验证方法的进一步完善，人工智能技术将在核能领域扮演更加重要的角色，为加速科技研发、优化工程管理效能、长期运行安全保障等方面提供更坚实的技术支撑。

（作者单位：中国核能行业协会）